مجموعة البيانات هي مجموعة منظمة من البيانات تُستخدم لتدريب أو التحقق من نماذج الذكاء الاصطناعي أو اختبارها. جودة المجموعة وتنوعها يحددان أداء النموذج في الواقع: البيانات المتحيزة تُنتج نماذج متحيزة. تتراوح المجموعات من بضعة مئات من الصفوف للنماذج الأولية إلى مليارات الصور لتدريب النماذج الأساسية. تشمل المجموعات المفتوحة الشائعة ImageNet للرؤية و Common Crawl للغة، بالإضافة إلى بوابات البيانات المفتوحة الحكومية التي يستخدمها علماء البيانات المغاربة.