1、深度神经网络训练数据集要什么软硬件设备？
他这个题目确实不错。
几年前MIT有人发表过类似的论文。
具体实现的软硬件问你指导老师啊！
他既然让你做，肯定对这个课题有所了解。让他讲讲怎么入手！
一般老师都会给个任务书。说明硬件组成，软件平台，毕设要达到什么样的指标。
如果他不告诉你，果断换课题。说明你的指导老师学术水平不行！
2、KITTI 数据集是什么？
是一个测试交通场景中车辆检测，车辆追踪，
语义分割等算法的公开数据集。
现在测试自动驾驶等车辆识别算法的，都用这个数据集。
3、python sklearn对整个数据集数据标准化和先对训练级标准化再将规则用于测试集有什么区别
#test_size:测试集占整个数据集的比例
def trainTestSplit(X,test_size=0.3):
X_num=X.shape[0]
train_index=range(X_num)
test_index=[]
test_num=int(X_num*test_size)
for i in range(test_num):
randomIndex=int(np.random.uniform(0,len(train_index)))
test_index.append(train_index[randomIndex])
del train_index[randomIndex]
#train,test的index是抽取的数据集X的序号
train=X.ix[train_index]
test=X.ix[test_index]
return train,test
4、谁能解释下 数据挖掘里的训练数据、测试数据和验证数据呀？
简单说，训练样本是用来考察数据之间的联系并建立模型的，而验证样本是用来检验建立的模型是否准确。
举例:我们随机选择100名学生的学习时间和学习成绩数据，并建立了学习时间和学习成绩之间的关系，学习成绩=0.015*学习时间+85.26。为了验证这个等式的准确程度，另外选择53名学生的数据带入这个等式进行验算和验证。那么这个例子中100人为训练样本，53人为验证样本。
5、数据挖掘中的训练数据集如何成为模型？
首先我并不是很明白这个训练数据集是什么意思，一般来讲我们是训练模型。至于选用什么模型这个就看你自己的选择了，是回归模型？分类模型？还是其他的什么模型？
模型训练完后输入新的数据（格式与训练数据集一致）到模型中即可做预测
6、怎样正确安装与使用汽车驾驶员训练数据记录仪
摘 要：汽车驾驶员学兵实车训练里程和训练时间的落实情况对训练质量和效益有着重要的影响。然而以往由于缺少技术手段，单兵完成的实车训练里程和训练时间基本上是由施训人员估算的，难以实施科学准确的计量和监控。由此带来的问题，要么是学兵的训练里程不够，训练时间不足，影响训练质量；要么是学兵的训练里程超标，训练时间过长，训练效益偏低。汽车驾驶员训练数据记录仪就是针对这些问题而研制的。从2007年开始，总部将在新驾驶员训练中推广应用汽车驾驶员训练数据记录仪。现将该仪器的组成结构、安装调试、操作程序和使用中应注意的问题仑绍加下．
7、如何在faster-rcnn上训练自己的数据集
Caffe刚出来的时候我就一直再用了，前后大概用了RCNN，Fast-RCNN, 目前在等待Faster-rcnn的代码release! 回答下你的问题，目前我已经基于Fast-rcnn实现了caltech行人检测数据库与kitti数据库的车辆与行人检测，总的来说效果非常不错，在训练速度。
8、推荐系统中如何分割训练集数据
将用户行为数据集按照均匀分布随机分成M份，挑选一份作为测试集，将剩下的M-1份作为训练集。然后在训练集上建立用户兴趣模型，并在测试集上对用户行为进行预测，统计出相应的评测指标。为了保证评测指标并不是过拟合的结果，需要进行M次实验，并且每次都使用不同的测试集。然后将M次实验测出的评测指标的平均值作为最终的评测指标。
9、什么叫训练数据(training data)?
这个是讲AI的artificial neural network时候用的。
例如说你要做一个AND logic。在你建立了一个artificial neural network以后，它是一个没有任何功能的空白network。这时候你需要training data来train你的network。这个时候的training data，就是已经准备好的，正确的AND logic的input跟output，让这个artificial neural network来学习这个input和output的关系从而模仿AND logic(Hence artificial intelligence)。
在train好了以后，你要确认你的network时候符合你的training data的要求，你就选一组testing data(比training data数量要少很多，可以是training data的一部分)，来test你的network是不是真的被train好了。一般不能达到100%正确，根据情况，一半90%以上，例如95%就不错了。这里就是为了证明你train的这个network，是针对你的training set是有用的。
至于validation data。你的training data sample，在统计学里，是在你的global population里选出来的，它不一定100%反应你的global population的特性。所以你要在global population里，另外再选一组validation data，来validate你之前通过test的network。也就是为了确认，你这个network，不是只对你的training data有用，而是对global population都有用的。
我是在国外上的大学，大四的时候学过这个。嘿嘿。
补充：
你说的这些我没学过。
不过我猜测training data应该跟我所学的artificial neural network的有类似。多半是你的system或者model，需要学习你所研究东西的behaviour。所以你用一组以前所得到的正确的data，里面包括所有相应的input跟output，来train你的system或者model。（感觉说来说去还是在说AI跟artificial neural network，嘿嘿）
补充二
我说反了吗？两年前学的，不太记得了。问问老师或者查查书吧。
10、训练数据集中是不是必须包含待识别
是的，必须要有几类样本