許多的工程專案都具備通用的正規化，一般情況下，乙個人工智慧專案會遵循以下圖1的流程。在第一章中，我們簡單地了解了一些相關資料的知識還有一些常見的，基本的資料預處理方法。本文主要介紹特徵的提取與分析。
所謂特徵的提取，用最直白的話講：就是把我們擁有的資料（人類能理解和收集到的），提取成能夠勝任對應任務的特徵，方便後續加以應用。特徵提取的方法多種多樣，維度有高有低有稠密有稀疏，這也是使得機器學習和深度學習，對於同一類問題有多樣化解決方案的最直接和根本的原因。
首先，我們簡單談談為什麼要進行特徵的提取。我們通常見到的資料，無論是文字，數值資料，還是影象，都可以被視為是混合訊號。這些訊號包含著複雜而全面的資訊，其中一些特徵可能被用於完成合成任務，一些可能適合被用於分類任務，一些可能適合進行回歸分析。那麼，這些特徵本質上的**都是資料本身。但通過不同的提取手段，將這些資料對映到了特徵空間中，從而使得原本不好用的資料，變得好用了起來。舉個最直觀的例子：
當你有一組資料，左邊藍色方形區域代表包含的全部特徵資訊。這裡我們首先提取2個維度的特徵，並從2d的層面上直接進行觀測，對應的結果則是圖2中的左側部分。從這個散點分布結果來看，是很難找到乙個分界線，對黃色和橘色點進行大體上正確的分類的。那麼我們這裡假設，它公升了乙個維度變成了三維（如圖2右側所示）。這個時候，我們就可以很容易地找到乙個分類的平面，將兩種不同的點分開，這就是特徵提取的意義。
其實道理很簡單，就像我們在區分雪碧和可樂是一樣的。我們首先給的兩個特徵是：碳酸飲料和甜的。這兩個特徵並沒有辦法很好地描述二者的區別，但是他們都是二者的屬性之一。那麼我們繼續從藍色的全部資訊中提取乙個新的維度的特徵（如：飲料的顏色），這個時候到了右邊的圖，我們可以發現在從這個特徵的角度出發，可以很容易區分出兩種飲料。ok那麼到此，我們提取的特徵已經足夠我們對可樂和雪碧進行區分了，這就是特徵提取和它的意義。
FPGA 的筆記總結（未完結。。。）
組合邏輯是指輸出只與當前的輸入邏輯電平有關，與電路的原始狀態無關的邏輯電路，屬於無記憶電路，常用於多路器 加法器 解碼器等 問號表示式的形式 assign data out en a b 一般的應用主要在三段式狀態機中的狀態轉移判斷中，三段式狀態機語句分別為 次態遷移到現態 狀態轉移條件判斷 次態暫...
wide deep模型的認知 未完結
wide deep模型 深度加寬度的模型正規化，本身並不是乙個具體的模型，wide和deep部分可以用任意結構框架，wide的baseline是lr模型，deep的baseline是mlp模型 mlp指多層感知器，是一種籤祥結構的人工沉靜網路，對映一組輸入向量到一組輸出向量 面試時會問這種不起眼的問...
一些cs231n中學到的函式 未完結
返回陣列值從小到大的索引值 舉例 x np.array 3 1,2 np.argsort x array 1,2,0 該函式輸入乙個矩陣，返回扁平化後矩陣中非零元素的位置 index x np.arange 2 3 x array 2,1 0,1 2 np.flatnonzero x array 0...