主講：吳恩達。如果你學機器學習，對這個人牛，神的程度，不了解。你就可以洗洗睡了。必定全球人工智慧最權威專家中有他乙個。
他說，機器學習是最重要的it技能。這個是在矽谷那種地方。在中國，目前最火爆的是，網頁和安卓。不過大資料，網際網路，智慧型機械人時代的到來，機器學習也會變的很重要。
如果自己程式設計去識別人手寫的文字，是很難，所以需要用機器學習的方法去完成。這裡還需要說明乙個模式識別是怎麼回事，模式識別可以說是我們去分析事物的特徵，然後利用這個特徵，去分離事物。特徵需要我們自己去提取，比如說，直方圖特性，紋理特性等等。機器學習，更主要的是需要自己提取特徵，我們手寫的文字，不同的說話聲。都有自己的特徵，可是我們並不用知道，機器學習會自主識別特徵出來。這個就是這兩個學科之間的不同。不過現在好像已經都融合的差不多了，界限不明顯了。
他的那些實驗，也能說明機器學習在什麼地方有什麼樣的應用。
supervised learning 有監督學習。你必須知道你輸出的目標是什麼，什麼是正確，什麼是錯誤。舉例子：我丟進機器裡面的是水果，機器就給我榨汁出來。我丟進的是蔬菜就給我切成小塊出來。然後我就丟蘋果梨進去，告訴它這些是榨汁的。讓機器去學習。而這個是榨汁的，我要告訴它，這個就是有監督的。
unsupervised learning 無監督學習。無監督就是我也不知道輸出結果是什麼。舉例子：我弄了一大堆的資料，我也不知道有什麼規則，然後我就讓機器給我分成2類。結果它就把是整數的分在了一起，不是整數的分在了一起。讓機器自動找到資料中的規則。他上面的例子是聲音的分離。
很重要的一句話：重要的是怎麼把機器學習的知識用好。
我能力有限，但是我努力的學習，第一堂我就學會了這些。分享給各位。
FPGA機器學習之stanford機器學習第三堂1
請注意 csdn那邊的部落格因為那邊審核的時間太長。搬遷入這裡。stanford機器學習前2堂在csdn的部落格裡面。剛開始他寫了，這個公式第二堂講的，是梯度下降法，房價的那個。如果完全擬合的話，並不能說明你擬合的很好，也有可能是你的資料樣本採集的不正確。過擬合就是說，僅僅是擬合了某種特定狀況的行為...
FPGA 機器學習之BP神經網路2
來個小例子講述一下，過程。apf 是0.9 af是0.1 為什麼用0.9,用0.1 主要是因為1和0.在計算過程中，會有計算隱患 可能遇到0，就計算不下去等情況 a0 1 1.78 a0 2 1.14 也就是第一組資料。輸出a2 0.9 最後我們要進行多次的迭代和優化，優化的呢？就是w1，和w2.使...
FPGA機器學習之BP神經網路4
神經網路3，主要是一些用matlab自帶函式來完成神經網路的例子。matlab自帶的函式，都是經過優化，而且函式的實現過程是被封裝好了點。效能也是非常的優良了。可是自己寫出來的bp神經網路可能就不能達到那樣的效果。要想在fpga上實現，或者要知道內部的運 況，還是要自己寫才行。這個是自己寫的bp神經...