經過了2個月對機器學習的了解后。我發現了，機器學習的方向多種多樣。網頁排序。語音識別，圖像識別，推薦系統等。算法也多種多樣。看見其它的書后，我發現除了講到的k均值聚類。貝葉斯，神經網絡，在線學習等等，還有非常多其它的算法。比方說：免疫算法，遺傳算法，主成分分析。蟻群算法等等。
好像非常多算法都是須要做非常多的研究才干用的非常好的。據說深度學習是由神經網絡升級來的。
神經網絡本身就是一本書，內容非常多。龍星計划里面也涉及到多種算法的應用。是要跟着追火爆的算法去學習。還是找最新的機器學習算法呢？？
近期比較火的是deep learning。資料多些。學習的人多一些。還是比較生僻的免疫算法，蟻群算法呢？？？從性能角度上講，deep learning性能非常好。但是免疫算法可能發展后未來2年能夠性能更好。在這樣的情況下，學什么比較好呢？？我覺得。假設你有高深的數學功底，非常好的思維。還有非常多的有創造性的朋友的話，我給的建議是去發展新的算法。像免疫算法類的。當然假設能創造一個蜜蜂建窩算法就更好了。預計非常多人都沒有這個條件，那我們就做一個尾隨者好了。就去選擇眼下比較熱門的deep learning算法。找一個deep learning應用的場合和公司。應該也非常好。
我可能還有些不一樣的我感覺我能做到的人工智能，不想去說機器人打敗人類。還有非常多像科幻片里面的機器人一樣的狀態，我沒那個本事。
我想做的事情非常easy，讓機器的眼睛看懂普通事物，做一些簡單的事情就能夠了。所以我基本的方向就是。機器視覺。
那我計划怎樣一步一步向前走呢？或者說我要學習哪些東西呢？
我眼下的內容都是關於圖像處理的，事實上圖像處理就是模式識別最前端的處理工作。讓圖像的特征更好的體現出來。接下來就是模式識別，這里僅僅能用狹義的理解了。就是特征提取。事實上已經進入機器學習范圍。最后就是機器學習。能夠統一認知。這里面非常多都設計到一個FPGA處理芯片的的事（這個待會在說）。換個角度說明我要學習的內容，圖像處理，比方對照度。圖像矯正。邊界掃描等。機器學習呢，就是從眾多的學習算法里面。在圖像上應用比較良好的，比方說，深度學習和主成分分析，（對其它的有些了解就能夠了。
應用上和簡單算法上）。
機器學習有時候也能夠做到圖像處理的內容。比方說，聚類就能夠進行圖像的切割。但是為什么還要去時而學習圖像處理的技術呢？？想法是這種，機器學習是自己主動提取特征的過程，像決策樹可能你就知道它的分類過程。提取特征的過程。但是非常多時候是不知道，但是圖像處理則是人為的提供，分離，某些特殊的特征。
可能能降低機器學習的難度等（純粹的猜想，還有對機器學習的不了解）。
對於FPGA的想法呢？？？主要考慮的是計算速度，眼下FPGA的計算速度是最好的了，比方說：無人機災區救援，飛行的速度。攝像頭的像素。識別，都須要非常多的計算定位人員信息。
還比方訓練的時間，速度是一個重要指標。
可是FPGA它復雜的計算取完畢不了。假設GPU或者APU那一天計算能力能更上一層樓的話。我也會考慮去學習的。
這些僅僅是基本的學習內容，還有非常多小的內容也要跟上。比方說數學。內容非常多，我僅僅能在我能掌握的時間里，對照我的各項能力，來平衡每一部分的學習時間。這些就是我想說的，想跟我一起學習的朋友們。就和我一起學習吧。我的QQ，849886241.求關注，求幫助。
路非常長，要人幫呀。