Electronic Letters on Science & Engineering 17(2) (2021) Available online at dergipark.org.tr/else ISSN 1305-8614  2021 dergipark.org.tr/else All rights reserved. 53 An Implementation of Linear Regression using IP-Core and FPGA-based Microcomputer Architecture Abdelkader Lazzem 1* , Halit Öztekin 1 , Souad Cheurfi 3 1 Department of Electrical-Electronics Engineering, Sakarya University of Applied Sciences, Sakarya, Turkey y190004033@subu.edu.tr, ORCID: 0000-0003-0136-356X, halitoztekin@subu.edu.tr, ORCID: 0000-0001-8598-4763 2 Department of Computer Engineering, Sakarya University of Applied Sciences, Sakarya, Turkey d190004008@subu.edu.tr, ORCID: 0000-0003-4053-3971 Abstract: To generate more accurate results, machine learning approaches, particularly those based on neural networks, require the usage of accurate real values. Linear regression is a machine learning technique that is commonly used to identify the linear function that best fits a set of data. Due to current trends in systems need and the availability of Field-Programmable Gate Array (FPGA), floating-point implementations are becoming more widespread, and engineers are increasingly using FPGAs as a platform for floating-point implementations.This paper demonstrates the FPGA-based half-precision floating-point (FPU-16) implementation by proposing two different ways of linear regression implementation. The first way uses the assembler of BZK.SAU.FPGA-based microcomputer architecture. The second way uses the IP-Core of Xilinx simulated and tested with Vivado Design Suite software. After implementing both ways we have calculated the Mean Square Error MSE between the results and it was found to be equal to 7.73 × 10 ସ . Keywords: Artificial Neural Network (AAN), Machine Learning (ML) , Half-precision Floating-point (FPU-16), Linear Regression, Field-programmable gate array (FPGA), Assembler. IP-Çekirdek ve FPGA-tabanlı Mikrobilgisayar Mimarisi kullanılarak Doğrusal Regresyon Uygulaması Özet: Daha doğru sonuçlar elde etmek için, özellikle sinir ağlarına dayalı makine öğrenimi yaklaşımları, doğru gerçek değerlerin kullanılmasını gerektirir.Doğrusal regresyon, bir veri kümesine en uygun doğrusal fonksiyonu tanımlamak için yaygın olarak kullanılan bir makine öğrenimi tekniğidir.Sistem ihtiyacındaki mevcut eğilimler ve Alanda Programlanabilir Kapı Dizisinin (FPGA) kullanılabilirliği nedeniyle, kayan nokta uygulamaları giderek yaygınlaşıyor ve mühendisler kayan nokta uygulamaları için bir platform olarak FPGA'ları daha fazla kullanıyorlar. Bu makalede, doğrusal regresyon uygulamasının iki farklı yolu önerilerek FPGA tabanlı yarı duyarlıklı kayan nokta (FPU-16) uygulaması göstermektedir. İlk yol BZK.SAU.FPGA tabanlı mikrobilgisayar mimarisinin assembly dilini kullanır. İkinci yol Vivadi Design Suite yazılımıyla simüle edilmiş ve test edilmiş Xilinx'in IP çekirdeğini kullanır.Her iki yöntemi uyguladıktan sonra, aralarındaki Ortalama Kare Hata MSE'yi hesapladık ve sonucun 7.73 × 10 ସ olarak bulduk. Anahtar Kelimeler: Yapay Sinir Ağı (YSA), Makine öğrenmesi (MÖ), Yar-hassas Kayan-Nokt (FPU-16), Doğrusal Regresyon, Alanda programlanabilir kapı dizisi (APKD), Assembler. Reference to this paper should be made as follows (bu makaleye aşağıdaki şekilde atıfta bulunulmalı): Lazzem A., Öztekin H., Cheurfi S., ‘An Implementation of Linear Regression using IP-Core and FPGA- based Microcomputer Architecture’, Elec Lett Sci Eng, vol. 17(2), (2021),53-62. 1. Introduction Since the invention of the first electronic component, electronics have continued to develop and spread all over the world which has led to the emergence of technology and its development. In view of current technological advances, the acceptance of Artificial Intelligence (AI) as an important technology and Its use in large-scale projects is increasing day by day.The ability to use micro-services containing AI greatly increases flexibility in implementing this technology in existing projects. Therefore, the development of AI has made Machine Learning techniques essential, which raises a question of how we can deploy these algorithms on embedded systems.