一、最近开始学习机器学习，不知道看哪本书比较好
李航《统计学习方法》
二、学习数据挖掘一般要学哪些软件和工具
1、WEKA
WEKA 原生的非 Java 版本主要是为了分析农业领域数据而开发的。该工具基于 Java 版本，是非常复杂的，并且应用在许多不同的应用中，包括数据分析以及预测建模的可视化和算法。与 RapidMiner 相比优势在于，它在 GNU 通用公共许可证下是免费的，因为用户可以按照自己的喜好选择自定义。
WEKA 支持多种标准数据挖掘任务，包括数据预处理、收集、分类、回归分析、可视化和特征选取。添加序列建模后，WEKA 将会变得更强大，但目前不包括在内。
2、RapidMiner
该工具是用 Java 语言编写的，通过基于模板的框架提供先进的分析技术。该款工具最大的好处就是，用户无需写任何代码。它是作为一个服务提供，而不是一款本地软件。值得一提的是，该工具在数据挖掘工具榜上位列榜首。另外，除了数据挖掘，RapidMiner 还提供如数据预处理和可视化、预测分析和统计建模、评估和部署等功能。更厉害的是它还提供来自 WEKA(一种智能分析环境)和 R 脚本的学习方案、模型和算法。
RapidMiner 分布在 AGPL 开源许可下，可以从 SourceForge 上下载。SourceForge 是一个开发者进行开发管理的集中式场所，大量开源项目在此落户，其中就包括维基百科使用的 MediaWiki。
3、NLTK
当涉及到语言处理任务，没有什么可以打败 NLTK。NLTK 提供了一个语言处理工具，包括数据挖掘、机器学习、数据抓取、情感分析等各种语言处理任务。
而您需要做的只是安装 NLTK，然后将一个包拖拽到您最喜爱的任务中，您就可以去做其他事了。因为它是用 Python 语言编写的，你可以在上面建立应用，还可以自定义它的小任务。
三、软件工程专业属于什么类别的专业？
软件工程专业属于相关专业：计算机科学与技术。
计算机科学与技术（Computer Science and Technology）是国家一级学科，下设信息安全、软件工程、计算机软件与理论、计算机系统结构、计算机应用技术、计算机技术等专业。
主修大数据技术导论、数据采集与处理实践（Python）、Web前/后端开发、统计与数据分析、机器学习、高级数据库系统、数据可视化、云计算技术、人工智能、自然语言处理。
媒体大数据案例分析、网络空间安全、计算机网络、数据结构、软件工程、操作系统等课程，以及大数据方向系列实验，并完成程序设计、数据分析、机器学习、数据可视化、大数据综合应用实践、专业实训和毕业设计等多种实践环节。
扩展资料
就业岗位
1、Java方向：JAVA初级程序员、JAVA计算程序员 、 JAVA工程师 、J2EE系统工程师等。
2、.Net方向： .Net程序员网站开发工程师 .Net工程师等。
3、其它方向： 简单的管理信息系统开发和维护人员 、网页制作和客户端脚本程序编写人员 、初级数据库管理和维护人员 、数据库开发工程师 、系统分析设计工程 、软件项目配置管理员 、文档编写工程师。
参考资料来源：百度百科-计算机科学与技术
四、学习人工智能的就业岗位？
1、算法工程师。进行人工智能相关前沿算法的研究，包括机器学习、知识应用、智能决策等技术的应用。以机器学习的过程为例，涉及到数据收集、数据整理、算法设计、算法训练、算法验证、算法应用等步骤，所以算法是机器学习开发的重点。
2、程序开发工程师。一方面程序开发工程师需要完成算法实现，另一方面程序开发工程师需要完成项目的落地，需要完成各个功能模块的整合。
3、人工智能运维工程师。大数据与AI产品相关运营、运维产品研发；相关组件的运维工具系统的开发与建设；提供大数据与AI云产品客户支持。
4、智能机器人研发工程师。研发方向主要从事机器人控制系统开发，高精度器件的设计研发等。工业机器人系统集成方向主要做工作站设计，电气设计，器件选型，机器人调试，编程，维护等。
5、AI硬件专家。AI 领域内另外一种日益增长的蓝领工作是负责创建 AI 硬件(如 GPU 芯片)的工业操作工作。大科技公司目前已经采取了措施，来建立自己的专业芯片。
五、《神经网络与机器学习》第7章学习笔记（1）
《神经网络与机器学习》第7章学习笔记：
一、梯度下降法及Batch_size的影响 神经网络优化中的难点主要集中在梯度下降法的应用上。 Batch_size的选择对模型性能有显著影响，不同的Batch_size会调整模型的收敛速度和效率。
二、学习率调整策略 学习率衰减：在初始阶段保证收敛速度，接近最优点时减小学习率以防止震荡。固定衰减率是一种常见的方法。 自适应学习率调整：如AdaGrad算法，通过计算每个参数的梯度平方累计值动态调整学习率，避免了全局学习率的问题。
三、AdaGrad、RMSprop及AdaDelta算法 AdaGrad：随着迭代次数增加，学习率会逐渐减小，可能导致在寻找最优解时停滞。 RMSprop：通过指数衰减移动平均来解决AdaGrad中学习率逐渐减小的问题，保持学习率的动态调整。 AdaDelta：引入了梯度平方的指数衰减权移动平均，并动态计算学习率，进一步改进了AdaGrad算法。
四、其他优化技术 Nesterov加速梯度：通过预计算梯度来优化动量方法，使得更新更有效。 梯度截断技术：在处理深层网络时，用于防止梯度爆炸，通过设定阈值限制梯度的大小。
五、Adam及AdamW算法 Adam算法：是动量法和RMSprop的结合，计算梯度的均值和方差，自适应调整学习率。 AdamW算法：在Adam算法的基础上加入权重衰减正则化，以解决传统L2正则化在自适应算法中的问题。
这些优化技术都是为了提升神经网络的训练效率和性能，使模型能够更好地收敛到最优解。
