一、最近開始學習機器學習，不知道看哪本書比較好

李航《統計學習方法》

二、學習數據挖掘一般要學哪些軟件和工具

1、WEKA

WEKA 原生的非 Java 版本主要是為了分析農業領域數據而開發的。該工具基于 Java 版本，是非常復雜的，并且應用在許多不同的應用中，包括數據分析以及預測建模的可視化和算法。與 RapidMiner 相比優勢在于，它在 GNU 通用公共許可證下是免費的，因為用戶可以按照自己的喜好選擇自定義。

WEKA 支持多種標準數據挖掘任務，包括數據預處理、收集、分類、回歸分析、可視化和特征選取。添加序列建模后，WEKA 將會變得更強大，但目前不包括在內。

2、RapidMiner

該工具是用 Java 語言編寫的，通過基于模板的框架提供先進的分析技術。該款工具最大的好處就是，用戶無需寫任何代碼。它是作為一個服務提供，而不是一款本地軟件。值得一提的是，該工具在數據挖掘工具榜上位列榜首。另外，除了數據挖掘，RapidMiner 還提供如數據預處理和可視化、預測分析和統計建模、評估和部署等功能。更厲害的是它還提供來自 WEKA(一種智能分析環境)和 R 腳本的學習方案、模型和算法。

RapidMiner 分布在 AGPL 開源許可下，可以從 SourceForge 上下載。SourceForge 是一個開發者進行開發管理的集中式場所，大量開源項目在此落戶，其中就包括維基百科使用的 MediaWiki。

3、NLTK

當涉及到語言處理任務，沒有什么可以打敗 NLTK。NLTK 提供了一個語言處理工具，包括數據挖掘、機器學習、數據抓取、情感分析等各種語言處理任務。

而您需要做的只是安裝 NLTK，然后將一個包拖拽到您最喜愛的任務中，您就可以去做其他事了。因為它是用 Python 語言編寫的，你可以在上面建立應用，還可以自定義它的小任務。

三、軟件工程專業屬于什么類別的專業？

軟件工程專業屬于相關專業：計算機科學與技術。

計算機科學與技術（Computer Science and Technology）是國家一級學科，下設信息安全、軟件工程、計算機軟件與理論、計算機系統結構、計算機應用技術、計算機技術等專業。

主修大數據技術導論、數據采集與處理實踐（Python）、Web前/后端開發、統計與數據分析、機器學習、高級數據庫系統、數據可視化、云計算技術、人工智能、自然語言處理。

媒體大數據案例分析、網絡空間安全、計算機網絡、數據結構、軟件工程、操作系統等課程，以及大數據方向系列實驗，并完成程序設計、數據分析、機器學習、數據可視化、大數據綜合應用實踐、專業實訓和畢業設計等多種實踐環節。

擴展資料

就業崗位

1、Java方向：JAVA初級程序員、JAVA計算程序員 、 JAVA工程師 、J2EE系統工程師等。

2、.Net方向： .Net程序員網站開發工程師 .Net工程師等。

3、其它方向： 簡單的管理信息系統開發和維護人員 、網頁制作和客戶端腳本程序編寫人員 、初級數據庫管理和維護人員 、數據庫開發工程師 、系統分析設計工程 、軟件項目配置管理員 、文檔編寫工程師。

參考資料來源：百度百科-計算機科學與技術

四、學習人工智能的就業崗位？

1、算法工程師。進行人工智能相關前沿算法的研究，包括機器學習、知識應用、智能決策等技術的應用。以機器學習的過程為例，涉及到數據收集、數據整理、算法設計、算法訓練、算法驗證、算法應用等步驟，所以算法是機器學習開發的重點。

2、程序開發工程師。一方面程序開發工程師需要完成算法實現，另一方面程序開發工程師需要完成項目的落地，需要完成各個功能模塊的整合。

3、人工智能運維工程師。大數據與AI產品相關運營、運維產品研發；相關組件的運維工具系統的開發與建設；提供大數據與AI云產品客戶支持。

4、智能機器人研發工程師。研發方向主要從事機器人控制系統開發，高精度器件的設計研發等。工業機器人系統集成方向主要做工作站設計，電氣設計，器件選型，機器人調試，編程，維護等。

5、AI硬件專家。AI 領域內另外一種日益增長的藍領工作是負責創建 AI 硬件(如 GPU 芯片)的工業操作工作。大科技公司目前已經采取了措施，來建立自己的專業芯片。

五、《神經網絡與機器學習》第7章學習筆記（1）

《神經網絡與機器學習》第7章學習筆記：

一、梯度下降法及Batch_size的影響 神經網絡優化中的難點主要集中在梯度下降法的應用上。 Batch_size的選擇對模型性能有顯著影響，不同的Batch_size會調整模型的收斂速度和效率。

二、學習率調整策略 學習率衰減：在初始階段保證收斂速度，接近最優點時減小學習率以防止震蕩。固定衰減率是一種常見的方法。 自適應學習率調整：如AdaGrad算法，通過計算每個參數的梯度平方累計值動態調整學習率，避免了全局學習率的問題。

三、AdaGrad、RMSprop及AdaDelta算法 AdaGrad：隨著迭代次數增加，學習率會逐漸減小，可能導致在尋找最優解時停滯。 RMSprop：通過指數衰減移動平均來解決AdaGrad中學習率逐漸減小的問題，保持學習率的動態調整。 AdaDelta：引入了梯度平方的指數衰減權移動平均，并動態計算學習率，進一步改進了AdaGrad算法。

四、其他優化技術 Nesterov加速梯度：通過預計算梯度來優化動量方法，使得更新更有效。 梯度截斷技術：在處理深層網絡時，用于防止梯度爆炸，通過設定閾值限制梯度的大小。

五、Adam及AdamW算法 Adam算法：是動量法和RMSprop的結合，計算梯度的均值和方差，自適應調整學習率。 AdamW算法：在Adam算法的基礎上加入權重衰減正則化，以解決傳統L2正則化在自適應算法中的問題。

這些優化技術都是為了提升神經網絡的訓練效率和性能，使模型能夠更好地收斂到最優解。