向前
自然语言处理是计算机科学和人工智能领域的一个重要方向。它研究用自然语言实现人与计算机之间有效交流的各种理论和方法。自然语言处理是一门融合了语言学、计算机科学和数学的科学。
学过NLP的都知道，学了一些基础知识，调用了一些NLP库，最后用在项目中发现效果并不好。当你需要优化或者修改的时候，你就会开始不知所措。这是很多初学者都有的疑问。最后，他们决定研究和改进。但是，目前市面上的课程很多。怎样才能选择一门适合自己的课程？
我们如何选择一门课程来学习？
目前市面上的课程从1w到5 W不等，不建议随便找个课程学习。根据自己的需求选择课程和老师是相当重要的。我们可以查看一些老师的公开课，确定老师的授课风格，然后选择我们感兴趣的风格的老师的课程。
最重要的是我们选择的课程一定要有实践和项目。如果没有项目支持的课程，就会盲目设置，觉得什么都没学到。
也有必要选择一些前言研究领域的课程。比如我想学命名实体识别。我几年前用过机器学习、神经网络等算法，但有些课程教你用CRF等统计方法。这类课程并不高级，不建议选择。
如何选课一直是大家的难点。在这篇文章中，我总结了三个流行的在线课程，并从讲师、课程内容、亮点、局限性、课程难度等方面进行了比较，并建议基础知识供您参考。
1.吴恩达的自然语言处理专业化
讲师
吴恩达是斯坦福大学的教授，谷歌大脑和Coursera的创始人之一，首席科学家。他的研究重点是深度学习。
吴恩达老师的讲解，循序渐进，通常从什么开始？学什么？然后告诉你怎么学。解释一下这种关系。老师讲课往往比较严谨，能深入挖掘知识点的细节。难懂的数学知识讲解的很仔细。
课程介绍
课程1:自然语言处理中的分类和向量空间
课程2:自然语言处理中的概率模型
课程3:自然语言处理中的序列模型
课程4:自然语言处理中的注意力模型
课程内容
课程主要包括使用逻辑回归、朴素贝叶斯和词向量实现情感分析、完全类比、翻译词、使用局部敏感哈希近似最近邻。
采用动态编码、隐式马尔可夫模型和单词嵌入，自动纠正拼写错误，自动完成句子，识别单词的词性标注。
使用密集和循环神经网络完成高级情感分析、文本生成、命名实体识别和重复识别问题。
利用编解码器、因果关系和自我注意来执行完整句子的高级机器翻译、文本摘要、机器人问答等。
引人注目的某人[某物]
吴恩达老师的课程有以下亮点:
课程内容严谨，对数学不好的同学比较友好。有时候，数学题会单独拉出来。这门课的老师都是斯坦福Google的，包括Younes Bensouda Mourri，ukasz Kaiser，Eddy Shyu。不仅提供课程，还提供阅读材料。限制
虽然在git上可以免费看到这个课程，但是都是英文的，参考资料也是英文的。如果你的英语不好，你会很痛苦。此外，它对小白用户不太友好。如果你在没有一定基础知识的情况下看这个课程，我感觉你应该是不堪重负的。
如果你打算上这门课，建议你补充一下机器学习、python、深度学习以及微积分、统计等数学方面的知识。
课程难度
这是一门非入门级的课程，你需要具备一些基础知识。
基础知识
这门课需要提前掌握一些数学、编程、机器学习的基础知识。
数学需要掌握:微积分、线性代数、统计学；
编程需要掌握:Python基础。
你需要在机器学习中使用过TensorFlow和Keras深度学习框架。
2.贪婪技术-自然语言处理高级魔鬼训练营
讲师
李文哲
曾任金融科技独角兽公司首席科学家，美国亚马逊高级工程师。负责聊天机器人、量化交易、适应性教育、金融知识图谱等项目，在AAAI、KDD、AISTATS等峰会上发表论文超过15篇，获得IAAI和IPDPS最佳论文奖。多次出席行业峰会并发表演讲。分别在南加州大学、TAMU和南开攻读博士、硕士和本科学位。
课程介绍
本课程主要是针对想之前想从事IT工作，未来想做NLP相关项目，目前从事AI相关工作的人，希望能与时俱进，加深对技术的理解，及时掌握前沿技术。还包括理工科专业的本科/硕士/博士。毕业后想从事NLP工作的人，希望能深入AI领域，为科研或出国做准备，系统学习NLP的知识。
从机器学习、NLP基础到图形神经网络等综合内容，针对每一项核心技术，将每一项技术背后的细节和推导都讲解的很透彻。几十个案例来自不同的领域，并配备了全面的项目任务。不仅有理论课，还有专业的项目实践。
课程内容
本课程共38章，包括19个练习、7个项目训练和30个案例。项目包括影视评分测评、智能客服问答系统、基于Linear-CRF的医疗实体识别、基于聊天的对话系统、基于医疗知识图谱的问答系统，从而预测客户是否会开设正规银行账户。
案例来自医疗、校园、科学等不同领域，每个项目都有前言，比如“基于知识图谱的个性化教学”。我们知道知识图谱是近年来非常热门的话题，但是知识图谱与教学的结合是一个非常序的方向。
课程内容包括:
自然语言处理概述数据结构与算法基础机器学习基础——逻辑回归的基础深度学习自然语言处理基础命名实体识别与实体消歧抽取句法分析、语法分析、图形神经网络等。虽然是NLP课程，但还是会提到机器学习、深度学习等基础知识，对小白用户很友好。
其中，项目操作有:
【项目作业】豆瓣电影评分预测
【项目作业】智能客服问答系统
基于Liner-CRF的医疗实体识别
[项目任务]智能营销文案生成
[专题作业]建立一个基于闲聊的对话系统
【项目作业】构建基于医学知识图谱的问答系统。
[项目作业]新闻文本摘要生成
这些项目都是企业的真实项目，非常具体，具有代表性和前沿性。
个人经历:
这种知识点、练习、案例、项目作业的结合，可以有效地将学到的概念和基础知识运用到项目中，也可以对项目中的概念性知识进行总结。通过视频，文字，图片，编程，项目的组合，告别只看视频的被动学习，我们可以更主动的学习。
引人注目的某人[某物]
我们先来看看课程的卖点:
总结全面、详细、专业、丰富。
经过我个人的测试，感觉这门课的亮点如下:
1.这个课程对小白用户和专业人士都非常友好。它不仅会涉及到自然语言处理的知识，还会涉及到一些基础知识。
2.实际项目很多。很多网络课程都是教一些基础知识，然后进行演示，学起来很被动。这门课的项目太多了，我妈再也不会担心我没有项目可做了。
3.下载软件匹配环境节省了大量时间，所有练习都可以在平台上在线完成。
4.有专业人员解答问题。
很多同学担心项目没做好，作业没做好怎么办。这里说一下，课程中会有助教帮忙答疑。
限制
相对于免费的公开课，这门课唯一的局限性可能就是它是一门付费课程。但是这个课程就相当于你旁边有个老师教你写代码，看论文。如果想改善，个人觉得花点钱还是可以接受的。
课程难度
课程的用户是学生和在职人员，不像很多高端课程对小白用户不友好。不然这个课程对小白用户还是比较友好的，前期会打下很多基础知识。
基础知识
Python基础，数学基础。
3.斯坦福大学的CS224N
讲师
斯坦福大学人工智能实验室主任克里斯托弗·曼宁(Christopher Manning)是著名的计算机科学。
斯坦福大学人工智能实验室的负责人，对NLP的理解可想而知。对于非专业人员来说，只要你的英语足够好，也可以理解NLP的很多相关概念。
课程介绍
在本课程中，学生将深入了解NLP深度学习的前沿研究现状。通过讲座、作业和期末项目学习设计、实施和理解神经网络模型所需的技能。
课程内容
什么是自然语言处理？第二个问题是，深度学习的NLP问题是什么？自然语言处理和深度学习的结合是怎样的？单词的意思是什么？如何表达它们？是用神经网络进行单词嵌入还是继续讲word2vec的其他单词向量的处理方法等等。。。
引人注目的某人[某物]
结合生活案例，非专业人士对NLP感兴趣是有益的，NLP是一门不错的入门课程。
限制
本课程适合对NLP感兴趣的初学者，但不适合零基础的人，全部是英文。英语不好真的不利于理解。
课程难度
本课程适合初学者和有一定基础的人。你需要掌握python编程，有一定的机器学习和数学基础。
基础知识
Python基金会
高数与线性代数
概率论与统计基础
机器学习的基础知识
摘要
对比现在流行的线上NLP相关课程，每个老师都有每个老师的授课风格。个人建议入门级玩家先选择一些公开课和NLP的基础知识来观看。一、培养兴趣，知道什么是NLP，NLP在你的生活中有哪些作用。如果是系统的学习，还是建议选择专业团队付费的商务课程，比如刚才说的比较流行的贪吃科技，这样会大大提高我们的学习效率。
当然，想要成功，一门合适的课程要伴随着自己的坚持和努力。就算老师的课讲得再好，不用心听也是白搭。
