自然语言处理NLP课程不会选择（这篇测评或许可以解你困惑）
引言
自然语言处理( Natural Language Processing, NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。
学过NLP的都知道，学习一些基础知识和调用一些NLP的库，最后用到项目中发现效果并不好，需要你优化或者修改的时候就开始懵逼了。这是很多初学者有的一个疑问，最后决定去学习提升一下，但是目前市场上的课程杂又多，我们该如何选择一门适合自己的课程呢？
我们如何选取一门课程进行学习？
目前市场上的课程1-5W不等，不建议随便找个课程就去学习，要根据自己需求选取课程和老师是相当重要的。我们可以通过查看一些老师的公开课，确定老师的讲课风格，然后选择自己感兴趣风格的老师的课程进行学习。
最重要的一点是，我们选择的课程一定要有实践和项目。如果没有项目支撑的课程，你学了后会很盲目设置会有一种啥都没学到的感觉。
选择一些前言研究领域的课程这一点也是很有必要的，就比如我想学习命名实体识别，几年前就用到了机器学习和神经网络等算法，但是有的课程教你用统计学的方法如CRF。这样的课程前沿性不高建议不要选。
关于怎么选择课程一直都是大家的难点，这篇文章中我总结了三个网上比较受欢迎的课程，在讲师、课程内容、亮点、局限性、课程难度、建议基础知识几个方面进行了对比，供大家参考。
1. 吴恩达的Natural Language Processing Specialization
讲师
吴恩达（Andrew Ng），斯坦福大学教授，谷歌大脑、Coursera的创始人之一，百度首席科学家，研究重点是深度学习。
吴恩达老师的讲解，循序渐进，一般都是从什么是？到学什么？然后再告诉你如何学？这个关系进行讲解。老师讲课偏向于严谨，可以把知识点往细节处深挖，牵涉到比较难懂的数学知识都是很细心得在讲解。
课程介绍
Course 1: Classification and Vector Spaces in NLP
Course 2: Probabilistic Models in NLP
Course 3: Sequence Models in NLP
Course 4: Attention Models in NLP
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来实现情感分析、完整类比、翻译单词，用局部敏感哈希完成近似最邻近。
使用动态编码、隐式马尔科夫模型和词嵌入来自动纠正拼写错误，自动完成句子，识别单词的词性标签。
使用密集和循环神经网络完成高级情绪分析、文本生成、命名实体识别和重复识别问题。
使用编码器 - 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、机器人问答等问题。
亮点
吴恩达老师的课程总结下来有以下亮点：
课程内容严谨，对数学不好的同学们很友好，有时候会数学问题会单独拉出来说。这门课的老师全是斯坦福谷歌，有Younes Bensouda Mourri，ukasz Kaiser，Eddy Shyu。不仅提供课程还提供阅读材料。局限
这门课虽然在git上可以免费看到，但是全是英文的，参考资料也是英文版的。如果你的英语不好，你将会很痛苦。此外对小白用户不太友好，你没有一定的基础知识就看这门课，我感觉你应该会很懵逼。
如果你打算去看这个课程我建议你把机器学习的基础，python,深度学习及数学的基础如微积分，统计学等知识补充一下。
课程难度
这是一门非入门级别的课程，你需要有一定的基础知识。
基础知识
这门课需要提前掌握数学、编程、机器学习上的一些基础知识。
数学上需要掌握：微积分、线性代数、统计学；
编程上需要掌握：Python基础知识。
机器学习上你需要使用过TensorFlow、Keras深度学习的框架。
2. 贪心科技 - 自然语言处理高级魔鬼训练营
讲师
李文哲(贪心科技创始人兼CEO，人工智能和知识图谱领域专家)
曾任金融科技独角兽公司的首席科学家、美国亚马逊的高级工程师，先后负责过聊天机器人、量化交易、自适应教育、金融知识图谱等项目，并在AAAI、KDD、AISTATS等顶会上发表过15篇以上论文，并荣获IAAI，IPDPS的最佳论文奖，多次出席行业峰会发表演讲。分别在USC, TAMU，南开攻读博士、硕士和本科。
课程介绍
这门课程主要面向想前从事IT相关的工作，今后想做跟NLP相关的项目,目前从事AI相关的工作，希望与时俱进，加深对技术的理解,希望能够及时掌握前沿技术的在职人员，还包括理工科相关专业的本科/硕士/博士生，毕业后想从事NLP工作的人希望能够深入AI领域，为科研或者出国做准备，希望系统性学习NLP领域的知识在
从机器学习、NLP基础到图神经网络等全面内容，针对每一个核心技术，讲透每一个技术背后细节和推导，数十个案例来自不同领域、配备综合性的项目作业。不仅仅有理论课程还有专业的项目实操。
课程内容
这门课程全套共有38个章节，其中包括19练习，7个项目训练及30个案例。项目包含有影视评分测评，智能客服问答系统，基于Linear-CRF的医疗实体识别，基于闲聊的对话系统搭建，搭建基于医疗知识图谱的问答系统，预测客户是否开设定期银行账户。
案例来自于医疗、校园、科学不同领域，每个项目都很前言，比如”基于知识图谱的个性化教学”，我们知道最近几年知识图谱是非常火的一个话题，只是图谱结合教学是非常前言的一个方向。
课程内容有：
自然语言处理概述数据结构与算法基础机器学习基础 - 逻辑回归自然语言处理的基础深度学习基础命名实体识别与实体消歧关系抽取句法分析、语法分析、文法分析图神经网络等内容，虽然是NLP的课程但是还是会提及到机器学习、深度学习等基础知识，对小白用户很友好。
其中项目作业有：
【项目作业】豆瓣电影评分预测
【项目作业】智能客服问答系统
【项目作业】基于Liner-CRF的医疗实体识别
【项目作业】智能营销文案生成
【项目作业】基于闲聊的对话系统搭建
【项目作业】搭建基于医疗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，并且很具体代表性、前沿性。
个人的体验：
这种结合知识点、练习、案例后配合着项目作业，可以有效地把学到的概念和基础知识用到项目中，并且在项目中又能总结出概念知识。通过视频、文字、图片、编程、项目的结合、告别只看视频的被动学习，让我们的学习更主动。
亮点
我们先看一下课程的卖点：
总结下来就是全面，细节，专业，丰富。
在经过本人亲测之后，感觉这门课程有亮点如下：
1、该课程不管是对于小白用户还是专业人士都非常友好，不仅仅会涉及到NLP的知识还会说到一些基础的知识。
2、实操项目多，很多网课呢都是教一些基础知识然后给个demo，学起来很被动。这门课程项目很多，妈妈再也不会担心我没有项目做了。
3、免去了很多下载软件搭配环境的时间，所有练习都可在平台在线完成。
4、有专业的人员进行答疑。
很多同学担心项目做不好，作业做不好怎么办这个问题，我这里说一下，课程会有助教帮忙答疑。
局限
这门课程与免费的公开课相比，唯一的局限性可能就在于它是付费课程。但这门课程相当于有一个老师在你旁边手把手教你写代码，看论文。如果你想要提高，个人认为花点钱是可以接受的。
课程难度
课程面对的用户是学生及在职人员，不像许多高端的课程对小白用户不太友好。这门课程不然，对待小白用户还比较友好，前期会铺垫很多基础知识。
基础知识
python基础，数学基础即可。
3. 斯坦福的CS224N
讲师
Christopher Manning，斯坦福大学人工智能实验室主任，著名计算机科学。
斯坦福大学人工智能实验室负责人，对于NLP的理解大家可想而知。对于非专业的人员，只要你的英语够好，你也能理解NLP的许多相关概念。
课程介绍
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、实施和理解构建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，什么是深度学习NLP问题难在哪里自然语言处理与深度学习的结合什么是词语的意思，如何来进行表述呢神经网络来进行word embeddings还是继续聊聊word2vec其他的词向量的处理办法等。。。
亮点
结合生活的案例，有利于非专业人士对NLP这个方向感兴趣，是一部不错的入门级别的课程。
局限
这门课程适合于对NLP感兴趣的初学者，但不是面向于零基础人士，并且都是英语的，英语不好真的不利于理解。
课程难度
这门课适合初学者，有一定的基础的人群。需要掌握python编程，并且有一定的机器学习和数学基础。
基础知识
Python基础
高数、线性代数
概率论和统计学的基础
机器学习的基础知识
总结
比较了网上比较热门的NLP的相关课程，每个老师都有每个老师的讲课风格。个人建议，入门级别的选手应该先选择一些公开课及NLP的基础知识观看。先培养兴趣，了解一下什么是NLP并且生活中哪些功能用到了NLP。如果是系统学习的话，还是建议选择专业团队旗下付费的商业课程，比如刚刚提到的比较热门的贪心科技，这样会大大提高我们的学习效率。
当然，如果你想取得成功，合适的课程还要配上你自己的坚持和努力。就算老师的课程太好，你不用心听也是白搭。