来源：大数据文摘

本文长度为3300字，建议阅读7分钟

码了等于学了！

数年前，当小编刚踏足NLP领域时，还没有太多相关课程，找学习资料就颇费功夫；如今，当网上充斥着各种良莠不齐公开课时，从中挑选一门适合自己的又成了另一种颇费功夫，特别对于选择困难综合症患者。

该篇作者根据自己多年的实践经验，对网上诸多NLP公开课进行了评分与评论，很有参考价值。此外，作为涉足NLP也有数年的小编，也推荐不妨先挑一门Code-first课，强推Fast.AI，之后再用大学公开课继续深入，比如伯克利的Info256 以及斯坦福有名的cs224n，之后想再深入理论可以试试CMU的cs11-747。

接下来，我们就来看看作者对15节NLP课程的测评~

如果你的标准很高，那么选择一门符合你需求的网课就会变成了一件很困难的事。因为大部分网课都不全面，并不值得花太多时间在上面。

那么如果有人给你提供了一个关键的学习路径，并告诉你每个模块讲了什么，你该按照什么样的顺序去学习、进阶，你会怎么想？那一定是——完美！

这就是为什么我会写这篇NLP选课指南，利用了我8年的机器学习实践经验作为参考。我个人一共完成或浏览了15个最有名的课。在下面这份严格的评论中，我将重点放在它们提供的实践以及商业知识上。

无论你是刚开始接触NLP还是想在业务中实现一个最新算法，这篇文章都将为你提供巨大价值。下面就来看一下这条学习路径，并挑你最感兴趣的课程吧！

我理想中的NLP课程是这样的：

• 围绕着实践问题展开的；

• 只涵盖对实践有用的信息，夹杂一些更深入的理论知识作为补充资料；

• 内容是与时俱进的，至少每次业界有重大新闻，它都能及时更新相应内容；

• 由一群业界经验丰富的专家编写的；

• 包含能解决业务实际问题的真实代码。

但理想很丰满，现实……很骨感。

代码至上的网课们：

A Code-First Introduction to NLP course

课程链接：

https://github.com/fastai/course-nlp

授课人：Fast AI

专业评分：8/10

工具和库：IPython notebooks, PyTorch, Fast.AI, spacy, sklearn, nltk

我的建议：

我个人很享受这种由上而下的学习方式。这门课内容非常扎实（毫无疑问，这是Jeremy Howard本人创建的课程），它很实用且内容在新算法的更新上很及时（最近更新到2019年夏天）。

缺点：

它缺少一些业界的实操案例，只关心算法的实际用法。

强推这门课！

SpaCy Tutorial

课程链接：

https://github.com/yuibi/spacy_tutorial

授课人：Yuibi Fujimoto

专业评分：7/10

工具和库：spacy，prodigy，sklearn

我的建议：

很完整、实用的指南。它只涉及到了spacy，而这也是很多人的真实需求。这门课对内容细节的把握非常到位。

Natural Language Processing

课程链接：

https://github.com/yandexdataschool/nlp_course/tree/master

授课人：Yandex

专业评分：7/10

工具和库：keras，nltk，gensim，sklearn，bokeh，matplotlib

我的建议：

这是一门很新的实战课程，它涉及到了最重要的一些领域。但同样地，它也没有涉及到现实任务的实战，只是专注于算法原理和它们直接的应用。

Natural Language Processing

课程链接：

https://www.coursera.org/learn/language-processing

授课人：俄罗斯国立高等经济大学计算机系（HSE Faculty of Computer Science） / Yandex

专业评分：3/10

工具和库：nltk, sklearn, tensorflow, genism,starspace

我的建议：

这是一门很简洁、基础的课程，它只涉及到一些很基础的理论。

缺点：

这门课不是很全面，也缺乏关于最新算法和实际业务案例内容。而且，它只使用tensorflow，没有涉及到keras，对于学习深度学习来说，这并不是一个很好的方式。

Advanced NLP with spaCy

课程链接：

https://course.spacy.io/en/

授课人：Explosion AI

专业评分：8/10

工具和库：spacy

我的建议：

这门课也只涉及到spacy，但是范围更广。它简单友好的操作界面深得我心。简短，但强推的一门课！在评分项目中，也有涉及到业界实操的内容！

Coursera-Natural Language Processing Certification in TensorFlow

课程链接：

https://www.coursera.org/learn/natural-language-processing-tensorflow

授课人：Laurence Moroney

专业评分：2/10

工具和库：Tensorflow

我的建议：

这门简短的课程介绍了一些基础知识，比如：分词、一些基础的词嵌入方法和序列模型。授课方式是理论+小测验。对新手来说，我并不推荐这门课程，因为它缺少太多内容。

Edx-Natural Language Processing Course

课程链接：

http://www.edx.org/course/natural-language-processing-nlp-2

授课方：微软

专业评分：7/10

我的建议：

这门课程介绍了机器学习和NLP领域中可使用的各种方法，你不光能学到经典算法、深度学习算法，还能了解到深度情感相似模型以及在现实工作中如何使用它们。每个模块都有自己的测验和代码作业，可以很好地帮助你理解学到的内容。

Codecademy-Natural Language Processing

课程链接：

https://www.codecademy.com/learn/natural-language-processing

专业评分：5/10

工具和库：nltk, re

我的建议：

这门课时长约10小时，算是NLP入门级别的课程，内容包含：正则表达式、文本处理、词向量、tf-idf。是一门更适合完全没有NLP基础的人的课程。

DataCamp-Natural Language Processing Fundamentals in Python

课程链接：

https://www.datacamp.com/courses/natural-language-processing-fundamentals-in-python

授课人：Katharine Jarmul

专业评分：7/10

工具和库：nltk, re, genism, polyglot, spacy, sklearn

我的建议：

这门课主要讲的是如何解决一些小问题。它介绍了一些生成词向量和预处理的技巧，像tf-idf和spacy。我认为这也是一门比较适合刚入门、需要一些实战经验的新手课程。因此我们决定在最后的对比中不把它加入比较。

大学公开课：

伯克利 - Applied Natural Language Processing

课程链接：

http://people.ischool.berkeley.edu/~dbamman/info256.html

授课人：David Bamman

专业评分：8/10

我的建议： 

这门课比较适合有python编程经验，但不了解nlp的人。在这门课中，你会用到目前流行的python库，如：sklearn、keras、spacy，去解决分类、回归问题。我认为，这种强制性的学期制课程比较适合学生党学习。

华盛顿大学（UW） - Natural Language Processing

课程链接：

https://courses.cs.washington.edu/courses/cse517/17wi/

授课人：Yejin Choi

专业评分：6/10

我的建议：

这门课面向的是想学习nlp基础方法理论的新手。这门网课是在2017年录制的，所以你无法从里面找到任何现在最新的内容。它涉及到的当时（2017）最新的内容有：序列、语义和深度学习相关内容。但我认为，学这门课的人需要在课后有自己的探索和研究，去巩固学到的知识。

牛津 - Deep Learning for Natural Language Processing

课程链接：

https://www.cs.ox.ac.uk/teaching/courses/2016-2017/dl/

授课人：Phil Blunsom

专业评分：8/10

我的建议：

这门课需要你有机器学习方面的经验，以及很强的数学背景（包括：概率、线性代数和连续数学）。你将会学到从RNN、BPTT到针对神经网络优化GPU的很多知识和技能。我建议学完这门课的学生再去学习一下最新的模型和理论，因为它并没有实时更新相关内容。

以色列特拉维夫大学 - Advanced Methods in Natural Language Processing 

课程链接：

https://www.cs.tau.ac.il/~joberant/teaching/nlp_spring_2019/index.html

授课人：Jonathan Berant

专业评分：7/10

我的建议：

这门课教授的是NLP领域中最新的一些方法。它只需要你有一定的机器学习背景，nlp背景并不是必须的。而且，授课方准备了很多值得阅读的报告，这也非常有助于学习。

斯坦福 - From Languages to Information 

课程链接：

https://web.stanford.edu/class/cs124/

授课人：Dan Jurafsky

专业评分：6/10

我的建议：

虽然这是门NLP课程，但它也涉及到很多机器学习方面的内容。其中，关于社交网络的内容在其他网课中并没有很好地展开，可以算是这门课的一个亮点。通过这门课，你可以收获很广的知识面，但对于只钻研nlp的人来说，我并不是很推荐这门课。

斯坦福cs224n - Natural Language Processing with Deep Learning

课程链接：

http://web.stanford.edu/class/cs224n/

授课人：Chris Manning， Matthew Lamm

专业评分：8/10

我的建议：

这是面向项目的最新课程，包括这个领域的最新进展。要上这门课，你需要有数学和编程的基础（Python或强大的C++能力）。我只会推荐有一定经验的人去上这门课，你会从中学到更深入的知识。

总结

在分析完所有课程后，我得出的结论是：在最新的算法和企业项目实例方面，没有任何一门课是足够全面的。它们大部分都缺少实战练习，而这大大地阻碍了知识的吸收。

现在，让我们来总结一下工程师在学习一门NLP课程时遇到的主要挑战：

• 课程内容很快就会过时，我希望它始终包含最新（不一定是复杂的）知识；

• 没有或过少的实践练习来增强在课程中学到的理论知识；

• 如果卡住，没有人能帮助你进行练习；

• 课程以算法原理为重点，而不是如何解决实际问题。

许多不合标准的课程甚至都已不再更新。人们掉入了坑中并为此付出代价，却没有从中收获太多实际价值。

相关报道：

https://airev.us/ultimate-guide-to-natural-language-processing-courses/

编辑：黄继彦

---

招聘信息

岗位： 开发运维工程师

职能：研发团队支持——配合多个研发组，搭建、维护、优化Jenkins、禅道、数据库、大数据平台等，开发、支持持续集成（CI－CD）脚本和流程、软件发布管理，提高各个研发组的开发效率。深入研究运维相关技术以及新型软硬件技术，包括运维自动化技术，虚拟化技术，监控技术，网络技术等。对外提供数为软件系统的云服务和培训服务设施等。

招聘要求：本科学历、带有大数据系统（Hadoop、Kafka、ES、MongoDB、Jenkins等）使用经历

入职单位： 清华大学软件学院 大数据系统软件国家工程实验室 （工作地点：双清大厦）

简历投递地址：zifanwang@tsinghua.edu.cn
招聘日期：即日起至2020年7月16日