大家好，我是杨熹，曾任 Intel 成本分析师，日本 TRIAL 数据分析师，美国 Trilogy 数据科学培训师，参与销量预测，成本分析，推荐系统等多个项目。擅长机器学习，深度学习，自然语言处理。

今天想跟大家聊一聊之前很多朋友会问我的一个问题，「为什么自学了名校的自然语言处理课程，也认真做了笔记，做了一些实践，却还是会在面试时回答不出来问题」。

自然语言处理（NLP)，既是一门科学，也是一门应用技术，是试图让机器去模拟人类的语言能力。

NLP虽然只是人工智能的一个子领域，但是对我们的日常生活息息相关。

• 比如早上被闹钟叫醒，摸起手机说“siri，帮我设一个5分钟的闹钟”，随后又小眯一下；

• 5分钟后很快就到了，看看今天每小时的天气预报，起床准备开始一天的工作；

• 忽然想到有个包裹怎么还没到，打开购物软件，和他们的聊天机器人客服聊了起来；

上面这些事情可能就发生在每日日常的一个小时内，但却用到了语音识别，时间序列预测，聊天机器人等技术。

自然语言处理也是人工智能中难度最大的子领域之一，也正是这样的挑战给我们带来了更多机会。很多公司都在自然语言处理上发力，行业急需大量专业人才。

那么说回上面我们提到的问题，为什么很多人自学课程后，面试还是失败呢？

其实很多优秀的课程和书籍侧重点会不同，理论上可能只是讲个思想，来龙去脉并不会讲的很深，实战中可能只是给出基础的代码，为什么要进行哪一步也没有讲的很细，关于面试的书也只是简单给出答案，到底为什么要这么回答也没有给出详细的解释。

但是面试官们通常会把最基础的东西问得很透彻，比如手推反向传播，手推LSTM，改进SkipGram模型等等，所以单单学完一门课程看完一本书并不会真正地掌握知识。

    具备面试通关的两大条件

1. 以能够回答出面试题为基准，并且建立在透彻理解模型原理的基础上，而不是死记硬背答案。

以数学公式推导作为理论支撑，做到真的理解模型，这样当面试官们变换问题时，或者要求提出改进方案或者拓展时，都能够根据自己的理解给出解答。

2. 理论配合实战。面试官们会对项目的每个环节都问的比较细，数据清洗，预处理，特征，建模，模型评估等等，所以你需要掌握的项目解释也要全面，包括数据在模型里是如何变化的，每一步代码干了什么发生了要做到心里有数。

比如现在一些热门应用，如情感分析，聊天机器人等都是现在很多公司所需要的；也有 NER，POS 等基础应用，是自然语言处理项目中所必备的。

当然要完全掌握自然语言处理的各个角落难度比较大，你可以先主要覆盖 NLP 工程师面试所需的深度学习基础部分，将基础的经典的模型理论牢牢掌握，针对真实的面试题给出详细的讲解，例如：

• RNN 为什么会发生梯度消失？如何改进？

• LSTM 的模型结构是什么？

• 为什么说 LSTM 具有长期记忆功能？

• LSTM 为什么能抑制梯度衰减？

• 什么是 Word2Vec？如何训练？

• Word2vec，CBOW 和 Skip-gram 的区别是什么？

• 什么是 seq2seq 模型？有哪些优点？

• 什么是注意力机制？

• 为什么要使用注意力机制，有什么优点？

• CNN 的原理是什么？有哪些优缺点？

• BERT 的模型结构是什么？如何应用？...

上述这些基础知识及面试题目详解，都可以在我撰写的《自然语言处理面试基础》专栏中学习到。

每个模型的公式是什么，怎么训练模型，怎么优化模型都会提到，在实战中遇到的特别技术概念也会给出详细的讲解。

扫码了解专栏详情

▼

  专栏特色

• 内容新

本课程涵盖RNN，LSTM，GRU，word2vec，CNN这些基础，还包括多层，双向等拓展，有Seq2seq和 Attention，再到最近流行的Transformer，ELMo，BERT，层层递进掌握经典模型。

• 实战多

包括14个项目的代码及详细的讲解，从命名实体识别，词性标注，到情感分析，聊天机器人，机器翻译，再到图片文字摘要，动手实现有趣的智能应用。

• 讲解细

每篇文章用黄金圈why，how，what的结构详细讲解模型原理，对面试中常考问题给出解答和理论依据，深刻理解经典模型解决问题的思想。

在这里你将收获

面试必备知识点

在自然语言处理相关职位的面试中，面试官会对模型的结构，原理，数学推导，优缺点，改进方法等进行细致地提问，很多外文原版书籍或者名校课程中都不会做特别详细地解答，最后看了很多书学了很多课程，可能到面试的时候还是答不出来问题。在本课程中就会对这些知识点进行深入地讲解，让大家能够真正理解每个模型，知其然知其所以然。

本课程将用通俗易懂的方式讲解模型的原理，用图解的方式画出模型中数据的走向，对关键步骤的计算，例如前向计算，反向传播，会有详细的手写推导。以及一些核心问题的探究，例如为什么循环神经网络具有记忆功能，LSTM为什么可以缓解梯度消失，为什么用双向LSTM，Encoder–Decoder的结构是什么样的，为什么需要Attention机制等。

动手实践，编写有趣的项目

无论是出于兴趣还是想要找到高薪的工作，最后都要落实到有能力解决问题。所以本课程在每个模型的原理之后，都有相应的项目代码，而且有非常详细的代码讲解，理论与实践结合，真正把模型用起来。

除了用序列模型处理其他模型能做到的分类和预测的任务，还可以构建一些好玩的，例如自动生成某个大师风格的文章，根据电影评论分析一下观众对它的评价，做个简易的聊天机器人，再或者平时经常用的翻译软件，自己也可以学习到机器翻译模型的构建方法。

熟练使用TensorFlow/Keras

本课程在每个模型后都配有应用代码，都是用TensorFlow或Keras来实现，这两个框架也是很多公司在招聘时优先考虑的技术，通过课程中一些小项目的练习，可以进行强化训练，并且由于都是序列模型，还可以进行横向比较，了解实现不同项目的共同点和区别，这样在以后应用这些深度学习框架来处理新的任务时可以得心应手。

专栏内容大纲

第1部分：深度学习基础知识。因为本课程是关于深度学习在自然语言处理中的应用，所以课程开始部分我们会概括性地介绍什么是深度学习项目的一般流程和所需基本概念，深度学习在自然语言处理领域主要有哪些热门应用，还会介绍本课程项目所需的Keras和TensorFlow 2.0基础。

第2部分：循环神经网络基础。这一部分会非常详细地介绍RNN和LSTM 的原理，它们是深度自然语言处理的基础模型，掌握它们对学习并理解后面更复杂的模型结构有很好的帮助，而且课程中会有面试常考问题的详细解答和公式推导，从数学的层次做到真正理解经典模型的特性。

第3部分：词嵌入。在这里我们会介绍 Word2vec 的方法，包括 CBOW，Skip-gram，GloVe 的理论和应用。词嵌入是自然语言处理任务中很重要的一步，它可以让模型更好地学习到单词之间的关系和单词的含义，使模型表现地更好。

第4部分：循环神经网络的改进。这一部分我们将学习如何改进基础的 RNN 和 LSTM，通过前面对基础理论的深入了解，我们可以知道它们具有哪些不足，于是通过改善门控单元，搜索结果，增加方向等方法来使模型进一步得到改善。

第5部分：Seq2seq 和 Attention。这一部分模型的结构进一步升级，Seq2seq是一个Encoder–Decoder结构的网络，它最重要的地方在于输入序列和输出序列的长度是可变的，不过因为不管输入的长度多长都会被它压缩成一个几百维的中间向量，就会造成任务质量的下降，而 Attention 又进一步解决了 Seq2seq 存在的问题，有了这些改进使得模型在情感分析，聊天机器人，机器翻译等任务中的性能提升。

第6部分：卷积神经网络的应用。卷积神经网络被大家熟知的是在图像领域的重要模型，这一部分就会介绍它其实也可以用于自然语言处理的任务中，通过学习这种“跨界”的模型，不仅可以更了解到任务和模型的本质，还有助于开拓解决问题的思路。

第7部分：Transformer，ELMo，BERT。BERT是2018年10月11日由Google AI Language发布的模型，当时在问答，推理等 11 个 自然语言处理任务上的表现都刷新了记录，目前为止有很多优秀的模型都是在其基础上进行改进，所以这部分将介绍 Transformer，ELMo，BERT 这一系列的原理和应用。

知识框架图谱如下：

这样，你就掌握了NLP所涵盖的基础知识和热门应用的详解。现在让我们一起开始这段学习旅程吧！

点击阅读原文，试读了解专栏详情