大數據文摘出品

來源：airev

編譯：DD、Andy

數年前，當小編剛踏足NLP領域時，還沒有太多相關課程，找學習資料就頗費功夫；如今，當網上充斥著各種良莠不齊公開課時，從中挑選一門適合自己的又成了另一種頗費功夫，特別對于選擇困難綜合癥患者。

該篇作者根據自己多年的實踐經驗，對網上諸多NLP公開課進行了評分與評論，很有參考價值。此外，作為涉足NLP也有數年的小編，也推薦不妨先挑一門Code-first課，強推Fast.AI，之后再用大學公開課繼續(xù)深入，比如伯克利的Info256 以及斯坦福有名的cs224n，之后想再深入理論可以試試CMU的cs11-747.

接下來，我們就來看看作者對15節(jié)NLP課程的測評~

如果你的標準很高，那么選擇一門符合你需求的網課就會變成了一件很困難的事。因為大部分網課都不全面，并不值得花太多時間在上面。

那么如果有人給你提供了一個關鍵的學習路徑，并告訴你每個模塊講了什么，你該按照什么樣的順序去學習、進階，你會怎么想？那一定是——完美！

這就是為什么我會寫這篇NLP選課指南，利用了我8年的機器學習實踐經驗作為參考。我個人一共完成或瀏覽了15個最有名的課。在下面這份嚴格的評論中，我將重點放在它們提供的實踐以及商業(yè)知識上。

無論你是剛開始接觸NLP還是想在業(yè)務中實現一個最新算法，這篇文章都將為你提供巨大價值。下面就來看一下這條學習路徑，并挑你最感興趣的課程吧！

我理想中的NLP課程是這樣的：

圍繞著實踐問題展開的；只涵蓋對實踐有用的信息，夾雜一些更深入的理論知識作為補充資料；內容是與時俱進的，至少每次業(yè)界有重大新聞，它都能及時更新相應內容；由一群業(yè)界經驗豐富的專家編寫的；包含能解決業(yè)務實際問題的真實代碼。

但理想很豐滿，現實……很骨感。

代碼至上的網課們

A Code-First Introduction to NLP course

課程鏈接：

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

授課人：Fast AI

專業(yè)評分：8/10

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

我的建議：

我個人很享受這種由上而下的學習方式。這門課內容非常扎實（毫無疑問，這是Jeremy Howard本人創(chuàng)建的課程），它很實用且內容在新算法的更新上很及時（最近更新到2019年夏天）。

缺點：

它缺少一些業(yè)界的實操案例，只關心算法的實際用法。

強推這門課！

SpaCy Tutorial

課程鏈接：

https://github.com/yuibi/spacy_tutorial

授課人：Yuibi Fujimoto

專業(yè)評分：7/10

工具和庫：spacy，prodigy，sklearn

我的建議：

很完整、實用的指南。它只涉及到了spacy，而這也是很多人的真實需求。這門課對內容細節(jié)的把握非常到位。

Natural Language Processing

課程鏈接：

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

授課人：Yandex

專業(yè)評分：7/10

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

我的建議：

這是一門很新的實戰(zhàn)課程，它涉及到了最重要的一些領域。但同樣地，它也沒有涉及到現實任務的實戰(zhàn)，只是專注于算法原理和它們直接的應用。

Natural Language Processing

課程鏈接：

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

授課人：俄羅斯國立高等經濟大學計算機系（HSE Faculty of Computer Science） / Yandex

專業(yè)評分：3/10

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

我的建議：

這是一門很簡潔、基礎的課程，它只涉及到一些很基礎的理論。

缺點：

這門課不是很全面，也缺乏關于最新算法和實際業(yè)務案例內容。而且，它只使用tensorflow，沒有涉及到keras，對于學習深度學習來說，這并不是一個很好的方式。

Advanced NLP with spaCy

課程鏈接：

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

授課人：Explosion AI

專業(yè)評分：8/10

工具和庫：spacy

我的建議：

這門課也只涉及到spacy，但是范圍更廣。它簡單友好的操作界面深得我心。簡短，但強推的一門課！在評分項目中，也有涉及到業(yè)界實操的內容！

Coursera-Natural Language Processing Certification in TensorFlow

課程鏈接：

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

授課人：Laurence Moroney

專業(yè)評分：2/10

工具和庫：Tensorflow

我的建議：

這門簡短的課程介紹了一些基礎知識，比如：分詞、一些基礎的詞嵌入方法和序列模型。授課方式是理論+小測驗。對新手來說，我并不推薦這門課程，因為它缺少太多內容。

Edx-Natural Language Processing Course

課程鏈接：

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

授課方：微軟

專業(yè)評分：7/10

我的建議：

這門課程介紹了機器學習和NLP領域中可使用的各種方法，你不光能學到經典算法、深度學習算法，還能了解到深度情感相似模型以及在現實工作中如何使用它們。每個模塊都有自己的測驗和代碼作業(yè)，可以很好地幫助你理解學到的內容。

Codecademy-Natural Language Processing

課程鏈接：

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

專業(yè)評分：5/10

工具和庫：nltk, re

我的建議：

這門課時長約10小時，算是NLP入門級別的課程，內容包含：正則表達式、文本處理、詞向量、tf-idf。是一門更適合完全沒有NLP基礎的人的課程。

DataCamp-Natural Language Processing Fundamentals in Python

課程鏈接：

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

授課人：Katharine Jarmul

專業(yè)評分：7/10

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

我的建議：

這門課主要講的是如何解決一些小問題。它介紹了一些生成詞向量和預處理的技巧，像tf-idf和spacy。我認為這也是一門比較適合剛入門、需要一些實戰(zhàn)經驗的新手課程。因此我們決定在最后的對比中不把它加入比較。

大學公開課

伯克利 - Applied Natural Language Processing

課程鏈接：

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

授課人：David Bamman

專業(yè)評分：8/10

我的建議：

這門課比較適合有python編程經驗，但不了解nlp的人。在這門課中，你會用到目前流行的python庫，如：sklearn、keras、spacy，去解決分類、回歸問題。我認為，這種強制性的學期制課程比較適合學生黨學習。

華盛頓大學（UW） - Natural Language Processing

課程鏈接：

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

授課人：Yejin Choi

專業(yè)評分：6/10

我的建議：

這門課面向的是想學習nlp基礎方法理論的新手。這門網課是在2017年錄制的，所以你無法從里面找到任何現在最新的內容。它涉及到的當時（2017）最新的內容有：序列、語義和深度學習相關內容。但我認為，學這門課的人需要在課后有自己的探索和研究，去鞏固學到的知識。

牛津 - Deep Learning for Natural Language Processing

課程鏈接：

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

授課人：Phil Blunsom

專業(yè)評分：8/10

我的建議：

這門課需要你有機器學習方面的經驗，以及很強的數學背景（包括：概率、線性代數和連續(xù)數學）。你將會學到從RNN、BPTT到針對神經網絡優(yōu)化GPU的很多知識和技能。我建議學完這門課的學生再去學習一下最新的模型和理論，因為它并沒有實時更新相關內容。

以色列特拉維夫大學 - Advanced Methods in Natural Language Processing

課程鏈接：

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

授課人：Jonathan Berant

專業(yè)評分：7/10

我的建議：

這門課教授的是NLP領域中最新的一些方法。它只需要你有一定的機器學習背景，nlp背景并不是必須的。而且，授課方準備了很多值得閱讀的報告，這也非常有助于學習。

斯坦福 - From Languages to Information

課程鏈接：

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

授課人：Dan Jurafsky

專業(yè)評分：6/10

我的建議：

雖然這是門NLP課程，但它也涉及到很多機器學習方面的內容。其中，關于社交網絡的內容在其他網課中并沒有很好地展開，可以算是這門課的一個亮點。通過這門課，你可以收獲很廣的知識面，但對于只鉆研nlp的人來說，我并不是很推薦這門課。

斯坦福cs224n - Natural Language Processing with Deep Learning

課程鏈接：

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

授課人：Chris Manning， Matthew Lamm

專業(yè)評分：8/10

我的建議：

這是面向項目的最新課程，包括這個領域的最新進展。要上這門課，你需要有數學和編程的基礎（Python或強大的C++能力）。我只會推薦有一定經驗的人去上這門課，你會從中學到更深入的知識。

總結

在分析完所有課程后，我得出的結論是：在最新的算法和企業(yè)項目實例方面，沒有任何一門課是足夠全面的。它們大部分都缺少實戰(zhàn)練習，而這大大地阻礙了知識的吸收。

現在，讓我們來總結一下工程師在學習一門NLP課程時遇到的主要挑戰(zhàn)：

課程內容很快就會過時，我希望它始終包含最新（不一定是復雜的）知識；沒有或過少的實踐練習來增強在課程中學到的理論知識；如果卡住，沒有人能幫助你進行練習；課程以算法原理為重點，而不是如何解決實際問題。

許多不合標準的課程甚至都已不再更新。人們掉入了坑中并為此付出代價，卻沒有從中收獲太多實際價值。