高手过招，NLP工程师的养成之道

2020 年 12 月 3 日 AINLP

作为最典型的 AI 领域之一， NLP (自然语言处理，Natural Language Processing) 被誉为“人工智能皇冠上的明珠”， 近两年取得了显著突破。

随着 OpenAI 等技术的诞生、迁移学习等技术的成功应用，使得 NLP 技术在搜索、推荐、信息流、互联网金融、社交网络等领域不断发展壮大。与此同时，NLP 工程师也受到了广泛关注和追捧，从各大招聘平台上，可以看到相关岗位的薪资随之水涨船高。

（上图为：某招聘网站 NLP 工程师岗位及薪资）

（上图为：用人单位岗位JD）

究其原因，主要由于 NLP 的应用前景十分广泛。就我们常见的 4 个人工智能领域 （即表格化数据、文本数据、图像和视频数据、语音数据） 而言，可以说文本数据的信息含量仅次于表格化数据，而 想要高效利用好文本数据，就离不开 NLP 技术。

NLP的发展

从技术角度说，在深度迁移学习（如 BERT 模型出现）之前，提升 NLP 相关任务准确性的最直接方式是增加标注样本。而在深度迁移学习模型出现后，仅仅通过少量样本就可以达到相对满意的精度，这使得 NLP 的应用得到了进一步发展。

尽管如此，但由于自然语言本身的复杂性，从整体看还无法达到人脸识别一样的精度。而且，NLP 涉及领域广泛、发展迅速，很多新提出的方法，复现性都不强。大多数人也只能简单使用一些开源框架，一旦要解决比较复杂的 NLP 任务，就束手无策了。

NLP 领域发展非常迅速，很多知识都在不断更新迭代。所以，其学习的方法就显得尤其重要。刚好极客时间就有一门视频课 《NLP 实战高手课》 ，我自己也在学习，这个课程能带你掌握高效挖掘表格化数据的技巧，学会经典 NLP 任务的解决方案，并且通过几个实战案例，让你获得一整套从开发到部署的落地经验，全方位提升你的 NLP 实战技能。如果你打算上手或正在研究 NLP，这个课程无疑是你进阶的绝佳选择。

!双12特惠！

🔥🔥🔥

原价129

拼团+口令「study2020」仅89！

且，新人专享19.9！！！

但！ 仅限前50个名额！

👇👇👇

作者是谁？

作者 王然， 是众微科技 AI LAB 技术负责人，阿姆斯特丹大学数学和计量经济学双硕士。

此前，曾任职百分点信息科技有限公司的认知智能实验室技术负责人， 主要负责算法部分 ，他带领团队开发了人机对话机器人和文书校对系统，无论就准确性还是召回率来说，均达到了业界前沿水平，同时他还负责了 20+ 其他技术项目。在业余时间里，他还经常活跃在微软亚洲研究院以及 DeepMind 举办的比赛和研究中，并取得了不错的成绩。

课程有什么特点？如何设计的？

在课程中，作者结合自身的实战经验，总结出了一套切实可落地的方法论，帮你深入理解 NLP。总的来说，这门课主要有以下几个特点：

课程中的所有技术都能在工程实践或比赛中落地，其方法不但能极大地提高准确性，还能保证其稳定性。
在材料选取方面，还介绍了一些在 paper 中少见的“黑科技”，以及那些非常有希望做出成果的研究方向。
不仅会讲解 NLP 的典型方法，还会介绍人工智能其他领域的通用思路和方法。
通过 3 大实战案例，深入讲解 NLP 的各项技术，并将其余人工智能的其他领域想结合。

在课程设置上，主要分为三大模块：

一、快速入门篇： NLP 及人工智能领域入门介绍，包括在学术界和业界当中的一些 经验和坑 ；经典的文本分类模型讲解，讲完即可上手一个文本分类项目；

二、技能进阶篇： 讲解如何在给定数据集的情况下，尽可能提升模型准确的方法；讲解结构化数据处理方法，并介绍如何进行多模态建模；关于文本分类会竞赛中的各种黑科技，介绍基于神经网络（包括有额外数据和无额外数据）、基于 Dependency Parsing 和 Semantic Parsing、基于深度学习和数理逻辑结合、结合传统四大类建模方式和上百个 trick；单代理和多代理的增强学习，并介绍元学习、AutoML 和推荐系统；

三、案例实战篇： 通过 2 个实战案例，将知识进行串联：Kaggle 的问题等价性竞赛的解决方案和基于开源情报的风险预警系统；并重点介绍系统部署：如何将已经训练好的模型用 TF Serving 框架进行服务，介绍微服务框架 Kubernetes 和 Istio。

学完这门课，你会有下面几点收获：