保姆級NLP學(xué)習(xí)路線來啦！
這個保姆級不是形容這份指南有多詳細，而是形容這個指南會伴隨你們一起成長喲（其實就是太多了寫不完）。之后的更新都會定期發(fā)文并匯總在Github上，歡迎催更：
https://github.com/leerumor/nlp_tutorial
下面開始學(xué)！習(xí)！（敲黑板）
如何系統(tǒng)地學(xué)習(xí)
機器學(xué)習(xí)是一門既重理論又重實踐的學(xué)科，想一口吃下這個老虎是不可能的，因此學(xué)習(xí)應(yīng)該是個循環(huán)且逐漸細化的過程。
首先要有個全局印象，知道m(xù)inimum的情況下要學(xué)哪些知識點：
之后就可以開始逐個擊破，但也不用死磕，控制好目標難度，先用三個月時間進行第一輪學(xué)習(xí)：
讀懂機器學(xué)習(xí)、深度學(xué)習(xí)原理，不要求手推公式 了解經(jīng)典任務(wù)的baseline，動手實踐，看懂代碼 深入一個應(yīng)用場景，嘗試自己修改模型，提升效果
邁過了上面這道坎后，就可以重新回歸理論，提高對自己的要求，比如手推公式、盲寫模型、拿到比賽Top等。
Step1: 基礎(chǔ)原理
機器學(xué)習(xí)最初入門時對數(shù)學(xué)的要求不是很高，掌握基礎(chǔ)的線性代數(shù)、概率論就可以了，正常讀下來的理工科大學(xué)生以上應(yīng)該都沒問題，可以直接開始學(xué)，碰到不清楚的概念再去復(fù)習(xí)。
統(tǒng)計機器學(xué)習(xí)部分，建議初學(xué)者先看懂線性分類、SVM、樹模型和圖模型，這里推薦李航的「統(tǒng)計學(xué)習(xí)方法」，薄薄的摸起來沒有很大壓力，背著也方便，我那本已經(jīng)翻四五遍了。喜歡視頻課程的話可以看吳恩達的「CS229公開課」或者林田軒的「機器學(xué)習(xí)基石」。但不管哪個教程，都不必要求一口氣看完吃透，第一輪先重點看懂以下知識點就夠了：
深度學(xué)習(xí)部分，推薦吳恩達的「深度學(xué)習(xí)」網(wǎng)課、李宏毅的「深度學(xué)習(xí)」網(wǎng)課或者邱錫鵬的「神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)」教材。先弄懂神經(jīng)網(wǎng)絡(luò)的反向傳播推導(dǎo)，然后去了解詞向量和其他的編碼器的核心思想、前向反向過程：
Step2: 經(jīng)典模型與技巧
有了上述的基礎(chǔ)后，應(yīng)該就能看懂模型結(jié)構(gòu)和論文里的各種名詞公式了。接下來就是了解NLP各個經(jīng)典任務(wù)的baseline，并看懂源碼。對于TF和Pytorch的問題不用太糾結(jié)，接口都差不多，找到什么就看什么，自己寫的話建議Pytorch。
快速了解經(jīng)典任務(wù)脈絡(luò)可以看綜述，建議先了解一兩個該任務(wù)的經(jīng)典模型再去看，否則容易云里霧里：
2020?A?Survey?on?Text?Classification:?From?Shallow?to?Deep?Learning
2020?A?Survey?on?Recent?Advances?in?Sequence?Labeling?from?Deep?Learning?Models?
2020?Evolution?of?Semantic?Similarity?-?A?Survey
2017?Neural?text?generation:?A?practical?guide?
2018?Neural?Text?Generation:?Past,?Present?and?Beyond
2019?The?survey:?Text?generation?models?in?deep?learning
2020?Efficient?Transformers:?A?Survey
文本分類
文本分類是NLP應(yīng)用最多且入門必備的任務(wù)，TextCNN堪稱第一baseline，往后的發(fā)展就是加RNN、加Attention、用Transformer、用GNN了。第一輪不用看得太細，每類編碼器都找個代碼看一下即可，順便也為其他任務(wù)打下基礎(chǔ)。
但如果要做具體任務(wù)的話，建議倒序去看SOTA論文，了解各種技巧，同時善用知乎，可以查到不少提分方法。
文本匹配
文本匹配會稍微復(fù)雜些，它有雙塔和匹配兩種任務(wù)范式。雙塔模型可以先看SiamCNN，了解完結(jié)構(gòu)后，再深入優(yōu)化編碼器的各種方法；基于匹配的方式則在于句子表示間的交互，了解BERT那種TextA+TextB拼接的做法之后，可以再看看阿里的RE2這種輕量級模型的做法：
序列標注
序列標注主要是對Embedding、編碼器、結(jié)果推理三個模塊進行優(yōu)化，可以先讀懂Bi-LSTM+CRF這種經(jīng)典方案的源碼，再去根據(jù)需要讀論文改進。
文本生成
文本生成是最復(fù)雜的，具體的SOTA模型我還沒梳理完，可以先了解Seq2Seq的經(jīng)典實現(xiàn)，比如基于LSTM的編碼解碼+Attention、純Transformer、GPT2以及T5，再根據(jù)興趣學(xué)習(xí)VAE、GAN、RL等。
語言模型
語言模型雖然很早就有了，但18年BERT崛起之后才越來越被重視，成為NLP不可或缺的一個任務(wù)。了解BERT肯定是必須的，有時間的話再多看看后續(xù)改進，很經(jīng)典的如XLNet、ALBERT、ELECTRA還是不容錯過的。
Step3: 實踐優(yōu)化
上述任務(wù)都了解并且看了一些源碼后，就該真正去當(dāng)煉丹師了。千萬別滿足于跑通別人的github代碼，最好去參加一次Kaggle、天池、Biendata等平臺的比賽，享受優(yōu)化模型的摧殘。
Kaggle的優(yōu)點是有各種kernel可以學(xué)習(xí)，國內(nèi)比賽的優(yōu)點是中文數(shù)據(jù)方便看case。建議把兩者的優(yōu)點結(jié)合，比如參加一個國內(nèi)的文本匹配比賽，就去kaggle找相同任務(wù)的kernel看，學(xué)習(xí)別人的trick。同時多看些頂會論文并復(fù)現(xiàn)，爭取做完一個任務(wù)后就把這個任務(wù)技巧摸清。