自然语言处理系列：开篇

这个系列的起因

前几天在网上意外搜到了自然语言处理（Natural Language Processing， NLP）的学习路线图（roadmap，点这里），一共四张，分别介绍了概率&统计、机器学习、文本挖掘（NLP背景）和基于深度学习的自然语言处理，仔细看下来，既欣喜又惭愧。欣喜的是地图内容全面而有条理，通篇下来几无废话又几乎涵盖了一名NLP工程师应该具备的所有素养；惭愧的是自己号称是研究自然语言处理的，但是还有大量的内容理解不到位甚至是没听过。因此决定按图索骥，对照着roadmap将这些内容进行全面的学习、梳理，既可以充实、提高自己，又能够寓他人。
细数下来，自己的博士生涯还有近两年时光，要完成所有内容的梳理时间属实紧张；而且NLP本身也在迅速地发展，自知以有涯逐无涯确实有些自不量力。但是我相信，每天进步一点也是进步，何况我还有几十年的研究生涯。
培养一棵大树，最好是在十年前，其次是现在。

这个系列的框架

如上所言，这个系列的起因是那几张学习路线图，因此本系列的框架也会按照学习路线图来编排，共分为上述所言四个部分。 我会定期进行更新，每次更新选择四部分中某一部分的某一块内容，由浅入深。学习路线图虽是好的，但也有些不合适的地方，因此我不会照本宣科，必要时会对内容进行调整、增加和修改；随着内容的深入，全部内容的体系框架也会更加完整。也可能有朝一日能整理成册，以飨读者。

概率&统计

首先奉上本部分的学习路线图：

概率&统计有五部分内容，分别是概率论基础（Basic）、贝叶斯统计（Baysian）、采样（Sampling）、信息论（Information Theory）和基本的模型（Model）。概率论基础部分包含一些基本术语和常用的分布，是众多学习算法的基础；贝叶斯统计是现代机器学习的基石，是统计学与机器学习的联系的重要纽带；采样提供了解决很多复杂问题的新思路；信息论是解决机器学习问题的重要工具；基本的模型主要包含判别模型（Discrimination）和生成模型（Gerenative）两大类，理解了这两类模型，对日后更加复杂的机器学习算法/模型的学习大有裨益。

机器学习

先奉上学习路线图，具体的内容会逐步完善：

文本挖掘（NLP背景）

先奉上学习路线图，具体的内容会逐步完善：

基于深度学习的自然语言处理

先奉上学习路线图，具体的内容会逐步完善：