SciTech-Mathmatics-ProbabilitiesAndStatistics-Distribution-is-all-you-need: 概率统计到深度学习

Distribution-is-all-you-need

概率统计到深度学习，四大技术路线图谱，都在这里！

https://github.com/graykode/distribution-is-all-you-need

自然语言处理路线图: 数学基础 -> 语言基础 -> 模型和算法

项目作者：Tae-Hwan Jung, Github:graykode,

2019-09-30 13:35, 选自Github

自然语言处理很多时候都是一门综合性的学问，它远远不止机器学习算法。

相比图像或语音，文本的变化更加复杂。

例如从预处理来看，NLP 就要求我们根据对数据的理解定制一种流程。

而且相比图像等更偏向感知的智能，自然语言包含更高一级的智能能力，

不论是承载思想、情感还是推理。

那么要怎样学习NLP自然语言处理，有什么比较好的路线吗？

通常而言，在数学和机器学习的基础上，

我们还需要了解自然语言的规则与现象，

这样才能进一步探讨该怎样处理自然语言。

本文介绍刚刚发布的一个开源项目，

韩国庆熙大学本科生 Tae-Hwan Jung 总结的一套 NLP 的技术路线图。

值得注意的是，Tae-Hwan Jung 此前已经开源了很多优秀的项目，

包括 4.3k+ star 量的 NLP 教程。

项目地址：https://github.com/graykode/nlp-roadmap

Tae-Hwan Jung 表示，本项目面向对 NLP 感兴趣的学生，

该路线图提供了学习 NLP 的思维导图及关键词信息，

它覆盖了从概率/统计到 SOTA NLP 模型的素材。

如上所示为 NLP 的技术基石，最基础的当然还是数学和算法方面的知识，此外语言学和机器学习知识也必不可少。再往上主要是文本挖掘与 NLP，在作者看来，前者更偏向于常规的算法与浅层机器学习模型，后者更偏向于深度学习模型。

四大技术线路图

如下从概率和统计到深度学习方法展示了四大技术路线图，它们从基石到高层展示了完整的知识领域。

概率与统计

机器学习

文本挖掘

自然语言处理

关键词之间的关系可能解释得比较模糊，因为是以语义思维导图的方式表示的。

读者们只需要看方框内的关键词就行，把它们当作必学部分；

一张图容纳如此多的关键词和知识点; 因此，请切记该路线图只是一种思路或者建议；