中文自然語言處理可能是 NLP 中最難的？
現如今，在更多情況下，我們通過感測器和位元組來與機器獲得交流，而不是依靠交換情感，那如何讓超級智慧機器能夠和人類正常交流溝通呢？
在人工智慧背景技術下，自然語言處理（NLP）技術被越來越多的人看好，並受到重視。
其中，以微軟小冰為代表的聊天機器人，如今卻成了網紅，迅速刷爆了微信和朋友圈，一個17歲純情少女懂禮貌、有素質和會作詩，眾多網友對她可是情有獨鍾！下面這幅圖是小冰的一個簡介。
那什麼是 NLP？
NLP (NaturalLanguage Processing) 是人工智慧（AI）的一個子領域。自然語言是人類智慧的結晶，自然語言處理是人工智慧中最為困難的問題之一，它是能夠讓人類與智慧機器進行溝通交流的重要技術手段。
NLP 的主要範疇有哪些？
NLP 作為一種人工智慧方法，能夠處理機器和人類自然語言之間的互動，即 NLP 幫助計算機機器以各種形式使用自然人類語言進行交流，包括進行分析、理解、改變或生成自然語言。主要涉及的範疇如下（維基百科）：
•中文自動分詞
• 詞性標註
• 句法分析
• 文字分類
• 資訊抽取
• 知識圖譜
• 問答系統和自動聊天機器人
• 機器翻譯
• 自動摘要
為什麼要學 NLP？
人工智慧的發展勢不可擋，不可否認,當前從事網際網路的人們已經制造出了海量的資料，未來還將繼續持續，其中包括結構化資料、半結構化和非結構化資料。
筆者發現，對於結構化資料而言，在大資料、雲端計算技術“上下齊心”的大力整合下，其技術基本趨向成熟和穩定，而半結構化、非結構化的資料，因其自身的複雜性，在當前和未來更多領域應用都具有很大的困難和挑戰。
而當前市場對於 NLP 技術人才的需求又非常急切，而且這種狀態將持續5-10年，大部分企業需要懂 NLP 技術的人來處理海量非結構資料。
對於大多數人來說，學完一門技術，最終的目的是找到自己滿意的工作，包括自己感興趣的領域、舒適的環境和高薪。
單純從高薪來看，不僅意味著很多 money，更是來證明自己優秀。下面是 BOSS 直聘上對 NLP 技術人員的待遇需求，可以看到僅僅是NLP開發工程師（當然要懂演算法）薪資在30-60k。
如何入門中文 NLP ？
作為初學者，筆者當初也是走過很多彎路。其中很重要的一點是，我們常常遇到這樣的尷尬。
網上大部分自然語言處理內容都是英文為基礎，大多數人先是學好了英語的處理，回頭來再處理中文，卻發現有很大的不同，這樣不僅讓中文自然語言處理學習者走了彎路，也浪費了大量時間和精力。
中文的處理比英文複雜的多，網上中文相關資料少之又少，國內純中文自然語言處理書籍只有理論方面的，卻在實戰方面比較空缺，這讓中文自然語言處理的學習者感到舉步維艱，很難下筆。
對於這樣的難點，是不是認為中文 NLP 就很難學呢？答案是：非也。相反筆者認為，入門中文 NLP 最快的捷徑就是以小數量的例項，邊學邊實戰。
因此，本場達人課，定位為中文自然語言處理初學者邊學邊實戰的入門級教程，筆者希望從中文實際出發，針對中文語料以小資料量的“簡易版”例項，通過實戰帶大家快速掌握NLP在中文方面開發的基本能力。
課程共19節，目錄如下：
第01課：中文自然語言處理的完整機器處理流程
第02課：簡單好用的中文分詞利器 jieba 和 HanLP
第03課：動手實戰中文文字中的關鍵字提取
第04課：瞭解資料必備的文字視覺化技巧
第05課：面向非結構化資料轉換的詞袋和詞向量模型
第06課：動手實戰基於 ML 的中文短文字分類
第07課：動手實戰基於 ML 的中文短文字聚類
第08課：從自然語言處理角度看 HMM 和 CRF
第09課：一網打盡神經序列模型之 RNN 及其變種 LSTM、GRU
第10課：動手實戰基於 CNN 的電影推薦系統
第11課：動手實戰基於 LSTM 輕鬆生成各種古詩
第12課：完全基於情感詞典的文字情感分析
第13課：動手製作自己的簡易聊天機器人
第14課：基於 HanLP 分詞的命名實體提取
第15課：基於 CRF 的中文命名實體識別模型實現
第16課：知識挖掘與知識圖譜概述
第17課：Neo4j 從入門到構建一個簡單知識圖譜
第18課：中文自然語言處理的應用、現狀和未來
學完本課程我能收穫什麼？
學完本課程，按照課程給出的簡易版案例，你將知道如何快速進行中文語料的處理，包括分詞、關鍵字提取等，並通過資料視覺化手段熟悉和了解你的資料。緊接著通過詞袋或者詞向量，把文字資料轉換成計算機可以計算的矩陣向量。
後續從機器學習簡單的有監督分類和無監督聚類入手，到機器情感分析、深度學習神經網路的應用，以及掌握簡易聊天機器人和知識圖譜的構建過程。
無論是初入 AI 行業的新人，還是想轉行成為AI領域的技術工程師，本場達人課帶你直觀、高效地瞭解 NLP 開發的流程，全方位提升你的技術實力與思維方式，收穫中文自然語言處理方面的技能和知識。
