深度学习英语好吗，2017年深度学习在NLP应用方面有哪些重大进展和趋势？
【这5种资源为你打开 NLP和深度学习的交叉点眼界!】
其他答主对于深度学习在NLP应用方面的重大趋势和进展已经阐述的比较详细，因此，本文将会推上一盘新鲜的干货，为大家带来5个有关深度学习在NLP应用方面的资源介绍，希望通过这些资源你可以更多的了解NLP和深度学习的那些小火花！
可能很多人都会有兴趣将深度学习应用于自然语言处理，但又不知道从何开始。今天的这5种资源是为外行人准备的集合，可能会对你有一些用处。
1.为NLP而生的深度学习(http://lxmls.it.pt/2014/socher-lxmls.pdf)这是斯坦福大学的Richard Socher和MetaMind最初在里斯本机器学习暑期学校授予的一组幻灯片。你会发现它是一个很好的关于NLP和深度学习的入门书。
2.深度学习应用于NLP这是Marc Moreno Lopez和Jugal Kalita的一份调查报告。以下是摘要：
卷积神经网络(CNN)通常与计算机视觉相关联。 CNN负责图像分类的重大突破，这是当今大多数计算机视觉系统的核心。最近CNN已被应用于自然语言处理中的问题，并得到了一些有趣的结果。在本文中，我们将尝试解释CNN的基础知识、它的不同变体以及它们如何应用于NLP。
这是一个比下面的文章更简洁的调查，而且做的很好，仅仅是1/5的长度。
3.自然语言处理的神经网络模型入门(http://u.cs.biu.ac.il/~yogo/nnlp.pdf)Yoav Goldberg全面概述。摘要：
本教程从自然语言处理研究的角度对神经网络模型进行了研究，试图使自然语言研究人员加速使用神经技术。本教程涵盖自然语言任务、前馈网络、卷积网络、递归网络和递归网络的输入编码，以及用于自动梯度计算的计算图抽象。
除此之外，您可能还想阅读Yoav最近发布的一组博客文章，尽管该文章讨论了同样的主题，但是是从另一个角度来看。
·“对抗性自然语言生成”的对抗性回顾
·对《纳特朗的对抗性学习》进行了“对抗性审查”
·对YannLeCunâ响应的回应
不管你的职位是什么(你是否应该有一个“职位”)，这句话的价值绝对堪比黄金：
“我反对的是“深度学习社区”进入一个领域的趋势(包括NLP)，他们对此只有非常肤浅的理解，并且在不花时间去了解问题领域的情况下，做出宽泛而未经证实的声明。”
4.用深度学习进行自然语言处理(斯坦福大学)(http://web.stanford.edu/class/cs224n/)这是Chris Manning&Richard Socher任教的最受欢迎和备受推崇的NLP课程之一。
该课程全面介绍了应用于NLP的深度学习的尖端研究。在模型方面，我们将介绍词向量表示，基于窗口的神经网络、递归神经网络、长期短期记忆模型、递归神经网络、卷积神经网络以及一些涉及存储器组件的最新模型。
如果您有兴趣直接跳到演讲视频，请关注(https://www.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6)
5.自然语言处理的深度学习(牛津)(https://www.cs.ox.ac.uk/teaching/courses/2016-2017/dl/)这是来自顶尖大学的优秀的课件资源，由PhilBrensom在牛津大学教授的。
这是关于自然语言处理的高级课程。自动处理自然语言输入和生成语言输出是人工智能的关键组成部分。人类交流中固有的含糊和噪音使传统的符号AI技术无法用于表示和分析语言数据。最近，基于神经网络的统计技术在自然语言处理方面取得了许多显著成就，引起了该领域的大量商业和学术兴趣。
您可以直接通过此链接访问课程材料Github存储库。(https://github.com/oxford-cs-deepnlp-2017/lectures)
想学深度学习？
深度学习入门建议看吴恩达的深度学习，讲得非常好，只要稍微有点统计学，概率论基础，知道向量和矩阵就能听懂。先是介绍了神经网络，反向传播等基础。后面也有自然语言处理，图像处理等案例，如基础的自然语言模型，词嵌入，目标识别，图像分类等。介绍了一些基础的模型。
都是免费的课，可以选择去官网学习，官网上还有习题可以做，也可以选择在b站或者网易云课堂上看。
附百度百科:吴恩达（1976-，英文名：Andrew Ng），华裔美国人，是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人（with Daphne Koller）。
人工智能机器学习和深度学习的区别是什么？
人工智能、机器学习和深度学习的区别是什么？区别在于主体是人还是机器人，对于机器人而言，除了情感和爱，其他动作和思维，通过程序运算，就能得到答案。
而人顺势而为，按照客观规律办事，就要懂人工智能算法机制和推荐机制，机器人在学习，我们也在学习。
不管存在机器人和人竞争生存空间，但是事实上机器人已经代替绝大部分人力岗。因为机器更精准，成本更低，维修保养的费用更少。
相比人的优势并不那么明显，除了管理岗和技术位，普工和可以被机器人代替的岗位，则要失去更多主动权。
人工智能本身就是机器人，而机器学习本身也是人工智能算法机制的底层逻辑，暂时不知道人工智能是不是存在深度学习。
人的大脑是比人工智能还强大很多倍的“人工智能”而开发大脑，则需要更多的数据和逻辑运算提高我们大脑的运算能力和思辨能力。
在人的大脑里面，存在意识、浅意识、前意识。
而人的大脑也分数据存储区域和逻辑运算的区域。
我们知道大数据时代，人工智能最强大的几个系统，几乎都在互联网和移动互联网公司，比如贝索斯的亚马逊云，苹果的iCloud、阿里云，腾讯云和百度云，新人奖则是字节跳动的云。
人工智能的分发机制就是你越喜欢看什么，人家就越推的内容是什么，比如你喜欢美食，他就给你推荐各种美食博主，你喜欢软妹子，人家就给你推荐马尾跳、便装卡点的电视剧，你喜欢心灵鸡汤，则各种成功学和传统文化分享。
机器人也在学习人类的语言和思维，而且很多人工智能能够清晰掌握你购买商品的品牌、尺寸、以及颜色和喜好，甚至是时间。
人在这个自媒体世界，这个人工智能的世界，这个知识经济时代，我们必须掌握的十个思维：
第一、指数思维，每天强大一点点，你强大到令人发指。
第二、人工智能的算法机制和流量推荐机制。你可以懂得利用bug实现财务自由。
第三、流量变现的思维。流量就是钱，关注度和影响力就是资本。
第四、流量聚焦思维，所到之处，寸草不生，自媒体人赖以生存的基础就是热点事件和社会舆论。
第五、利他思维，水善万物皆不争，利他才是利己，终将成为我们成功路上的垫脚石。
第六、混沌思维，开启上帝视角，我们可以利用人工智能做事情，用深度思考启迪智慧，陶冶情操。
第七、逻辑思维，这个世界是发展的、联系的、变化的、同样也是矛盾的、对立的，找到其中的逻辑，很重要。
第八、因果思维，因果是一条线，可以究竟，可以圆满。
第九、团队思维，懂得造势借势，成为风口上的猪，你需要的不仅是思维和格局，还需要团队和资本。
第十、自控思维，自律是一种生活方式，掌控自己，才能控制情绪不要为自己的冲动和盲目买单。
针对什么样的人学习比较合适？
本人认为深度学习入门并不难，但是要想深入浅出那就得具备一定专业先验知识了。下面我就说说深度学习都需要掌握哪些知识吧。
1. 编程能力。所有与人工智能相关的方向，不具有一定的算法编写能力，那基本是不会有发展的。即使你数学精通，思维敏捷，但是不将其实践起来，那都是纸上谈兵。相对软件开发工程师，算法工程师的代码量不要求多，而是求精。代码的优化分为编程逻辑和调用算法两种，如果在你的代码中能够明显看出逻辑清晰，具有一定面向对象的格式那就更好了。当然像积分图像这种利用来源库计算也同样能提高运算效率。GPU上进行重复计算也是一种优化，随着硬件的完善，越来越多的应用都将移植到GPU上。
2. 数学基础。只会编程还远远不够，给你一套算法你都看不懂，那还怎么优化呢。无论你看论文还是实验都需要看懂并能优化这些数学公式。例如，最简单的激活函数sigmoid的原型以及它与其它激活函数的比较，适合哪些场景，这些不懂数学怎么能行呢。
3. 英语能力。人工智能领域的核心论文(例如ICCV等)都是英文文献，你英语阅读不好，就会影响你的理解与效率。所以，基本的计算机和相关领域英语常识是必备的。
总之，要想入门深度学习并不难，但是我们不能只局限于触手可得的事情，更应该抱着一颗勇攀高峰的心，努力前行。
如有疑问，下方留言，让我们共同进步。
关于【深度学习英语好吗】和【2017年深度学习在NLP应用方面有哪些重大进展和趋势】的介绍到此就结束了，热烈欢迎大家留言讨论，我们会积极回复。感谢您的收藏与支持！、
发表评论