本文经AI新媒体量子位（大众号 ID: QbitAI）授权转载，转载请联络出处。
一只萌新，想把自己修炼成一个老练的NLP研究人员，要通过一条怎样的路？
有个名叫Tae-Hwan Jung的韩国小伙伴，做了一份完好的思想导图，从根底概念开端，到NLP的常用办法和闻名算法，知识点全面掩盖。
能够说，从0到1，你需求的都在这儿了：
这份精美的资源刚刚上线，不到一天Reddit热度就超越400，取得了连篇的赞许和谢意：
“肥肠感谢。”“我需求的便是这个！”“哇，真好啊！”
所以，这套丰富的思想导图，都包含了哪些内容？
四大版块
就算你早年什么都不知道，也能够从第一个版块开端入门：
1 概率&计算
从中心的灰色方块，发散出5个方面：
根底 (Basic) ，采样 (Sampling) 、信息理论 (Information Theory) 、模型 (Model) ，以及贝叶斯 (Baysian) 。
每个方面，都有许多知识点和办法，需求你去把握。
究竟，有了概率计算的根底，才干昂首阔步进入第二个板块。
2 机器学习
这个版块，一共有7个分支：
线性回归 (Linear Regression) 、逻辑回归 (Logistic Regression) 、正则化 (Regularization) 、非概率 (Non-Probabilistic) 、聚类 (Clustering) 、降维 (Dimensionality Reduction) ，以及练习 (Training) 。
把握了机器学习的根底知识和常用办法，再正式向NLP进发。
3 文本发掘
文本发掘，是用来从文本里取得高质量信息的办法。
图上有6个分支：
根本流程 (Basic Procedure) 、图 (Graph) 、文档 (Document) 、词嵌入 (Word Embedding)、序列标示 (Sequential Labeling) ，以及NLP根本假定 (NLP Basic Hypothesis)。
汇集了NLP路上的各种必备东西。
4 自然言语处理
装备齐了，就该实践了。这也是最终一张图的中心思想：
尽管只要4个分支，但内容丰富。
一是根底 (Basic) ，具体梳理了NLP常用的几类网络：循环模型、卷积模型和递归模型。
二是言语模型 (Language Model) ，包含了编码器-解码器模型，以及词表征到上下文表征 (Word Representation to Contextual Representation) 这两部分。许多闻名模型，比方BERT和XLNet，都是在这儿得到了充沛拆解，也是你需求努力学习的内容。
三是分布式表征 (Distributed Representation) ，许多常用的词嵌入办法都在这儿，包含GloVe和Word2Vec，它们会一个个变成你的好朋友。
四是使命 (Task) ，机器翻译、问答、阅览了解、心情剖析……你已经是合格的NLP研究人员了，有什么需求，就调教AI做些什么吧。
看完脑图，有人问了：是不是要把各种技能都完成一下？
韩国少年说：“不不，你不必把这些全完成一遍。找一些感觉风趣的，完成一波就好了。”
△ 作者Tae-Hwan Jung，来自庆熙大学
One More Thing
Reddit楼下，许多小伙伴对这套脑图表明崇拜，而且想知道是用什么做的。
韩国少年说，Balsamiq Mockups。
GitHub传送门：https://github.com/graykode/nlp-roadmap
Reddit传送门：https://www.reddit.com/r/MachineLearning/comments/d8jheo/p_natural_language_processing_roadmap_and_keyword/
