时隔两年，斯坦福NLP标准公开课CS224N将再次开放视频

你知道怎么入门 自然语言处理 么？当然是大名鼎鼎的斯坦福公开课 CS224N 了，它和计算机视觉方面的课程 CS231n 堪称绝配。但是自 2017 年以来，NLP 有了很多重大的变化，包括 Transformer 和预训练语言模型等。目前开放的视频仍然是 17 年年初的课程，很多激动人心的前沿模型都没有介绍。不过在最近展开的 CS224N 2019 的课程中，其表明这一次的课程视频将放到 YouTube 上！

课程地址：http://web.stanford.edu/class/cs224n/

CS224N 是一门关于自然语言处理的专项课程，虽然有很多公开课都会涉及循环神经网络或语言建模等内容，但很少如它那样会系统地介绍自然语言处理任务。包括词嵌入、依存关系解析、神经机器翻译、语音识别和语义消歧等。此外在 19 年的新课程中，它还会重点介绍最近非常流行的 Transformer 和预训练表征，这些系统化的新内容真的很令人期待。

在 17 年的课程中，CS224N 采用的是 TensorFlow，今年采用的是更加简洁的 PyTorch 。不过今年并没有专门介绍 PyTorch 的课时，所以还需要读者预先学习 PyTorch。

此外在 CS224N 2019 的课程主页上，它表明一旦课程完成，那么斯坦福计划将这些视频放到 YouTube 上。不过在 3 月 14 号结束课程后，斯坦福还需要一段时间处理视频，所以读者可先看看 17 年的视频。而其它 PPT 和作业都会随着课程的进行而放出来，所以我们也可以先看看课程资料。

讲师阵容

课程视频地址（目前仅提供 2017 年春季课程）：https://www.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6

关于 CS224n

自然语言处理（NLP）是信息时代最重要的技术之一，也是人工智能的关键部分。NLP 的应用无处不在，因为人们几乎用语言进行交流：网络搜索、广告、电子邮件、客户服务、语言翻译、医学报告等。近年来，深度学习方法在许多不同的 NLP 任务中获得了非常高的性能，其只需要使用单个端到端神经模型，而不需要传统的、任务特定的特征工程。在本课程中，学生将深入了解 NLP 深度学习的前沿研究。通过讲座、作业和最终项目，学生将学习设计、实现和理解他们自己的神经网络模型所需的技能。今年，CS224n 将首次使用 PyTorch，而不是 TensorFlow。

预备知识

熟练使用 Python：所有课程都需要用到 Python（具体来说，使用 NumPy 和 PyTorch）。如果你有很多编程经验，但使用不同的语言（例如 C / C ++ / Matlab / Java / Javascript），可能问题不大。

这个教程可能对那些不熟悉 Python 和/或 NumPy 的人有用： http://cs231n.github.io/python-numpy-tutorial/

大学微积分和线性代数：需要熟悉使用（多变量）导数，并理解矩阵/向量符号和运算。

概率和统计基础：需要熟悉概率的基础知识、高斯分布、均值、标准差等。

机器学习基础：模型构建过程涉及设计损失函数、求导数并通过梯度下降进行优化。如果已经拥有基本的机器学习和/或深度学习知识，那么课程将会更容易，但是即使不知道这些也可以学习 CS224n。HalDaumé的机器学习课程（http://ciml.info/）提供了一个平易近人的介绍。阅读该书的前 5 章可以获得很好的背景知识，阅读前 7 章会更好。

参考资料

以下书籍对于本课程学习非常有用，但不是必要的。感兴趣的读者可自由选择，所有的书籍都能在线免费阅读。

• Dan Jurafsky and James H. Martin.《Speech and Language Processing (3rd ed. draft)》

• 地址：https://web.stanford.edu/~jurafsky/slp3/

• Jacob Eisenstein.《Natural Language Processing》

• 地址：https://github.com/jacobeisenstein/gt-nlp-class/blob/master/notes/eisenstein-nlp-notes.pdf

• Yoav Goldberg.《A Primer on Neural Network Models for Natural Language Processing》

• 地址：http://u.cs.biu.ac.il/~yogo/nnlp.pdf

• Ian Goodfellow, Yoshua Bengio, and Aaron Courville.《Deep Learning》

• 地址：http://www.deeplearningbook.org/

• Eugene Charniak.《Introduction to Deep Learning》

• 地址：https://mitpress.mit.edu/books/introduction-deep-learning