原文：
www.kdnuggets.com/2018/02/5-fantastic-practical-natural-language-processing-resources.html
评论
你对一些实际的自然语言处理资源感兴趣吗？
在线有很多 NLP 资源，尤其是那些依赖于深度学习的方法，筛选出优质资源可能是一项艰巨的任务。这里有一些知名的、顶级的理论性资源，尤其是斯坦福和牛津的深度学习课程：
1. 谷歌网络安全证书 - 快速进入网络安全职业。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT
但如果你已经完成了这些，已经建立了 NLP 基础，想要转向一些实际资源，或者对其他方法感兴趣（这些方法可能不依赖于神经网络），这篇文章（希望）会对你有帮助。
1. 用 Python 进行自然语言处理 – 使用自然语言工具包分析文本
这是最基础的自然语言处理书籍，至少从实用性和 Python 生态系统的双重视角来看。
这本书提供了对 NLP 领域的高度可读的介绍。它可以用于个人学习，也可以作为自然语言处理或计算语言学课程的教材，或作为人工智能、文本挖掘或语料库语言学课程的补充材料。
正如标题所示，这本书通过使用自然语言工具包（NLTK）来处理 NLP，你可能已经听说过，或者需要立即开始学习。
NLTK 包括大量的软件、数据和文档，所有这些都可以从
nltk.org/免费下载。我们为 Windows、Macintosh 和 Unix 平台提供了分发版本。我们强烈建议你下载 Python 和 NLTK，尝试其中的示例和练习。
这本书的最佳部分在于直接切入主题；没有废话，只有大量的代码和概念。
这是与 Jon Krohn 的深度学习 NLP 视频系列配套的 Jupyter 笔记本库。这些笔记本直接从他的视频演示中提取，因此内容几乎没有遗漏。小贴士：如果你有兴趣观看他的视频——这些视频通过 O'Reilly 的 Safari 平台提供——可以注册免费的 10 天试用，并在到期前观看几小时的视频。
这是 Jon 在这些笔记本和配套视频中覆盖内容的概述：
如果你想学习如何：
- 为机器学习应用预处理自然语言数据；
- 将自然语言转换为数值表示（使用 word2vec）；
- 使用训练好的深度学习模型进行预测；
- 使用 Keras（高层次的 TensorFlow API）应用高级 NLP 方法；或者
- 通过调整超参数来提高深度学习模型的性能。
笔记本、视频以及你自己环境的结合，是打发漫长下午的好方法。
这是另一套很棒的笔记本教程，风格上类似于上面的 Krohn。
Insight AI 的 Emmanuel Ameisen 拆解了完成各项任务所需的步骤，但他的总结文章真正出色地将课程内容结合起来，并提供了一些很好的可视化效果。
阅读本文后，你将知道如何：
- 收集、准备和检查数据
- 从构建简单模型开始，如有必要过渡到深度学习
- 解释和理解你的模型，确保你实际上在捕获信息而不是噪声
我们编写了这篇文章作为逐步指南；它也可以作为非常有效的标准方法的高级概述
4. Keras LSTM 教程 – 如何轻松构建强大的深度学习语言模型
这个教程比之前的资源更为专注，因为它涉及在 Keras 中实现 LSTM 用于语言建模。就是这样。但它详细地进行了说明，包括解释、代码和视觉展示，并且传达了重点。与其他资源相比，它所需的时间更少，你可以在几个小时内完成从头到尾的学习，包括自己复现代码。
在这个教程中，我将重点介绍如何在 Keras 中创建 LSTM 网络，简要回顾或概述 LSTM 的工作原理。在这个 Keras LSTM 教程中，我们将利用一个名为 PTB 语料库的大型文本数据集来实现一个序列到序列的文本预测模型。
5. 结合 LSTM-CNN 模型的 Twitter 情感分析
我故意寻找了一个新的情感分析资源来包含在其中，原因是：人们向我询问优质情感分析资源的请求比其他任何东西都要多。
这个较短的教程帖子 -- 这是一个论文的概述，包含代码在此 -- 使用了结合 LSTM/CNN 的方法来分析情感。这个项目展示了不同的架构，并报告了不同的性能。
我们的 CNN-LSTM 模型的准确率比 CNN 模型高出 3%，但比 LSTM 模型低 3.2%。与此同时，我们的 LSTM-CNN 模型比 CNN 模型好 8.5%，比 LSTM 模型好 2.7%。
我不能独立认可该项目的结果；然而，创新的情感分析方法（以及它作为情感分析资源的事实）以及将不同神经网络架构混合在一起，是我将其包含在此列表中的原因，尽管它的长度较短。
相关内容：
-
5 个免费的深度学习自然语言处理入门资源
-
自然语言处理关键术语解释
-
处理文本数据科学任务的框架