- 作者：王冰
- 类别：深度学习，自然语言处理，机器学习，编程相关，论文写作，其他
- Github地址：https://github.com/wbbeyourself/UsefulNotes
- 时间：2020年5月
[TOC]
时光荏苒，研究生三年的时光一晃而过。临近毕业之际，出于自我反思和自由分享的初心，整理了这么一份资料，既是对自我学习成长之路的梳理，同时也希望给学弟学妹们以借鉴，节省宝贵时间，早日入门NLP。
注：以下笔记内容纯属个人观点，仅供参考，表述不当或者存在错误的地方还请多多批评指正。
- 邱锡鹏老师-神经网络与深度学习 复旦大学邱老师的书，刚出的，这些是电子版的，强烈推荐，很好的基础理论介绍的资料。
- 深度学习500问 深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。
- 某深度学习课程大纲 这套课程是我研一入学第一个月买的一个DL课程，算是在深度学习的一门启蒙课程吧。一般刚接触DL的人大致都需要熟悉这些方面的知识。现在想想当时真是傻，花钱买门网课，最后也没完全看完。不过外国人的上课方式就是生动有趣，分分钟让你上头。这年头很多优质的资料都是免费的，但需要你投入足够多的时间去消化。而这些入门课程，在某种程度上，对原始内容进行了某种程度降维，更加容易理解罢了。
- 某课程视频链接youtube 这里我当时只保存了一部分链接，感兴趣的可以看看。
- 学习率如何调节小例子 这是课程的一个小例子，教你学会如何根据loss来调节学习率，就是这种小例子很容易让人理解。
- 关于word_embedding 从one hot 到 word2vec的演变。其实后面BERT、ELmo等各种表示层出不穷。
- 关于激活函数 激活函数的核心：将原来只能拟合线性函数的神经网络，摇身一变，可以拟合非线性函数，这样达到可以拟合任意函数的效果了。
- 文本分类的优秀示例 这是一篇知乎看山杯的比赛夺冠记录，里面将常用文本分类模型都介绍了一遍，非常值得学习。
- 详解MNIST数据集 图像识别demo，或者CNN的demo绝对绕不开这个手写数字识别数据集，超级经典。
- LSTM经典解读博客 这个是英文原版的，也可以看中文翻译版。
- RNN到LSTM最清晰易懂的视频 这里面提到的视频和博客是我见过关于【RNN到LSTM演变】讲的最清晰的。
- 关于BatchNormalization精华解读 这是我从知乎回答里精选的内容，概括了BatchNormalization的本质。
- 各种优化器的区别 各种优化器，SGD、Adam是不是把你搞晕了，这里能解答你的疑惑。
- Encoder-Decoder模型笔记 非常简洁，10分钟就能理解。
- BiLSTM-CRF最清晰易懂的解读 这里面分了几个小部分，拆分讲解，生动形象，英文很容易懂，别怕，学会英文自由阅读就再也不怕被错误翻译给误导了有木有。
- Transformer最佳解读-英文 中文版的可以参考夏目博客。还可参考张俊林谈Attention 和 《Attention is All You Need》浅读（简介+代码）。
- Transformer实战 这是我的博客，一行一行代码分析解读，超级详细。
- 关于Attention Model及其本质 一文搞懂Attention的本质。
- Seq2Seq详解 揭开风靡一时的Seq2Seq的神秘面纱。
- BERT学习 BERT学习相关链接汇总。
- pandas常用api pandas常用的api汇总。
- 关于深度学习的困惑 我的一些困惑，估计大家也会遇到，慢慢来，见多了就熟悉了，就会自己搞模型了。
- ACL Anthology NLPer最大的福音，一站在手，NLP论文我有。
- AI会议投稿倒计时 再也不用去各个网站看会议call for papers的截止日期了，这里全给你汇总了。
- 初学者如何查阅自然语言处理(NLP)领域学术资料 关于论文查阅、NLP会议相关的资料的总结。
- NLP应用场景 NLP技术有哪些应用呢，你一定很好奇吧？这里列举几个典型应用。
- NLP有意思的问题汇总、典型的NLP例子 非常有意思
- NLP思维导图 NLP体系思维导图
- NLP入门推荐 NLP入门推荐资料，还没整理完，这只是一部分。
- 论文中出现的各种数据集缩写解释 现在数据集层出不穷，缩写也一大堆，搞得很晕，我这里整理一下。
- TF-IDF与余弦相似性的应用 经典有简洁的一项技术，介绍了在自动提取关键词上的应用。代码实现
- CBOW和Skip-Gram对比 其实很简单，两句话就能说清楚。
- 神器FastText 目前最高效的文本分类工具，爱了爱了。原理可以看这里FastText原理。
- 中文文本分类工具箱 中文文本分类，TextCNN，TextRNN，FastText，TextRCNN，BiLSTM_Attention, DPCNN, Transformer, 基于pytorch，开箱即用。业界良心啊。
- 关于模型融合方法 差异性越大，模型融合效果越好。
- smp2018会议总结 这是我18年在哈尔滨和纪师兄参加的第一个正式学术会议，我们需要在技术评测报告环节进行赛题解决方案汇报，期间记录了一些感兴趣的报告内容。希望大家也养成随手记录的习惯，会收益颇丰。
- 使用Keras进行深度学习系列 这是一个系列，看目录就知道，我最喜欢这种系统性的教程，由浅入深，清晰全面。
- TextCNN模型相关 TextCNN模型相关介绍，代码实现，原始论文解读等。
- 用深度学习解决大规模文本分类问题-综述和实践 写得非常好的一篇关于文本分类的综述性文章。
- 标注偏置问题 CRF模型解决了标注偏置问题，去除了HMM中两个不合理的假设，当然，模型相应得也变复杂了。
- 一文搞懂HMM（隐马尔可夫模型） HMM是CRF的前身，值得了解。
- 论文阅读总结——Chinese NER Using Lattice LSTM Lattice论文解读，可以了解一下。
- Attention本质理解
- 神经机器翻译(NMT)发展脉络综述 参考2017年 神经机器翻译综述 作者：李亚超，熊德意，张民 刊物：计算机学报
- CHIP往届比赛调研 一个问句相似度匹配计算的任务，我当时和中科院自动化的同学一起打的，这是我对往届的调研资料。比赛数据下载
- BERT论文笔记 横扫各大NLP任务的BERT，你确定不看一眼吗？
- BERT相关链接
- 从Word Embedding到Bert模型—自然语言处理中的预训练技术发展史 张俊林老师写的综述，我资料里很多优质内容都出自于张老师之手，是这个领域的资深专家。
- 国内知名的自然语言处理(NLP)团队 这篇博客发表于2018-02-27，最新的情况会有些出入，但可以参考。
- 深度学习500问 深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。
- 如何解释召回率与准确率-知乎 Accuracy、Precision、Recall、F1-score
- Regularization正则化 L1、L2正则化的本质
- 随机森林(Random Forest) 随机森林就是通过集成学习的**将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。
- 聚类效果好坏的评价指标
- ROC曲线 ROC 曲线是根据一系列不同的二分类方式（分界值或决定阈），以真阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制的曲线。
- 数据增强 简单来说就是一种扩充数据的手段。
- kaggle解题常规思路
- 机器学习二分类问题评价指标 换一个角度理解二分类评价指标，发现也就那么回事。
- ML_DL常考知识点 我自己总结的，问题答案都有。
这块设计内容较广，也是我们平常最经常会遇到问题的地方，不过由于知识点过于琐碎，就不列举了。而且这块的学习一般也是遇到问题，然后去搜索答案。以下我把一些理念性的东西分享一下。
- 程序设计基本原则 这是我一贯秉持的设计理念，需要用心体会。
- 不会Git不是一个合格的程序员 Git不仅是个时光穿梭机，更重要的是可以看到版本迭代的点点滴滴。
- Git Flow工作流总结 多人协作开发，Git Flow协同开发模式少不了。
- 鸟哥的私房菜 Linux入门必看书籍，相信我最多花一周的时间，你就能掌握90%以后常用的命令。
- Anaconda入门使用指南
- Python 2.7.x 和 3.x 版本的重要区别
- 阿里巴巴Java开发手册终极版v1.3.0 重点关注一下编程规约部分。
- C心得 这是本科搞算法比赛那段时间总结的，用C撸代码，记录一些心得和常用的函数等。
- 沈向洋：读论文的三个层次 1、快速阅读：划分结构层次；2、仔细阅读：批判思维；3、创造性阅读：积极思考。
- 如何阅读学术文献
- 以AM为例谈谈两种研究创新模式 分别是：应用创新（已有模型引入到新任务）；模型创新（对模型本身的改进）。
- 清华刘知远-如何写一篇合格的NLP论文
- 宗老师教你写毕业论文 中科院自动化所 宗成庆老师手把手教你写毕业论文。
- **科学院兰艳艳之《论文写作小白的成长之路》 B站地址：戳这里
- 施一公：如何提高英文的科研写作能力
- 制作清晰简洁的学术汇报PPT只需学会这几招 列举了两个典型的PPT，说明学术汇报PPT的制作的要点。
- 如何审稿 从审稿人的角度反思自己论文写作。
- 提问的智慧 好的提问方式会让别人更乐意帮助你，你的问题就会更快得到解答。
- 知其所以然之永不遗忘的算法 我们以为自己已经掌握了某些算法，其实只不过是在背诵别人发明的算法，就像我们背诵历史书上的那些事件一样，时间久了就会遗忘。只有探寻算法背后那“曲径通幽”的思维之路，并且经历了思维之路的磨难，才说得上你真正懂了算法。
- 我的工具箱 我常用软件集合
- Http状态码手册
感谢各位看到这里，如果觉得本文有帮助到你的话，右上角点个star吧，谢谢啦。