以下是作为一个NLP小白根据自己得到的有限的经验的总结，不一定准确。
在深度学习时代，自然语言处理最大的一个变化，就是可以绕开基础特征直接进行上层应用了。过去做文本分类或者机器翻译，需要手动设计各种各样的特征，但是换成现在的端到端架构，只需要有输入文本和输出标签，模型自己就可以学习。
所以我们对于深度学习时代的自然语言处理进行归纳的时候，没有采用传统的词法、句法、语义的分类方式，而是把NLP归为了以下四类任务：
1.分类
用于分类的传统机器学习算法有很多，但是无一例外需要构造大量的人工特征。传统的机器学习算法包括支持向量机、贝叶斯分类器、逻辑回归、决策树、随机森林、boosting等等，但是鉴于现在的小孩都不会特征工程了，还是不要用了比较好。
2.序列标注
传统的序列标注方法无非就是条件随机场，而且也确实取得了很好的效果，深度学习在这类任务上的提升并不算惊艳，按理说是有必要学习一下的。但是条件随机场还是需要特征工程，而且最关键你肯定看不懂推导，所以还是不要用了比较好。
3.文本匹配
本质上是给两段文本，判断其关系的一个任务。常用的算法比如TF-IDF，BM25，LSA，LDA等等。这些方法的本质无非是提取对于文本的表征，既然涉及到表征，肯定是不如词向量的，所以还是不要用了比较好。
4.生成式任务
这一块任务在深度学习出现之前，用传统的机器学习几乎没办法做，而且直到现在也是一块难题。
上面是按所完成的任务的一个分类，我们还可以按照具体的应用分一下类：
1.情感/主题分析
本质上还是一个分类任务，只要有数据，直接送进网络里就好。
2.问答/对话
虽然大家都说生成式是未来发展的趋势，但是就现在来看还是检索式居多。所以手写规则、模板可能是免不了的。
3.推荐/检索
因为这一块内容涉及到的往往不止文本，而且也和应用场景有关，所以传统机器学习的应用还是很多。
4.复述/摘要/生成
非常典型的一个端到端的任务，只要有数据，直接送进网络里就好。
5.知识图谱
与NLP相关的部分主要是知识图谱的构建，包括实体识别、实体关系抽取、实体消歧等。构建好的知识图谱可以为推荐或者检索提供丰富的特征和信息。
6.机器翻译
也是非常典型的一个端到端的任务，只要有数据什么都好说。最近感觉已经做到瓶颈地带了。
7.机器阅读理解
根据kawhi同学的评论，机器阅读理解同知识图谱一样，也是为诸如问答之类的场景提供特征和信息的。这一块我不是很了解。
最后，总结一下本文想要表达的主题：统计自然语言处理中的大部分知识，在深度学习时代都已经黯然失色，但是一些最经典的传统机器学习方法还是有必要掌握的。