目前人工智能技术已经发展到一定程度，人工智能爱好者里面有不少有趣的人，他们开发了一个人工智能伪原创工具，这工具叫做小发猫AI+，工具开发的目的其实不是用来伪原创，但是在国内，又被一些人硬生生拿来做伪原创了。除了无奈也改变不了什么了。
自己体验一下 ------------> 小发猫官网
百家号伪原创工具有哪些？有时当我被问到两次问题时，我觉得我应该把这个问题的答案整理成一篇文章。出于这个原因，为了节省我未来的时间，今天我写了一篇关于“如何开始使用NLP”的文章。
在您阅读以下信息之前，我想先解释一下。这些信息可能只是一个非常通用的引物（可能不完整）。为了避免阅读大量材料，我对每种材料进行了简单的描述和难度评估。编程语言，我建议使用Python。
在线课程
Dan Jurafsky和Chris Manning：自然语言处理[一个很好的视频课程]
斯坦福CS224d：自然语言处理的深度学习[本课程包含许多优秀的机器学习算法，NLP中的深度学习和神经网络架构]
Coursera：自然语言处理入门[NLP的密歇根大学入门课程]
各种开源库
spaCy（官方网站，博客）[Python；新兴的开源库和非常好的使用示例，完整的API文档，演示示例]
自然语言工具包（NLTK）（官方网站，书籍）[Python； NLP入门库，主要用于教学]
Stanford CoreNLP（官方网站）[Java，高质量分析工具]
更活跃的博客
自然语言处理博客（HalDaumé）
谷歌研究博客
语言日志（Mark Liberman）
图书
语音和语言处理（Daniel Jurafsky和James H. Martin）[经典NLP书籍，包括基础知识，第三版也即将出版]统计自然语言处理基础（Chris Manning和HinrichSchütze）[许多先进的统计NLP方法]
信息检索简介（Chris Manning，Prabhakar Raghavan和HinrichSchütze）[排序和搜索的经典书籍]
自然语言处理中的神经网络方法（Yoav Goldberg）[NLP中的深度学习，这里的入门]
杂
如何在TensorFlow中构建word2vec模型[教程]
NLP资源的深度学习[按主题组织一些高级深度学习资源]
最后的话：计算语言学和深度学习 - 看自然语言处理的重要性。 （克里斯曼宁）[文章]
分布式表示的自然语言理解（Kyunghyun Cho）[NLU的ML / NN方法的独立解释]
用眼泪进行贝叶斯推理（Kevin Knight）[教程]
计算语言学协会（ACL）[期刊]
Quora：我如何学习自然语言处理？
小项目和数据集
在这里写一张图片描述
Nicolas Iderhoff创建了NLP数据集的公开列表。除此之外，我还为任何想要入门的小伙伴组织了一些小项目：基于隐马尔可夫模型（HMM）实现词性（POS）标记器
实现CYK算法以解析无上下文语法
实现文本集合中两个给定单词之间的语义相似性，例如逐点互信息（PMI）
实施朴素贝叶斯分类器来过滤垃圾邮件
根据单词之间的编辑距离实施拼写检查
实现马尔可夫链文本生成器
使用潜在Dirichlet分配（LDA）实现主题模型
使用word2vec从大型文本语料库生成单词嵌入，例如维基百科
社交媒体上的一些主题
Twitter：#nlproc，NLPers列表（由Jason Baldrige提供）
Reddit：/ r / LanguageTechnology
中：Nlp