如果你对自然语言处理方面的资源感兴趣，请仔细阅读本篇文章。
<a href="https://pages.dataiku.com/data-science-poc-1?utm_campaign=Data%20Science%20POC&utm_source=kdnuggets-feb2018&utm_medium=display%20ad"><b>运行数据科学POC</b><b>的7</b><b>个步骤</b></a>
网上有很多依靠深度学习方法的NLP资源，有一些资源理论深厚，十分经典，特别是斯坦福大学和牛津大学的NLP，其深度学习课程为：
但是如果你已经完成了这些，或已经在NLP中获得了基础并想要转向一些实用资源，或者只是对其他方法感兴趣，希望这篇文章能对你有所帮助。
<b></b>
<b>1.</b>
<a href="http://www.nltk.org/book/"><b>用Python</b><b>进行自然语言处理—用自然语言工具包分析文本</b></a>
<b>2. </b>
<a href="https://insights.untapt.com/deep-learning-for-natural-language-processing-tutorials-with-jupyter-notebooks-ad67f336ce3f"><b>深度学习自然语言处理：Jupyter</b><b>笔记本课程</b></a>
这是一个Jupyter笔记本并附随Jon Krohn的关于NLP深度学习的一系列精彩视频的回购协议。如果你有兴趣观看他的视频（它是通过O’Reilly的Safari平台提供的）请注册一个免费的10天试用版，。
Jon在这些笔记本和随附视频中的主要内容包括：
1.预处理用于机器学习应用的自然语言数据；
2.将自然语言转换为数字表示（使用word2vec)；
3.通过训练自然语言的深层学习模型进行预测；
4.在高级TensorFlow API Keras中应用先进的NLP方法；
5.通过调整超参数来提高深度学习模型的性能。
这是以笔记本的形式出现的另一套非常棒的教程，它遵循类似于上述Krohn的轨迹。Insight AI的Emmanuel
Ameisen分解了完成哪些任务需要执行哪些步骤，阅读完本文后，您将知道如何：
1.收集、准备和检查数据。
2.从建立简单的模型开始，并在必要时过渡到深度学习。
3.解释并理解你的模型，确保您实际上获取的是信息而不是噪音。
我们的CNN-LSTM模型的准确度比CNN模型高3%，但比LSTM模型差3.2%。同时，我们的LSTM-CNN模型比CNN模型的性能好8.5%，比LSTM模型好2.7%。
关于该项目的结果的可靠性，我暂时无法保证。但是，其创新的情感分析方式与混合在不同的神经网络体系结构中搭配使用，使我将其纳入该列表中，希望能对读者有所启发。
相关：
文章原标题《5 Fantastic
Practical Natural Language Processing Resources》
译者：乌拉乌拉，审校：袁虎。