2019年3月下的时候，我当时在读研一下学期，课程很少，于是找了个实习，是一家创业公司，主要做NLP文本摘要方面的工作。我本来是通信专业的学生，对于NLP没有一点了解，只是研一上学习了一门机器学习的课程，所以当时找实习费劲巴力的进了一家公司，进去之后也是上手很慢。于是，想着找一门训练营学习，帮助入门吧。偶然间在朋友圈看到了深度之眼关于CS224n课程的介绍，在搜集了一些相关资料之后，确定要报名，价格很nice，才98元。当时报名之后，其实已经开课一周了，所以刚开始很吃力，学习新课程的同时，也在补习之前的知识。
我认为CS224n算是NLP入门的经典课，内容不算多，而且很多内容对于有机器学习背景的来说都算是常识了。总体来说，有机器/深度学习基础，上手还是比较轻松吧，更多的是了解NLP的任务以及常见解法，把知识系统化。
首先第一个问题是词向量，这是NLP问题的基础，词向量好不好直接影响到下层的任务。从词向量发展历史来看，主要有LSA，word2vec，GloVe，wordpiece，elmo。涉及到的额外知识点包括：softmax优化(NCE、分层softmax)、语言模型、矩阵分解SVD。
有了词向量，就可以做下层任务了，NLP任务很多，包括词性标注、机器翻译、问答系统、情感分析、命名实体识别、自动摘要等等。这些任务很多都是seq2seq的，那么一个直观的框架就是encoder-decoder了。
当然对于seq2seq任务，除了RNN以外，还有其他的处理方式，例如时间卷积、Transformer、递归网络等。其中Transformer自Attention is All you need提出以来，在Bert中发扬光大，其高效的特点与SOTA的效果，成为目前很多任务的首选模型。BERT基于预训练的无监督语言模型基于迁移学习的思想。
这门训练营主要以2017版的CS224N为主，同时也会学习2019版最新的内容。每天都会发布学习视频和资料供大家学习，同时会有助教和老师进行讲解，大家可以在微信群进行提问或者在知识星球提问。每天每个人要打卡，会得到积分，在训练营结束，会对完成作业优秀的同学进行奖励，赠送VIP或者任意一门训练营。自己打卡之后，也会看到别人的打卡，这样就为我这样的新手提供了参考大神学习的机会，也是一种帮助吧。
同时在学习课程本身的同时，会有训练营的老师带大家参加kaggle或者其他的比赛，一是可以带领大家熟悉比赛的流程，二是可以更好的学习NLP的知识，为我们自己的简历加一些干货，同时为面试做准备。
在学习课程的同时，深度之眼会组织建立一些群，比如怎么读论文，大家分享自己的经验，对于我这样的新手会很有帮助。每周会组织一次直播，老师会根据我们的问题进行回答，和总结。
学习这门课三个月，我有很大的收获，一是算是掌握了NLP的一些基础知识，对于整个NLP发展历史有了了解，同时系统的学习了NLP；二是找到了自己感兴趣的方向，我认为这是最重要的；三是接触了比赛，为以后准备比赛提供了基础。
