人工智能三大应用方向：CV，NLP和数据挖掘，NLP不论从理论上，还是应用的广泛度上都具有重要的地位，在目前AI飞速发展，机器人技术不断进步的今天，到处都会看到语音识别，智能语音交互，机器人问答等语音应用，这部分的理论基础就是NLP（自然语言处理）。
自然语言处理作为AI的一大分支，和计算机视觉方向一样，也得益于大数据和芯片计算能力的突破性发展，更多的训练样本和更快的计算速度，使得深度学习能够把语音识别的准确率提高到非常接近人类识别能力的水平，飞快的推进了NLP的实际应用的普及，从而推动NLP理论和算法的进一步研究和开发。
说清楚NLP的技术脉络和学习路径，其实并不复杂，简单梳理下就是如下思路：
数字信号处理=》语音信号处理=》语音识别与合成=》自然语言处理=》自然语言处理实用框架（Python和深度学习）=》预训练模型=》文本挖掘=》NLP项目实战。
1. 数字信号处理：
之所以要从信号处理入手，在于自然语言的理解当然要基于对于语言的输入进行处理，CV主要处理视频和图像信号，而语音和文本的信号处理，则需要归类于自然语言理解的范畴。
2. 语音信号处理：
语音部分是自然语言处理的主要场景，所以需要先针对语音信号进行处理，包括规整，滤波，消除噪音等技术。
3. 语音识别与合成：
语音识别和语音合成是两个话题，但经常会合在一起提及，语音识别主要用来通过对音频的输入的信号分析，包括频率，音色等特征，来识别出语音的特质模型来，一方面可以识别出其中说的是啥内容，一方面可以识别是谁说的，都是可以利用统计学习，机器学习的技术方法通过模型分析和学习训练达到识别的效果。
语音合成则是另一个方向，就是如何把机器需要表达的内容合成人声，如何更接近于人的表达习惯和说话方式，这在与机器与人交互方面意义重大。
4. 自然语言处理（NLP）
这是个广义的概念，包括了从语音，文本的识别处理，分词分句，语义的分析和理解，语言模型的建立，语言的合成等各个方面的技术，所有跟语言相关的都可以归类于NLP技术。所以这个是本部分学习的重点部分。
5. NLP框架
有理论和算法，还需要学习如何实践和实际应用，目前主流的语言工具是Python，用到比较多，框架也包括深度学习等在NLP领域的应用。
6. 预训练模型
预训练模型是近年来由于BERT模型的出现而形成的革命性的语言处理方式，在BERT之后又衍生出很多预训练模型，需要专门研究下。
7. 文本挖掘
之前重点在于语音信号的处理，也就是音频数据，对于另一类语言载体，文本数据如何处理，识别，理解，语义分析等，是这部分专题要涉及的话题
8. NLP项目实战
掌握了理论和工具后，可以进一步通过学习掌握如何实战，如何实际开发项目了。
接下来的文章里会根据上面的学习途径，逐一介绍和推荐经典学习的书单和教程书籍，大家也可以在了解完整体系框架的基础上，自己通过关键词搜索经典书籍买来学习。
未完待续。。。
