第一節課主要是介紹了NLP（尤其是Deep NLP）的背景知識。
主要有一下幾點：
- 什麼是NLP？
- NLP的應用
- NLP的難點
- Machine Learning vs. Deep Learning
接下來，根據課程視頻+自己的理解，我將一一詳細介紹以上的4部分。
1. 什麼是NLP？
Natural language processing (NLP) 是 計算機科學+AI+語言學 的交叉產物；
它的目標是讓機器能夠處理或者明白自然語言(text/speech)，從而讓機器完成對人類有用的服務。但是讓機器完全明白自然語言(即AI-complet)還是有困難的，在接下來的第三點中將對此做詳細介紹；
自然語言處理的處理層級包括以下四個部分：形態分析（Morphological analysis）、句法分析（Syntactic analysis）、語義分析（Semantic Interpretation）、 對話處理（Discourse Processing）
2. NLP的應用
NLP的一些應用包括：拼寫檢錯、關鍵字查找、NER（命名實體識別）、機器翻譯、文本分類、自動問答系統，還有一些爲其他AI任務服務的應用。
ps:本人在實驗室中主要做的是任務是從網頁上抽取學術信息（期刊的影響因子、ISSN號，簡介等；論文作者的郵箱、電話、頭像、機構等）的任務，有點類似於智能爬蟲，相當於NER的一個應用。項目鏈接：http://www.acheadline.com/ 歡迎下載使用。
3.NLP的難點
對於現實世界的知識的表示、學習和應用是複雜的；
人類語言存在歧義性，同一句話可以衍生出不同的意思；
對於人類語言的理解，很多時候依賴於說話時的 場景、常識以及上下文。
ps:個人覺得語言的歧義是一個比較大的問題。
下雨/天留客/天留/我不留
下雨天/留客天/留我不/留
4.Machine Learning vs. Deep Learning
在課程中Christopher Manning一直強調深度學習在NLP任務中以及其他機器學習任務中的重要性。我認爲最重要的一點是，傳統的機器學習方法需要花費大量的人力物力進行特徵工程，真正讓機器自動學習的過程只佔用了很少的時間；而深度學習在 一些任務中不需要進行特別多的特徵工程，甚至可以直接將raw data作爲輸入，深度學習模型會自動選擇較好的特徵對輸入進行表示，並且給出輸出。
ps:個人覺得深度學習模型雖好，但是它需要大量的數據和較好的硬件環境作支撐，才能取得較好的效果；而且深度學習模型在可解釋性上也沒有傳統的機器學習方法好。
第一次寫博客，以上內容皆來自於本人Stanford CS224n的學習筆記，如有錯誤，歡迎各路大神批評指正；
下一節課是單詞的向量化表示word2vec，未完待續…