一、自然语言处理

自然语言处理(Natural Language Processing，以下简称NLP)是人工智能和语言学领域的分支学科，主要是研究如何让计算机处理及运用自然语言，是人工智能的重要组成部分。自然语言处理广义上分为两大部分：自然语言理解(Natural Language Understanding，以下简称NLU)，自然语言生成(Natural Language Generation，以下简称NLG)。

NLU想要达到的目的是让计算机能够正确“听懂”人话，NLG则是要计算机准确“说出”人话，所以这也可以看作是一个典型的IPO(Input Process Output)模型。

1、研究方向

句法语义分析。对于给定的句子，进行分词、词性标记、命名实体识别和链接、句法分析、语义角色识别和多义词消歧。
语音识别。输入一段语音，转换成特定的文字。
信息检索。从大规模非结构化数据（通常是文本）的集合中找出满足用户信息需求的资料。
文本挖掘。通过把语音信号转换成文本信息，利用词/句法相关理论知识，对其做分类，信息抽取，摘要提取，进而达到舆情分析，情感倾向分析等目的。这部分应用主要依赖于基于统计学的机器学习。

2、应用场景

智能对话系统。这是NLP较高层次的应用，也是NLP最需要突破的瓶颈之一。现在市面上见到的智能对话系统大多基于“sequence-to-sequence”框架，理论上，给足了训练集的话，是可以应对不同的对话场景，但实际上是不太现实的。所以在没有被突破之前，智能对话系统只能在限定的场景下发挥其作用。代表厂商如：微软小冰，其次是各大电商平台推出的智能客服系统；
机器翻译。这是NLP领域最常见的应用之一，随着深度神经网络的发展，机器翻译方面取得了较为瞩目的成就。代表厂商如：Google翻译，有道词典，Bing词典等翻译类的SaaS平台；
输入法/搜索引擎。综合了语音识别，文本挖掘，信息检索等多项技术。代表厂商如：百度搜索，Bing，搜索输入法等。

3、学习方法

书籍。笔者根据网上查阅的资料整理出了自然语言处理的TOP 5书籍榜单，并且分成了中英两种语言的榜单，英文版的书籍也都有对应的中文译作。如下图所示：

视频。对于英语基础好的读者，首选的学习阵地当属Stanford、Coursera，这两个地方的视频课程在业界是非常权威的，关注小象公众号，回复课程链接即可得到视频链接地址。当然，国内也相继出现了一批视频教程，有好有坏，就不具体列举了。
网站。先关注两个机构：中国中文信息学会、国际计算语言学协会，这里面有你想要的论文，而且绝大多数是免费的；国内做的不错的网站是我爱自然语言处理(www.52nlp.cn)，可以认为是一个NLP领域的Portal，站长还贴心地链接了一个专门针对NLPers的垂直招聘网站(www.nlpjob.com)；因为哈工大信息检索研究中心算是国内NLP领域的佼佼者，其推出的语言云：LTP-Cloud还是有必要了解一下的。以上资料对于初学者来说已经非常充裕了，考虑到面向的是国内读者，我不再推荐外文网站了。

4、市场前景

说话可谓是人类最原始的本能之一，倘若能和一台机器自由的交流，表达自己的想法和心声而不受到任何阻碍，想必这将是自然语言处理的又一个新境界，更使得「人工智能」这个词汇更具有温度。正如电影《她》中展现的那样：

脱去科技冰冷的面纱，赋予它高度人性化和活色生香的情趣，让一段人机对话变成情人絮语。

然而，NLP正在向99%大关挺进，今后的路途会比较艰苦卓绝，所以NLP依然是机器学习有待攻克的一个重大领域。语言本身就已经是人类一种高层次的表达方式，深度学习在NLP领域中取得的成绩并不如在计算机视觉领域那样突出，识别率增速迟缓，识别速度倒是慢了许多，所以一般的素人进入这个领域很难出成果，也容易触碰到天花板。

不过，NLP也有一定程度的商业化，各大厂商推出的AI云平台多少都涉及到了NLP领域。国内的NLP人才大多都流向了大企，薪资待遇自然是不得而知了。

二、量化交易

量化交易是指借助现代统计学和数学的方法，利用计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，用数量模型验证及固化这些规律和策略，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定且高于平均收益的超额回报。

以上这段对于「量化交易」的解释来源自MBA智库。

量化交易是基于量化分析的交易策略，它依赖于数学计算和数值分析来确定交易时机。量化交易通常是一些金融机构和对冲基金在使用，交易规模都会非常大，可能涉及购买和出售数十万股股票和其他证券。

因此，量化交易无非就是用“高科技”手段加持过的投资方法，以便在交易过程中尽可能保证精准，避免个人情感的带入而做出非理性的决定，引起不必要的风险。

1、研究方向

策略研发。简单来讲，就是参照以往的数据和经验，制定一套新的交易策略。
交易程序化。就是用软件程序实现各个交易策略，这也是量化交易与人工智能交叉的地方。
资金管理与风控。各个市场及品种的投资资金分配，在运用计算机进行风险监控的同时，进行人工辅助监控。

2、应用场景

各大券商，交易所都有应用，这里不详细说明应用场景了，列举一些量化平台，感受一下：

Quantopian，这个平台堪称业界典范，也是国人竞相模仿的一个量化平台。
优矿，米筐和聚宽，算是国内量化先行者，相对比较完善，模仿的是Quantopian。
JD Quant，京东金融旗下的量化平台。主营业务是对量化策略的在线开发，并实施运营回测，主要还是依托了京东强大的资源整合能力，能提供海量的数据和强大的服务支持。

3、学习方法

书籍。因为量化投资在国内起步很晚，书籍基本都是出自美国作家之手，这里列举TOP 5书籍榜单，此榜单可以认为是量化交易的金融基础知识，至于软件程序方面，都是机器学习和大数据相关的通用技能，故不再列举。

视频。量化交易的视频资料并不多，笔者淘到了一些资料。来自厦门大学金融工程基础知识视频，关注小象公众号，回复课程链接即可得到视频链接地址；米筐出品的一系列教程，没看过，目测有硬广的嫌疑。

4、市场前景

量化交易是未来金融投资的趋势，国外的量化普及程度算是比较高了，在国内，量化概念还仅仅是一部分人了解，不过国内也已经有一些量化交易先行者了，在上文中也所有提及。尽管如此，量化交易领域也并不是一片红海，国内外也暂未形成一家独大的垄断局势，正在激烈角逐的阶段。

金融行业华丽高端的外表下掩藏着一群交易员的辛酸与悲欢，在量化交易领域，不仅需要懂得专业的金融知识，制定交易策略，还需要对计算机编程有所了解，甚至是用编程语言实现一个交易策略，专业交易员是时候用量化武器武装自己了。

当前局势下，对于经管专业的人来说，进入量化投资领域无疑是明智的，各大厂商招聘的起薪通常在15K左右，也有高过20K的。

总结

本文从研究方向，应用场景，学习方法以及市场前景四个方面分别对自然语言处理，量化交易进行了介绍，虽然并不是很全面，但对于初学者来说还是具有比较实际的参考意义的。

Q&A：

这里列举三个笔者经常被问及的问题，供初学者参考。

问：到底是参加线上视频教程还是线下授课比较好？

答：这个问题没有绝对，线上线下各有各的好处，不妨将两者进行结合。我个人还是建议去找一些性价比较高的线上课程自觉学习，此外，还可以多关注一些NLP领域的线下活动或者会议，排好档期，参加之。如果是土豪，那请随随意！

问：我应该选择人工智能哪个领域？换言之，怎么样学习人工智能才比较有前景？

答：人工智能是一个庞大而错综复杂的综合学科，其中的每一个分支领域都值得去深究。笔者认为初学者应该尽早结束“观望”的状态，进行必要的调研后，选择其中的一个分支进行钻研。当然，也有人认为应该广泛涉猎，多多益善，现在用不上，难保以后能用上呢？这种观点是针对学习能力非常强的人，不然的话，很容易陷入「什么都知道，什么都不会」的“半吊子”状态，对于自己的职业生涯是极其不利的。

问：我进入机器学习领域，可以不学数学、统计学等相关知识吗？

答：机器学习领域分了三类人，一类人是精通/熟悉领域内的相关算法，并能提出创造性理论的学术研究者，我称之为A类；还有一类人基本上和A类人是对立的，不关心任何算法，但会用编程语言调用相关的算法库，我称之为C类；最后一类人则是介于A类与C类之间了的B类了，B类人群大概是最多了的。题主所说的不学数学、统计学等相关知识的人，那么就以C类的身份进入机器学习领域，这种人也是有一定价值的，但是缺少核心竞争力，就业面也不如A类和B类人群那么宽泛了。

-END-

作者：文刀

Java Web全栈工程师，高级架构师，技术布道者。曾任两家上市公司的技术主管，从事微服务架构设计，DevOps团队建设工作，在电商、LBS、IoT等相关应用领域有丰富的项目经验。微信公众号：jishuhui_2015