本科NLP有前途吗?
楼主目前大一，在进行NLP相关的学习，手头也有优质项目经历（cv算法落地实现参与，知名度高），想本科毕业做NLP算法岗，可以从小厂做起，想知道有希望吗？有什么路子可走吗？ 大一开始就从事NLP无疑是非常有潜力的，你有大量的时间去从事研究这个方向，同时如果你有cv的项目经历 那就更加是加分项
无论你后面是从小厂还是大厂开始，前途无量
至于路线你前面也自己规划了，一份对口的NLP算法职位对你来说都是会成长经历有帮助的 如果是传统方向（例如parsing、MT等）NLP目前前途不是很大。。。
如果和LLM沾点边，有点希望
总之对国内的大厂，除了推广搜业务以外，40%的积极态度
对创业公司，60%的积极态度
谁知道明天会不会出现GPT-6/7/8 ... 从最近几年的业界应用来看，我感觉你现在的方向很好啊！既有NLP又有CV相关的经历，这个可以说将来选择机会非常多。
[*]如果只做NLP的话，可以选择那种AI公司，应用场景比如智能客服/语音相关的等等，也可以选择去互联网公司做搜索/推荐/广告的算法方向，比如内容理解等等
[*]如果只做CV的话，也是可以选AI公司，或者是智能驾驶公司也行，做一些目标检测之类的
[*]如果两者都做的话，那就是多模态了哈哈。可以往大模型方向走，像现在已经有的比如BLIP/CLIP都是多模态的经典模型了，这个赛道现在非常火爆！
不过如果是本科就选择就业的话，可能还是经过研究生阶段的培养会更好一些(当然也不绝对)，主要是培养一些独立从事研究工作，独立提出问题/解决问题的能力，在少数几个细分的方向能够有一些比较深入的研究探索 谢邀，如果大一就能有比较好的cv/nlp经历，为什么不去深造呢？为什么一定要在本科就去NLP算法岗呢？
列一些NLP算法岗的常见要求：硕士及以上学历，参与顶会论文的发表【部分岗位要求一作】
这些并不是项目能够带来的，算法这个东西并不是非常看项目经历，而且去小厂也很难有很好的提升空间。特别在这个NLP大模型的大环境下，一些小厂参与大模型几乎是不太可能的，只能越做越落后。 1.基础知识
模块章节机器学习1. 线性回归(Liner Regression)机器学习2. 逻辑回归(Logistics Regression)机器学习3. 决策树(Desision Tree)机器学习3.1 随机森林(Random Forest)机器学习3.2 梯度提升决策树(GBDT)机器学习3.3 XGBoost机器学习3.4 LightGBM机器学习4. 支持向量机(SVM)机器学习5. 概率图模型(Probabilistic Graphical Model)机器学习5.1 贝叶斯网络(Bayesian Network)机器学习5.2 马尔科夫(Markov)机器学习5.3 主题模型(Topic Model)机器学习6.最大期望算法(EM)机器学习7.聚类(Clustering)机器学习8.ML特征工程和优化方法机器学习9.K近邻算法(KNN)深度学习10.神经网络(Neural Network)深度学习11. 卷积神经网络(CNN)深度学习12. 循环神经网络(RNN)深度学习12.1 门控循环单元(GRU)深度学习12.2 长短期记忆(LSTM)深度学习13.迁移学习(Transfer)深度学习14.强化学习(Reinforcement) & 多任务深度学习15. 深度学习的优化方法NLP16. 自然语言处理(NLP)NLP16.1 词嵌入(Word2Vec)NLP16.2 子词嵌入(fastText)NLP16.3 全局向量词嵌入(GloVe)NLP16.4 textRNN & textCNNNLP16.5 序列到序列模型(seq2seq)NLP16.6 注意力机制(Attention Mechanism)NLP16.7 Transformer模型NLP16.8 BERT模型NLP16.9 XLNet模型项目17. 推荐系统(Recommendation System)项目18. 智能客服(Intelligent Customer Service)项目地址：NLP-LOVE/ML-NLP 简介: 此项目是机器学习(Machine Learning)、深度学习(Deep Learning)、NLP面试中常考到的知识点和代码实现，也是作为一个算法工程师必会的理论基础知识。
2.深层次学习
NLP民工的乐园: 几乎最全的中文NLP资源库
* 语料库* 词库及词法工具* 预训练语言模型* 抽取* 知识图谱* 文本生成* 文本摘要* 智能问答* 文本纠错* 文档处理* 表格处理* 文本匹配* 文本数据增强* 文本检索* 阅读理解* 情感分析* 常用正则表达式* 语音处理* 常用正则表达式* 事件抽取* 机器翻译* 数字转换* 指代消解* 文本聚类* 文本分类* 知识推理* 可解释NLP* 文本对抗攻击* 文本可视化* 文本标注工具* 综合工具* 有趣搞笑工具* 课程报告面试等* 比赛* 金融NLP* 医疗NLP* 法律NLP* 文本生成图像* 其他自己匹配文本资料和视频资料
3.英语资料
English
[*]Automatic speech recognition
[*]CCG
[*]Common sense
[*]Constituency parsing
[*]Coreference resolution
[*]Data-to-Text Generation
[*]Dependency parsing
[*]Dialogue
[*]Domain adaptation
[*]Entity linking
[*]Grammatical error correction
[*]Information extraction
[*]Intent Detection and Slot Filling
[*]Language modeling
[*]Lexical normalization
[*]Machine translation
[*]Missing elements
[*]Multi-task learning
[*]Multi-modal
[*]Named entity recognition
[*]Natural language inference
[*]Part-of-speech tagging
[*]Paraphrase Generation
[*]Question answering
[*]Relation prediction
[*]Relationship extraction
[*]Semantic textual similarity
[*]Semantic parsing
[*]Semantic role labeling
[*]Sentiment analysis
[*]Shallow syntax
[*]Simplification
[*]Stance detection
[*]Summarization
[*]Taxonomy learning
[*]Temporal processing
[*]Text classification
[*]Word sense disambiguation
页:
[1]