学习指南：自然语言处理怎么学最不容易学乱
如果你来到 10 自然语言处理（方向选修） 后觉得 token、embedding、分类、抽取、生成、BERT、GPT 全都混在一起，先回到 NLP 的主线：文本如何变成模型能处理的表示。
本阶段总原则
NLP 第一遍要抓住一条演进线：文本先被清洗和切分，再变成向量表示，然后进入分类、抽取、生成等任务，最后走向预训练语言模型。
推荐学习顺序
第一轮先学文本基础。你要理解分词、清洗、停用词、文本规范化和表示方法。
第二轮学词嵌入与语言模型。重点理解词向量、上下文表示和语言模型为什么能预测文本。
第三轮学文本分类。它是最适合入门的 NLP 项目，能帮助你理解从文本到标签的流程。
第四轮学序列标注和 Seq2Seq。它们分别对应信息抽取和生成/翻译任务。
第五轮学预训练语言模型。BERT、GPT、T5 和 Transformers 库会把前面的概念重新组织起来。
建议学习节奏
| 内容类型 | 建议时间 | 学习目标 |
|---|---|---|
| 文本基础 | 4～8 小时 | 理解文本如何变成特征 |
| 词向量和语言模型 | 6～12 小时 | 理解表示和上下文 |
| 分类 / 抽取 / 生成 | 12～24 小时 | 分清不同 NLP 任务 |
| 预训练模型 | 8～16 小时 | 理解 BERT/GPT/T5 的差异 |
| 综合项目 | 16～32 小时 | 完成一个文本任务项目 |
阶段项目路线
第一个项目建议做文本分类，例如情感分析、垃圾邮件识别或评论分类。
第二个项目建议做信息抽取，例如命名实体识别、简历信息抽取或合同字段抽取。
第三个项目可以做问答系统或文本摘要，把传统 NLP 思维和预训练 模型结合起来。
常见卡点
最常见的卡点是直接跳到大模型，忽略文本表示。即使使用 LLM，你仍然需要理解 token、上下文、文本清洗和评估。
第二个卡点是任务边界不清。分类输出类别，序列标注输出每个 token 的标签，生成任务输出新文本。
第三个卡点是只看模型不看数据。文本任务非常依赖标注质量、类别定义和评估集设计。
过关标准
学完本阶段后，你应该能解释文本从原始字符串到模型输入的大致过程，并能完成一个文本分类或信息抽取项目。
如果你能说清楚 BERT 和 GPT 在训练目标、适用任务和使用方式上的差异，就能更顺畅地进入大模型原理。