老板们正在寻找特定的技能组合、专业知识和工作流程，而这些技能与平台无关。

下图显示了20种需求技能，包括NLP基础知识和更广泛的数据科学专业知识。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

自然语言处理基础（NLP）

如图表所示，老板最看重的NLP技能是NLP基础知识。与去年相比，雇主对具有数据分析技能的人需求激增。

这意味着我们不能只是了解平台，而要了解NLP是如何作为一项核心技能运作的。如果你不知道如何应用Transformer、分类、语言学、问题回答、情感分析、主题建模、机器翻译、语音识别、命名实体识别等核心NLP技能，那么知道光是知道spaCy如何工作，也没有什么意义。

机器学习与深度学习

机器学习是基本的数据科学技能，而深度学习是NLP的基础。

掌握这两者将证明您了解数据科学，进而了解NLP。因为雇主大多希望人才可以使用预训练模型和Transformer。

研究

NLP需要与最新的论文和模型保持同步。公司发现NLP是AI的最佳应用之一，无论是什么行业的公司都如此。

因此，了解或找到正确的模型、工具和框架来应用于 NLP 的许多不同用例，这需要一个强大的研究重心。

数据科学基础

在了解机器学习这一核心技能之后，了解编程和计算机科学基础知识，会表明你在该领域有坚实的基础。计算机科学、数学、统计学、编程和软件开发都是NLP项目中所需的技能。

云计算、API 和数据工程

NLP专家不会直接在他们的个人笔记本电脑上进行情感分析。雇主们正在寻找能够处理更多数据工程全栈的NLP专家，像是能够使用API，建立数据管道，构建工作流程管理，并在基于云的平台上完成这一切的人才。

NLP平台和工具

除了技能和专业知识之外，还有一些特定的平台、工具和语言是老板们特别看重的。下面的图表显示了现在流行的平台。这个名单并没有囊括所有平台，所以大家最好是随时更新、查找一下流行的新工具和框架。

机器学习框架

除了一般的机器学习和深度学习之外，还有一些框架是NLP项目的核心。

TensorFlow因其在ML和神经网络的灵活性而受到青睐，PyTorch因其在NLP方面的易用性和先天设计而受到欢迎，scikit-learn则广泛用于分类和聚类。

虽然只知道一个平台已经很厉害了，但通过了解这三个或更多的平台，我们可以变得更灵活，更具适应性，这样也就会更有竞争力。

与去年相比，PyTorch现在是最受欢迎的机器学习框架，并且已经慢慢超过TensorFlow/Keras，成为ML任务的首选。

自然语言处理框架

为了更具体地了解NLP，这里有几个框架，对于想要成为NLP的专业人员很有用。

NLTK因其更广泛的性质而受到赞赏，因为它能够为几乎所有工作提取正确的算法。

同时，spaCy因其处理多种语言的能力和支持词向量的能力而受到赞赏。

新加入的是Apache OpenNLP，主要用于常见的NLP任务和简易操作，CoreNLP用于Java。

令人惊讶的是，有着深度学习架构的HuggingFace transformers并不在去年的列表上。

在过去的几年里，BERT仍然非常受欢迎，尽管谷歌的最后一次更新是在2019年底，但它仍然被广泛应用。

BERT之所以能够脱颖而出，是因为其对问答和基于上下文的相似性搜索有强大亲和力，这样它在聊天机器人以及其他相关应用程序中也能表现得相当可靠。

BERT甚至考虑了单词的上下文，从而可以得到与各个查询和任务相关的更准确的结果。

数据工程平台

数据管道有助于文本数据的流动，特别是对于实时数据流和基于云的应用。而在这个领域，尽管其他平台还在壮大，Spark仍然是数据管道的领导者。

它甚至还有一个更具体的版本，Spark NLP。它是一个专门用于语言任务的库。尤其是在医疗保健领域，Spark NLP得到了大量应用——这是一个拥有大量数据的领域，含有很多医疗记录和医学数据。

NLP编程语言

Python作为NLP的首选编程语言，一直遥遥领先，这一点应该不出大家所料。

许多流行的NLP框架，如NLTK和spaCy，都是基于Python的，所以成为Python配套语言的专家是很有意义的。

了解一些SQL也是必不可少的。Java有许多为该语言设计的库，包括CoreNLP、OpenNLP等。

自然语言处理云平台

云服务是2022年的常态，所以我们看到一些服务提供商变得越来越受欢迎。

AWS云、Azure云和其他都与许多其他框架和语言兼容，它们也就因此成为所有NLP技能的必要条件。与此同时，谷歌云也开始崭露头角。

总的来说，如果你想点亮一个新的技能点，获得一项稀缺的、永不过时的、广泛使用的技能，那么也许现在是时候学习NLP或其他核心数据科学技能了！