老板們正在尋找特定的技能組合、專業知識和工作流程，而這些技能與平臺無關。

下圖顯示了20種需求技能，包括NLP基礎知識和更廣泛的數據科學專業知識。

自然語言處理基礎（NLP）

如圖表所示，老板最看重的NLP技能是NLP基礎知識。與去年相比，雇主對具有數據分析技能的人需求激增。

這意味著我們不能只是了解平臺，而要了解NLP是如何作為一項核心技能運作的。如果你不知道如何應用Transformer、分類、語言學、問題回答、情感分析、主題建模、機器翻譯、語音識別、命名實體識別等核心NLP技能，那么知道光是知道spaCy如何工作，也沒有什么意義。

機器學習與深度學習

機器學習是基本的數據科學技能，而深度學習是NLP的基礎。

掌握這兩者將證明您了解數據科學，進而了解NLP。因為雇主大多希望人才可以使用預訓練模型和Transformer。

研究

NLP需要與最新的論文和模型保持同步。公司發現NLP是AI的最佳應用之一，無論是什么行業的公司都如此。

因此，了解或找到正確的模型、工具和框架來應用于 NLP 的許多不同用例，這需要一個強大的研究重心。

數據科學基礎

在了解機器學習這一核心技能之后，了解編程和計算機科學基礎知識，會表明你在該領域有堅實的基礎。計算機科學、數學、統計學、編程和軟件開發都是NLP項目中所需的技能。

云計算、API 和數據工程

NLP專家不會直接在他們的個人筆記本電腦上進行情感分析。雇主們正在尋找能夠處理更多數據工程全棧的NLP專家，像是能夠使用API，建立數據管道，構建工作流程管理，并在基于云的平臺上完成這一切的人才。

NLP平臺和工具

除了技能和專業知識之外，還有一些特定的平臺、工具和語言是老板們特別看重的。下面的圖表顯示了現在流行的平臺。這個名單并沒有囊括所有平臺，所以大家最好是隨時更新、查找一下流行的新工具和框架。

機器學習框架

除了一般的機器學習和深度學習之外，還有一些框架是NLP項目的核心。

TensorFlow因其在ML和神經網絡的靈活性而受到青睞，PyTorch因其在NLP方面的易用性和先天設計而受到歡迎，scikit-learn則廣泛用于分類和聚類。

雖然只知道一個平臺已經很厲害了，但通過了解這三個或更多的平臺，我們可以變得更靈活，更具適應性，這樣也就會更有競爭力。

與去年相比，PyTorch現在是最受歡迎的機器學習框架，并且已經慢慢超過TensorFlow/Keras，成為ML任務的首選。

自然語言處理框架

為了更具體地了解NLP，這里有幾個框架，對于想要成為NLP的專業人員很有用。

NLTK因其更廣泛的性質而受到贊賞，因為它能夠為幾乎所有工作提取正確的算法。

同時，spaCy因其處理多種語言的能力和支持詞向量的能力而受到贊賞。

新加入的是Apache OpenNLP，主要用于常見的NLP任務和簡易操作，CoreNLP用于Java。

令人驚訝的是，有著深度學習架構的HuggingFace transformers并不在去年的列表上。

在過去的幾年里，BERT仍然非常受歡迎，盡管谷歌的最后一次更新是在2019年底，但它仍然被廣泛應用。

BERT之所以能夠脫穎而出，是因為其對問答和基于上下文的相似性搜索有強大親和力，這樣它在聊天機器人以及其他相關應用程序中也能表現得相當可靠。

BERT甚至考慮了單詞的上下文，從而可以得到與各個查詢和任務相關的更準確的結果。

數據工程平臺

數據管道有助于文本數據的流動，特別是對于實時數據流和基于云的應用。而在這個領域，盡管其他平臺還在壯大，Spark仍然是數據管道的領導者。

它甚至還有一個更具體的版本，Spark NLP。它是一個專門用于語言任務的庫。尤其是在醫療保健領域，Spark NLP得到了大量應用——這是一個擁有大量數據的領域，含有很多醫療記錄和醫學數據。

NLP編程語言

Python作為NLP的首選編程語言，一直遙遙領先，這一點應該不出大家所料。

許多流行的NLP框架，如NLTK和spaCy，都是基于Python的，所以成為Python配套語言的專家是很有意義的。

了解一些SQL也是必不可少的。Java有許多為該語言設計的庫，包括CoreNLP、OpenNLP等。

自然語言處理云平臺

云服務是2022年的常態，所以我們看到一些服務提供商變得越來越受歡迎。

AWS云、Azure云和其他都與許多其他框架和語言兼容，它們也就因此成為所有NLP技能的必要條件。與此同時，谷歌云也開始嶄露頭角。

總的來說，如果你想點亮一個新的技能點，獲得一項稀缺的、永不過時的、廣泛使用的技能，那么也許現在是時候學習NLP或其他核心數據科學技能了！