課程名稱：深度學習與人類語言處理(Deep Learning for Human Language Processing)
（自然語言包括文本和語音兩種形式，不過自然語言處理大多時候指的是文本處理，所以這門課的名字叫人類語言處理以便區分，因為這門課語音和文本的內容是1:1的）
人類語言處理的終極目標：讓機器能夠聽懂人說的話，看懂人寫的句子，並有能力說出人聽得懂的話，寫出人看得懂的句子。
世界上只有56%的語言有文字形式，而且有些語言的文字系統未必被人們廣泛使用（不如語音直接）。所以語音也是非常重要的，而且語音這部分不僅僅只有語音識別任務。
人類語言處理的困難之處：
1秒的語音有16K個采樣點，每個點包含256個可能的取值。
而且沒有人能夠說同一段話兩次，而語音的波形相同的。
而且一句話其實是可以無限長的。
人類語言處理包含的任務：
雖然人類語言處理的任務比較難，不過在深度學習中方法卻比較簡單，如下圖所示（圖中的Model就是Deep Network），各種問題硬train一發就能搞定。
自動語音識別ASR：
傳統的語音識別，包含前端信號處理、聲學模型、語言模型還有詞典等，要把這些部分都學通，較為復雜，而且模型通常需要2G大小，比較大。
而目前的End-to-End的模型，只需要80MB，可以運行在手機上。
語音合成TSS：
在課程視頻里演示的語音合成案例里，下圖的不同長短的“發財”它的語調居然都是不同的，而這些都是模型自己學出來的（很神奇）。
不過這種黑盒算法也會有一些問題，雖然對於長句效果很好，不過對於短詞效果較差（數據問題，訓練數據中短句或者單詞較少），比如谷歌歷史上的翻譯破音問題。
語音轉換：人聲分割SS和音色遷移VC：
人聲分割：就是把一段語音中混合的不同聲音分離出來（End-to-End的模型直接就能做，傅里葉變換都不需要）。
音色遷移：就是把一個人說過的話做音色遷移，輸出的結果聽起來像是由另外一個人說出來的。甚至還可以輸出完全不同的內容。
語音分類：人聲辨識SR和關鍵詞識別KS：
人聲辨識：判斷語音是誰說的，
關鍵詞辨識：判斷語音中是否出現了關鍵詞。比如喚醒詞，Hi, Siri.
文本生成：
生成方式：自回歸（逐個生成）和非自回歸。
應用包括翻譯、摘要、聊天機器人、自動問答等。
此外，本門課程還會講Meta Learning，知識圖譜，對抗攻擊，可解釋AI等內容。
