1. nlp和python有什麼關系
nlp的很多工具都有python版本
nlp是研究領域，python是語言工具。
2. 學python好還是大數據好
兩個專業都是不錯的，相對來說還是大數據開發好一些，大數據前景是很不錯的，像大數據這樣的專業還是一線城市比較好，師資力量跟得上、就業的薪資也是可觀的，學大數據面授班的時間大約半年，學大數據可以按照路線圖的順序，
學大數據關鍵是找到靠譜的大數據培訓機構，你可以深度了解機構的口碑情況，問問周圍知道這家機構的人，除了口碑再了解機構的以下幾方面：
1. 師資力量雄厚
要想有1+1>2的實際效果，很關鍵的一點是師資隊伍，你接下來無論是找個工作還是工作中出任哪些的人物角色，都越來越愛你本身的技術專業大數據技術性，也許的技術專業大數據技術性則絕大多數來自你的技術專業大數據教師，一個好的大數據培訓機構必須具備雄厚的師資力量。
2. 就業保障完善
實現1+1>2效果的關鍵在於能夠為你提供良好的發展平台，即能夠為你提供良好的就業保障，讓學員能夠學到實在實在的知識，並向大數據學員提供一對一的就業指導，確保學員找到自己的心理工作。
3. 學費性價比高
一個好的大數據培訓機構肯定能給你帶來1+1>2的效果，如果你在一個由專業的大數據教師領導並由大數據培訓機構自己提供的平台上工作，你將獲得比以往更多的投資。
希望你早日學有所成。
3. Python大數據好學嗎
本人學習大數據時間不久，2年左右吧，只能從個人經驗給你一點建議，希望你少走一點彎路。
首先，你說到你剛接觸大數據，你要明白大數據范圍超級廣，你具體想要學習哪個方向呢？數據挖掘？還是機器學習深度學習？亦或nlp（自然語言處理）？（我主要學數據挖掘，嗚啦啦啦）
我給所有問我大數據該怎麼入門的人都會有如下建議：學好數學！學好數學！學好數學！重要的事說三遍，不然你怎麼理解各種模型的構建？所以從理解演算法開始，什麼svn啦，knn啦，k means啦，總之各種聚類分類的演算法，把它搞懂，絕對有用。
扯遠了，不好意思…言歸正傳，回到語言的選擇問題。java和python這兩個語言，我給你從這幾個方面解釋一下：
1. python是腳本語言，無需編譯，java則是需要編譯的語言
2. 我在letitcode（大概是這么拼）上測試過好多次，同一個功能的程序竟然是java性能好很多
3. 平時我們做項目，都是用python寫個demo去測試，真正發行的版本，是用java寫的
4. 許多大數據平台（如spark），都提供多種語言的介面，所以你不用擔心學一種語言沒處用的問題
看到了吧？python和java的地位差別在企業中就是一個低一個高，氮素！以我個人的觀點來看，我還是建議你先學python。
為啥膩？我可不是要坑你，而是因為：
1. 很多java中幾行的代碼，python中一行就搞定，學會了python，還怕學不會java？
2. python上手快，簡潔事兒少
3. （個人經驗）我學數據挖掘入門是用的scikit-learn（一個python庫），當時用的超爽的好吧！幾分鍾搞個模型出來。當然現在看來那不算什麼啦，可當時真的體驗很好，特有成就感。相反拿java寫程序我就各種別扭，總覺得啰嗦得很
4. 其實，我覺得scala更適合大數據…linkedin後台好像就是它寫的，但是我覺得scala難，再加上種種原因，一直沒來得及學
以上就是我的看法。
最後給你推薦個小工具：jupyter notebook，一個在線互動式編譯器，不但支持python在線編譯，還支持matplotlib及各種繪圖庫哦！在你前期做數據清洗和特徵提取的時候很有用。
4. Python 比 Java 牛在哪
適合Python的場景如下：
1。各種運維腳本
包括但不限於統計日誌分析，發送郵件，定時任務，解析文本，替換配置文件等等等等。
Python比Shell更強大，天生就是最適合做運維腳本的東西。
而隨著devops的普及，各種小的運維腳本有了Python之後簡直是如虎添翼。
2.小型爬蟲
如果你要抓取網路新聞，微博，或者是其他論壇等，不需要考慮太多抓取權重，去重等等，用Scrapy爽的不要不要的，特別是在解析xpath方面，在這一點上，Python的簡潔完全是碾壓Java的。
Java解析Json就是一場惡夢，Python和JS處理這種東西輕巧的想要飛。
抓取的內容簡單入庫也很容易，所以如果是要求不高，純粹的抓取入庫，Python完勝。
3.文本處理
假設你要處理文本，截取，排序等等等等，Python寫的小東西真的比Java好用多了，或者是說，我需要跑個定時任務，定期調一下第三方Api寫到某個DB里。這些東西都是Python最擅長的地方。
4。演算法
NLP和DM中很多演算法都適合用Python來做，不過我了解的不多，還是用Java為主。但是推測的出來，演算法領域上Python比Java要強很多。
從以上的分析看的出，Python適合的場景是小，跟其他的系統的交互比較少，不需要考慮大數據量和並發訪問，不會有太復雜的結構，也很少會有什麼需求變更，更多的像是Tools。
這也是符合腳本語言的特性。
所以在這些領域里，Python比Java牛是很正常的，如上所述，在不同的使用場景下來決定用什麼來完成任務，是架構師一個很重要的職責。
5. 如何利用深度學習技術訓練聊天機器人語言模型
數據預處理
模型能聊的內容也取決於選取的語料。如果已經具備了原始聊天數據，可以用sql通過關鍵字查詢一些對話，也就是從大庫里選取出一個小庫來訓練。從一些論文上，很多演算法都是在數據預處理層面的，比如Mechanism-Aware Neural Machine for Dialogue Response Generation就介紹了，從大庫中抽取小庫，然後再進行融合，訓練出有特色的對話來。
對於英語，需要了解NLTK，NLTK提供了載入語料，語料標准化，語料分類，PoS詞性標注，語意抽取等功能。
另一個功能強大的工具庫是CoreNLP，作為 Stanford開源出來的工具，特色是實體標注，語意抽取，支持多種語言。
下面主要介紹兩個內容：
中文分詞
現在有很多中文分詞的SDK，分詞的演算法也比較多，也有很多文章對不同SDK的性能做比較。做中文分詞的示例代碼如下。
# coding:utf8
'''
Segmenter with Chinese
'''
import jieba
import langid
def segment_chinese_sentence(sentence):
'''
Return segmented sentence.
'''
seg_list = jieba.cut(sentence, cut_all=False)
seg_sentence = u" ".join(seg_list)
return seg_sentence.strip().encode('utf8')
def process_sentence(sentence):
'''
Only process Chinese Sentence.
'''
if langid.classify(sentence)[0] == 'zh':
return segment_chinese_sentence(sentence)
return sentence
if __name__ == "__main__":
print(process_sentence('飛雪連天射白鹿'))
print(process_sentence('I have a pen.'))
以上使用了langid先判斷語句是否是中文，然後使用jieba進行分詞。
在功能上，jieba分詞支持全切分模式，精確模式和搜索引擎模式。
全切分：輸出所有分詞。
精確：概率上的最佳分詞。
所有引擎模式：對精確切分後的長句再進行分詞。
jieba分詞的實現
主要是分成下面三步：
1、載入字典，在內存中建立字典空間。
字典的構造是每行一個詞，空格，詞頻，空格，詞性。
上訴書 3 n
上訴人 3 n
上訴期 3 b
上訴狀 4 n
上課 650 v
建立字典空間的是使用python的dict，採用前綴數組的方式。
使用前綴數組的原因是樹結構只有一層 -word:freq，效率高，節省空間。比如單詞"dog", 字典中將這樣存儲：
{
"d": 0,
"do": 0,
"dog": 1 # value為詞頻
}
字典空間的主要用途是對輸入句子建立有向無環圖，然後根據演算法進行切分。演算法的取捨主要是根據模式- 全切，精確還是搜索。
2、對輸入的語句分詞，首先是建立一個有向無環圖。
有向無環圖,Directed acyclic graph(音 /ˈdæɡ/)。
【圖 3-2】 DAG
DAG對於後面計算最大概率路徑和使用HNN模型識別新詞有直接關系。
3、按照模式，對有向無環圖進行遍歷，比如，在精確模式下，便利就是求最大權重和的路徑，權重來自於在字典中定義的詞頻。對於沒有出現在詞典中的詞，連續的單個字元也許會構成新詞。然後用HMM模型和Viterbi演算法識別新詞。
精確模型切詞：使用動態規劃對最大概率路徑進行求解。
最大概率路徑：求route = (w1, w2, w3 ,.., wn)，使得Σweight(wi)最大。Wi為該詞的詞頻。
更多的細節還需要讀一下jieba的源碼。
自定義字典
jieba分詞默認的字典是:1998人民日報的切分語料還有一個msr的切分語料和一些txt小說。開發者可以自行添加字典，只要符合字典構建的格式就行。
jieba分詞同時提供介面添加詞彙。
Word embedding
使用機器學習訓練的語言模型，網路演算法是使用數字進行計算，在輸入進行編碼，在輸出進行解碼。word embedding就是編解碼的手段。
【圖 3-3】 word embedding, Ref. #7
word embedding是文本的數值化表示方法。表示法包括one-hot，bag of words，N-gram，分布式表示，共現矩陣等。
Word2vec
近年來，word2vec被廣泛採用。Word2vec輸入文章或者其他語料，輸出語料中詞彙建設的詞向量空間。詳細可參考word2vec數學原理解析。
使用word2vec
安裝完成後，得到word2vec命令行工具。
word2vec -train "data/review.txt"
-output "data/review.model"
-cbow 1
-size 100
-window 8
-negative 25
-hs 0
-sample 1e-4
-threads 20
-binary 1
-iter 15
-train "data/review.txt" 表示在指定的語料庫上訓練模型
-cbow 1 表示用cbow模型，設成0表示用skip-gram模型
-size 100 詞向量的維度為100
-window 8 訓練窗口的大小為8 即考慮一個單詞的前八個和後八個單詞
-negative 25 -hs 0 是使用negative sample還是HS演算法
-sample 1e-4 採用閾值
-threads 20 線程數
-binary 1 輸出model保存成2進制
-iter 15 迭代次數
在訓練完成後，就得到一個model，用該model可以查詢每個詞的詞向量，在詞和詞之間求距離，將不同詞放在數學公式中計算輸出相關性的詞。比如：
vector("法國") - vector("巴黎) + vector("英國") = vector("倫敦")"
對於訓練不同的語料庫，可以單獨的訓練詞向量模型，可以利用已經訓練好的模型。
其它訓練詞向量空間工具推薦：Glove。
Seq2Seq
2014年，Sequence to Sequence Learning with Neural Networks提出了使用深度學習技術，基於RNN和LSTM網路訓練翻譯系統，取得了突破，這一方法便應用在更廣泛的領域，比如問答系統，圖像字幕，語音識別，撰寫詩詞等。Seq2Seq完成了【encoder + decoder -> target】的映射，在上面的論文中，清晰的介紹了實現方式。
【圖 3-4】 Seq2Seq, Ref. #1
也有很多文章解讀它的原理。在使用Seq2Seq的過程中，雖然也研究了它的結構，但我還不認為能理解和解釋它。下面談兩點感受：
a. RNN保存了語言順序的特點，這和CNN在處理帶有形狀的模型時如出一轍，就是數學模型的設計符合物理模型。
【圖 3-5】 RNN, Ref. #6
b. LSTM Cell的復雜度對應了自然語言處理的復雜度。
【圖 3-6】 LSTM, Ref. #6
理由是，有人將LSTM Cell嘗試了多種其它方案傳遞狀態，結果也很好。
【圖 3-7】 GRU, Ref. #6
LSTM的一個替代方案：GRU。只要RNN的Cell足夠復雜，它就能工作的很好。
使用DeepQA2訓練語言模型
准備工作，下載項目：
git clone https://github.com/Samurais/DeepQA2.git
cd DeepQA2
open README.md # 根據README.md安裝依賴包
DeepQA2將工作分成三個過程：
數據預處理：從語料庫到數據字典。
訓練模型：從數據字典到語言模型。
提供服務：從語言模型到RESt API。
預處理
DeepQA2使用Cornell Movie Dialogs Corpus作為demo語料庫。
原始數據就是movie_lines.txt和movie_conversations.txt。這兩個文件的組織形式參考README.txt
deepqa2/dataset/preprocesser.py是將這兩個文件處理成數據字典的模塊。
train_max_length_enco就是問題的長度，train_max_length_deco就是答案的長度。在語料庫中，大於該長度的部分會被截斷。
程序運行後，會生成dataset-cornell-20.pkl文件，它載入到python中是一個字典：
word2id存儲了{word: id}，其中word是一個單詞，id是int數字，代表這個單詞的id。
id2word存儲了{id: word}。
trainingSamples存儲了問答的對話對。
比如 [[[1,2,3],[4,5,6]], [[7,8,9], [10, 11, 12]]]
1，2，3 ... 12 都是word id。
[1,2,3] 和 [4,5,6] 構成一個問答。 [7,8,9] 和 [10, 11, 12] 構成一個問答。
開始訓練
cp config.sample.ini config.ini # modify keys
python deepqa2/train.py
config.ini是配置文件, 根據config.sample.ini進行修改。訓練的時間由epoch，learning rate, maxlength和對話對的數量而定。
deepqa2/train.py大約100行，完成數據字典載入、初始化tensorflow的session，saver，writer、初始化神經元模型、根據epoch進行迭代，保存模型到磁碟。
session是網路圖，由placeholder, variable, cell, layer, output 組成。
saver是保存model的，也可以用來恢復model。model就是實例化variable的session。
writer是查看loss fn或者其他開發者感興趣的數據的收集器。writer的結果會被saver保存，然後使用tensorboard查看。
Model
Model的構建要考慮輸入，狀態，softmax，輸出。
定義損耗函數，使用AdamOptimizer進行迭代。
最後，參考一下訓練的loop部分。
每次訓練，model會被存儲在save路徑下，文件夾的命名根據機器的hostname，時間戳生成。
提供服務
在TensorFlow中，提供了標準的serving模塊 - tensorflow serving。但研究了很久，還專門看了一遍 《C++ Essentials》，還沒有將它搞定，社區也普遍抱怨tensorflow serving不好學，不好用。訓練結束後，使用下面的腳本啟動服務，DeepQA2的serve部分還是調用TensorFlow的python api。
cd DeepQA2/save/deeplearning.cobra.vulcan.20170127.175256/deepqa2/serve
cp db.sample.sqlite3 db.sqlite3
python manage.py runserver 0.0.0.0:8000
測試
POST /api/v1/question HTTP/1.1
Host: 127.0.0.1:8000
Content-Type: application/json
Authorization: Basic YWRtaW46cGFzc3dvcmQxMjM=
Cache-Control: no-cache
{"message": "good to know"}
response
{
"rc": 0,
"msg": "hello"
}
serve的核心代碼在serve/api/chatbotmanager.py中。
使用腳本
scripts/start_training.sh啟動訓練
scripts/start_tensorboard.sh啟動Tensorboard
scripts/start_serving.sh啟動服務
對模型的評價
目前代碼具有很高的維護性，這也是從DeepQA項目進行重構的原因，更清晰的數據預處理、訓練和服務。有新的變更可以添加到deepqa2/models中，然後在train.py和chatbotmanager.py變更一下。
有待改進的地方
a. 新建models/rnn2.py, 使用dropout。目前DeepQA中已經使用了Drop.
b. tensorflow rc0.12.x中已經提供了seq2seq network，可以更新成tf版本.
c. 融合訓練，目前model只有一個庫，應該是設計一個新的模型，支持一個大庫和小庫，不同權重進行，就如Mechanism-Aware Neural Machinefor Dialogue Response Generation的介紹。
d. 代碼支持多機多GPU運行。
e. 目前訓練的結果都是QA對，對於一個問題，可以有多個答案。
f. 目前沒有一個方法進行accuracy測試，一個思路是在訓練中就提供干擾項，因為當前只有正確的答案，如果提供錯誤的答案（而且越多越好），就可以使用recall_at_k方法進行測試。
機器人家上了解到的，希望對你有用
6. nlp的NLP守門員
· NLP認為這三位守門員(過濾機制)，將外部的感官經驗轉化為內部的表象。而當我們使用語言時，它也轉化我們的內部表象。首先我們「刪減」、「扭曲」及「一般化」我們的經驗。然後，當我們選擇用語，以描述經驗時，也再次「刪減」、「扭曲」及「一般化」那經驗一次。
· 當我們講話時，原始經驗的豐潤，已被壓縮成文字的線型點滴，而那過程比讀這段描述的時間還短。所以禪宗有「文字障」一說。
· 口語的語言，是地圖的地圖，已離感官經驗兩個層次了。
· 這個世界本來都沒有任何特定意涵(標簽)。是我們將其貼標簽，而有時，我們還忘了是我們自己貼的呢！我們可能會對我們的經驗貼錯標簽，而又讓它來引導我們的行為。
· 舉例來說明，一個人說他不喜歡「流行音樂」。這是一個一般化的例子，而文字變成了替代物及障礙，使其無法去聽一些其他型的音樂。有時，我們也會被更改名稱所愚弄，以為這樣，事實就會改變了。
· 語言雖不會決定思想，但它會傳輸思想。文字可以不含任何感官經驗。它讓我們可以盡情地表達我們想像的世界。這項工具是讓我們可以盡情幻想、聯想、發現，創作詩及文學，及超越我們自己，去拓寬我們的地圖。唯一的風險就是也可以使之限制及貧瘠我們的地圖。
· 運用文詞可以產生一個更自由、豐富及令人滿意的世界模型或世界觀。我們可以進行「逆向工程」，將語言回溯到原始的經驗。
一NLP的認知世界
了解我們「認知世界」的「三位守門員」 ︰
· 這些認知世界的守門員本身，並無所謂好或壞。他們既是資產也是負債。
· 這些認知世界的守門員又稱為過濾機制。
· 人們對如何去形成他們的認知特色，各有不同的意見。有的人比較多用「刪減」，有的比較偏好「扭曲」，而也有的人比較喜歡用「一般化」。這些在實用上，有什麼意義呢？
· 心智模式的這些過濾機制本身無所謂好壞。而且所有過濾機制都在某種程度上充當了心理防衛機制。 · 那些常運用「刪減」的人會有跳躍性的思考方式，而使人很難跟得上。他們因能「刪減」一些干擾，而有很強的專注力，他們也可能很能忍受一些生理的不舒服。
· 我們對我們的經驗是有選擇性的，而「刪減」掉不要的。那些被「刪減」掉的經驗，不是不吻合我們要的，就是我們認為不重要。
例如：你曾經找不到鑰匙，後來又在你找過的地方找到的經驗，你就知道「刪減」是如何在運作的。
· 假如我們不去「刪減」一些進來的感官資訊，我們會被其淹沒。但是，也可能剛好「刪減」掉一些我們應該要注意的。
· 如我們當下的感覺為何或別人對我們的重要回饋。有時我們對別人所講的話，只聽到負面的，而刪掉了正面的，甚至它們是在同一個句子里。
· 要完成一張地圖，必先有所刪減不可，除非想累死。你不可能巨細靡遺地完整敘述你的經驗。因此，你開始刪減一些事情。問題是你有時候也會刪減掉一些重要信息。你必須有正確訊息方能正確地製作你的心靈地圖。
· 大多數人都已聽說這樣的語言形態，如：
「我害怕」、「我困惑」、「我感到困惑」或「我高興」。
這些語言形態會刪減你所要描述的部分內容。所以，某人害怕某事，而整件事情卻在所謂的「我好害怕」的話語敘述中被刪減掉了。因此，假若你想找回這個訊息，你問的應該是：「怕什麼？」明確地說：「到底是什麼事情使你害怕？」類似的情況是如果有人說：「我覺得困惑。」那麼他一定因為某事而困惑。
· 你可以刪減一些訊息，但有時候被刪減的信息卻是非常重要的。專業的溝通者在訊息被刪減的時候必須知道是什麼訊息被刪減了，並在必要時使用語言工具恢復被刪掉部分。
· 我們必須做的事情之一，是試著分辨被刪去的訊息中哪一部分最重要。例如，如果有人說他們害怕，那麼知道他們害怕什麼是非常重要的。或者，如果有人說他們處在痛苦中，就必須找到他們痛苦的原因，以及何以會有這些原因發生。人們大多有這種直覺。當有人刪去某些訊息，你會說：「到底他們是什麼呢？」你會想要尋找失落的訊息。
· 「人們對此已充分知道了。」 這句話是什麼意思呢？它太模糊了，
· 我們並不知道人們是指誰，或許這是需要確實知道的。為了搞清楚，你會問：「到底是誰？」有時候在句子中，人物完全失去了，如「知道這個是不夠的。」 這種叫做消極的說法。這是很好的規避責任的方法。
再回到原來的句子，「此」代表什麼？除非先前的對話你已經清楚了，否則你要問：「他們對什麼還知道得不夠？」「縱使很清楚了，也值得再問一次。」
最後，「知道」 這動詞也不是很明確的，你可以問：「他們如何知道的？」
· 假如我們在談話的時候，老是追根究底，那會是很討厭人的，尤其幾乎每句話都有一些刪減。然而，細節可能是重要的。假如我們不清楚它，就經常會錯誤地假設它。我們以我們自己的地圖，而不是說話者的地圖，來填補那失去的部分。有時說話者也不確知他們的言下之意。你的問題會幫助他們更清楚他們的原意。
· 上述最後一句，包括了比較詞——更。我們使用很多比較詞：
「更好」、「最好」、「較糟」、「更多」、「更少」。
一個比較的情形，需要有至少兩項事物。知道比較的基礎很重要。所以你要問：「與什麼比較？」比如有人說：「我表現得比較差。」跟什麼比很差？你理想的表現是什麼？你昨天的表現？專家的表現如何？不切實際的比較會給人帶來很大的不快。有一個很有效的讓自己沮喪的方法是將自己與想像的且無法達成的理想比較，覺得自己真苯，趕不上那些標准，然後又刪掉你使用的標准，你就可以覺得很糟，而又無法排除。
· 激勵自己，似乎讓自己與吸引人的未來相比，而不是去與他人相比。要評判自己的進步，是將自己與當初開始時相比。 · 很會「扭曲」他們的體驗的人，會不斷地因他們對你的言行的詮釋方式，而讓你驚訝。他們可能會看到一些你從來不會想的因果連結。他們能夠做不尋常的連接，並從你的話，推演出你的思想與感受。他們也可能會很有創意。藝術、音樂及文學都要用到「扭曲」。「扭曲」才能創造出唐老鴨、米老鼠…..。
· 我們改變我們的經驗，以放大或消除它且以不同的角度看它，就像是從凹凸鏡看。
· 同樣的，假如我們沒有「扭曲」的能力的話，也會窒息掉我們的創意。
例如：當你計劃要重新裝潢時，如能事先就可想像到，房子裝潢好時，會是什麼樣子，會很有幫助。這就是感官的「扭曲」。
· 但如果你將別人以某種方式看你，想成他在瞧不起你，你很可能是在「扭曲」他看你的意思，因而也會「扭曲」了你的反應。幻想建立於幻想之上。
· 我們可以去掉過程並將其變為事物來扭曲事情，這樣建立起來的名詞叫做「名詞化」。我們有很多重要的觀念是名詞化的：愛、正義、教育、信念、選擇、合作、害怕…扭曲的意思就是，這些名詞其實是動詞喬裝的，過程中途被凍結掉了。名詞化的問題是，它們變成靜態及無法更動的。比如有人說：「這個關系已經停止了。」可以將這個關系轉回到過程，即問：「我們是怎樣沒關聯了？」以找出說者的意思。
· 下列還有一些有弦外之音的扭曲「隱含前提」。人在說話的時經常有弦外之音，找出來後，會讓我們更加了解他們的世界模型，聽出那些假設的東西。要找出來的方法是問問自己，要讓那話有意義，什麼東西還沒有說出來？比如說：
「他就像你其他朋友一樣遲鈍。」這就是假設你所有其他的朋友都是遲鈍的。
· 「請不要像上次我們討論時，那樣無理取鬧。」假設你上次無理取鬧以及我們上次已經討論過這主題。
· 「為什麼這個這么困難？」假設這本來就是困難的。如果你去回答他的為什麼的問題，你就是在加強他的假設。
以為什麼開始的問句，常常以將你的注意力由假設轉到理由的方式，來隱藏它的假設。 · 常作「一般化」或「類推」的人，可能對自己很肯定(或非常不肯定)。世界在他們看來，可能是很單純的。他們住在一個黑白分明的世界，假如經驗不是這樣就該是那樣，則灰色地帶很難存在。
· 他們也可能有很多行為准則來應對不同的情境。科學法則都是類推出來的，而科學方法是很好的作業方法：實驗，由結果來「類推」，但也永遠都准備好，在面對例外時，就要改弦易張了。
· 我們對我們經驗中的某部份，當為是事情的全部，而忽略了可能的例外。這對我們在面對一個情境時，可以從我們過去在類似的情境中，所學習的經驗，很快的反應，是很有用的。
· 但是，如果我們「類推」錯誤或沒對新經驗開放的話，可能會變成問題。
信念就是一個很好「一般化」的例子。
· 當你在做「類推」(一般化)時，你是想了解外界，並知道什麼是可以期待的。
· 這意謂著，當你看到一個跟你從前看過完全不同的把手時，你不需要很困惑地退下來。你知道那僅是另外一種的把手而已。
· 「一般化」是我們如何學習的基本部份，但是同樣的程序也會招來大災難。
· 假設你有一段不理想的親密關系的經驗。你根據這經驗而「類推」，這世界上的人都一樣，不值得信賴。你這個「一般化」的想法，可能會中止了你再找到一位例外於上述想法的另一半的機會。
· 像「所有」、「永不」、「總是」、「每一次」這類的字眼是概括性的，它們不承認例外。它們局限、簡化了我們對世界的看法，而不是世界本身。比如說：
1． 我永遠都沒辦法做這事。
2． 沒有人在乎。
3． 當我需要你時，你總是不在。
4． 人類並不是仁慈的。
5． 西餐是貴的。
· 另外一個一般化的例子是，我們如何以「應該」、「必須」來管制我們及他人。有時候並沒有真正的必要性。要找出其必要性，可以問：「如果我沒有做那些事，會怎麼樣？」比如說：「你應該另外找個工作。」「如果沒有找，則會怎麼樣？」找出那後果，它們可能是真的不愉快的，或者只是想像的。我們有時被那些管制性的字眼所催眠，所以想都不想就去遵從了。
· 也有反面的規則：「不該」、「不要」、「不能」是更強的規范。有一些是真正的生理上的限制：「我無法跳高20米。」其他未經測試的信念。比如說：「我不能改變」或「我無法找它」。要突破這點就問「什麼阻擋了你？」 這種問法，可以改變焦點，由被卡住的位置前進到某個目標以及排除可能阻擋路的東西。
· 我能及你能是授予力量的字眼，除非那些目標是不切實際的，所以能將「必要」、「應該」這種詞改為「能夠」是很好的。所以「我必須做好」變成「我能做好。」 這種重新更動是你能替自己或者他人做的最有力量的改變。
7. .nlp是什麼文件
什麼是NLP?
N-neuro神經 L-liguistic語言 P-programming程式
它被翻譯成「身心語言程序學」，不好理解，對嗎？簡言之，NLP就是從破解成功人士的語言及思維模式入手，獨創性地將他們的思維模式進行解碼後，發現了人類思想、情緒和行為背後的規律，並將其歸結為一套可復制可模仿的程式。美國科羅拉多政府曾給出了一個貼切的定義：NLP是關於人類行為和溝通程序的一套詳細可行的模式。
語言是思維的載體，NLP從語言入手，革命性地將意識與潛意識的研究帶到一個全新的高度，更難能可貴的是，它不是一套學者們用來清談的理論，而是可推及到現實生活各個層面的方法論。它被譽為現代心理學最具學科綜合性，最具神奇效力，也是最具發展前景的應用成果。有人說NLP是成功學，正確的解釋是，成功學只是它的冰山一角，它背後有著更深刻的腦神經學及心理學基礎。
NLP簡史
美國加州大學Richard Bandler和John Grinder是NLP的創始人。20世紀70年代，他們曾共同研究一個課題：臨床心理學為什麼有極為卓越的治療師？他們是如何成就卓越的？兩人深入地研究了美國心理治療領域的三位宗師：完形治療法（Gestalt Therapy）的Fritz Perls,家庭治療界的Virginia Satir,催眠治療界的Milton Ericson。兩人將三位宗師的語言、行為及思想模式進行分析和解碼，並由此編輯成一套可操作的技巧，名為Neuro Linguistic Programming,NLP自此誕生。由此可見，NLP與臨床心理學有著一份天生的血緣關系，它本身雖然不是一套心理治療，但它用於改變人類經驗行為的顯著效果卻對個人身心提升大有益處。
為什麼要學習NLP？
人生的困局往往來自於頭腦與心靈的抵觸、理智與感情的沖突、意識與潛意識的矛盾。NLP因為完全發現了思維和情緒的規律，知道如何讓你的理性與感性協調一致、身心合一。所以，用它來處理各種困局、突破發展瓶頸，就如利斧斷木，效果驚人，它常常能迅速抓住問題的要害，以最短的時間化矛盾於無形，很大程度上，NLP是教你找到方法的方法。
NLP發現了思維的規律，規律的特性意味著可以不斷地被舉一反三。因此，NLP具有無限的延展性。在這門學問出現後的三十年時間里，已經有無數的人發展出了數百個不同的技巧，並且還在不斷的發展中。這些技巧可以用來處理你工作、學習、生活等各個方面的問題，並極大地提升你的學習能力、溝通能力以及幸福感。
毫不誇張的說，沒有哪門學問能夠像NLP這樣給你打開如此廣闊的世界，它讓你看到無限多的可能性，並給你方法，讓你朝著自己想去的方向輕鬆快樂地向前。
什麼樣的人適合學習NLP？
幾乎所有人都可以學。尤其適用於：企業負責人、職業經理人、市場營銷人員、行政人事工作者、公關人員、培訓工作者、教練、教育工作者、心理咨詢師、為人父母者、人文研究者等等。
NLP容易學嗎？
很容易。NLP這門學問題雖然揭示了思維及行為活動的規律，其發現是革命性的。但是，它的理論基礎卻是我們大部分受過教育的人都熟悉的。NLP在短短的三十年裡能夠迅速地傳播，得益於它「效果顯著、易學易懂」的特性，它是一門小學生能聽懂，大學教授覺得有深度的學問。在它的教學過程中，大量地運用體驗式的互動的方法，使得整個學習的過程變得輕松有趣。
更多請瀏覽本站：NLP世界 欄目
8. rpa是什麼意思
RPA是 Robotic Process Automation的簡寫，直譯為機器人流程自動化。RPA是將可定義、重復性高、有規則的應用軟體操作實現自動化的軟體工具，用於解放軟體用戶的重復性工作。
機器人流程自動化工具在技術上類似圖形用戶界面測試工具。這些工具也會自動的和圖形用戶界面上互動，而且會由使用者示範其流程，再用示範性編程來實現。
機器人流程自動化工具的不同點是這類系統會允許資料在不同應用程序之間交換。例如接收電子郵件可能包括接收付款單、取得其中資料，輸入到簿記系統中。
原理：
在傳統的工作流自動化技術工具中，會由程序員產生自動化任務的動作列表，並且會用內部的應用程序介面或是專用的腳本語言作為和後台系統之間的界面。
機器人流程自動化會監視使用者在應用軟體中圖形用戶界面（GUI）所進行的工作，並且直接在GUI上自動重復這些工作。因此可以減少產品自動化的阻礙，因此有些軟體可能沒有這類用途的API。
9. 李中瑩NLP在哪裡開課呀課程質量怎樣呀
2015年李中瑩課程時間安排
鑒於李中瑩老師的重心從個人親自授課轉為培養導師，所以目前李中瑩老師親自講的課程有婚姻情感方面的《跳好雙人舞》和企業管理方面的《企業心智模式》。
跳好雙人舞的時間安排：
2015年1月30-2月2日（第二期）
2015年4月3-6日（第三期）
《跳好雙人舞》課程大綱：
一、婚姻對生命系統的意義
1、 接受生命的意義；
2、 生命的傳承；
3、 人類社會的最重要部份；
4、心理素質教育；
5、生命之火。
二、影響婚姻的系統性原因
1、Z型效應；
2、兄弟姊妹年差少於2歲；
3、人工流產（墮胎）；
4、父母不和；
5、家暴；
6、父母不和的解決；
7、重男輕女；
8、女漢子；
9、做了父母的父母；
10、重復某系統成員的命運。
三、無法踏進戀愛或婚姻
1、心理問題；
- 父母關系欠佳；
- 創傷性過敏；
- 錯誤認知做成恐懼
- 系統性心理問題；
2、認知問題；
- 被誤導；
- 社會價值觀偏差；
- 個人的限制性信念；
- 「人望高處」；
- 對婚姻的錯誤偏差。
3、技能問題；
- 溝通與人際關系（自我意識、有效表達）；
- 情緒及壓力管理（含自我察覺、自我調整、NLP）；
- 思維能力（含觀察、分析、判斷、解決問題）。
4、解決
- 把自己找回來；
- 正確的人生觀；
- 清除心理困擾；
- 學習，提升技能；
- 有效的策劃與行動。
四、如何談戀愛
1、戀愛的真確定位；
2、戀愛的條件；
3、戀愛的有效進行；
4、戀愛產生的困擾及痛苦；
5、失戀。
五、如何選擇結婚對象
1、選擇的考慮；
2、必須明白的道理；
3、情人、拍檔、伴侶；
4、不是重要的考慮因素；
5、結婚對象的測試。
六、准備結婚
1、婚姻的意義；
2、核心信念；
3、對婚姻的錯誤信念；
4、1.1抑或4.0；
5、我+你≠我們；
6、愛與情不同；
7、婚姻是愛情的墳墓？
8、核心價值觀；
9、工作與家庭；
10、共同願景；
11 處理沖突的機制；
12 不是結婚的理由。
七、如何經營好婚姻
1、你的價值只能在對方身上體現；
2、 喂飽對方好讓對方喂飽你；
3、 幸福法則；
4、感恩的感覺；
5、製造浪漫；
6、新婚生活里的磨合；
7、夫妻溝通的藝術；
8、我—你—我們；
9、女人的三個角色；
10、變化帶來驚喜；
11 叫你伴侶把情緒帶回家；
12 婚姻中的信任；
13 操控只會得到反操控；
14 定期檢討；
15 怎樣知道婚姻已經出現問題。
八、婚外情、小三
1、罪不在小三身上；
2、當維持愛情的動力減少了；
3、當愛情只是一件工具；
4、婚外情的多樣化；
5、婚外情的「情」；
6、婚外情的原因
7、婚外情沒有完美的解決
8、用「原諒」去處理婚外情不是解決
9、怎辦？
九、如何挽救你的婚姻
1、真的應該繼續下去嗎？
2、冰封三尺，非一日之寒；
3、「受害者」心態只會加速失敗；
4、當愛還沒有完全消失；
5、家暴；
6、用好朋友的身份談一談；
7、重新再談一次戀愛。
十、當婚姻無法挽回
1、受害者心態；
2、因誤解而聚，因了解而分；
3、沒有情感關系比維持壞的關系更好；
4、放不下的是什麼？
5、在走出去之前點算一下。
十一、如何結束一段婚姻
1、不要騙自己面對吧；
2、失敗是失敗之母；
3、分手一定有痛苦；
4、人生小輪回；
5、你不讓他好過，他也不會讓你好過；
6、恨；
7、愛與受傷；
8、不要利用孩子去傷害對方；
9、跟TA談談分手；
10、對孩子的交待。
十二、准備好下一次了嗎？
1、不放過上一次，不會有好的下一次；
2、上一次是成就你的；
3、對孩子的交待；
4、還在創痛中，不要開始下一次；
5、下一次必須記住的事情；
6、為下一次做思想策劃；
7、假如你帶著孩子進入下一次婚姻。
十三、第一次的孩子，第二次的婚姻
1、若你是孩子的母親（假設）；
2、若你是孩子媽的新伴侶；
3、兩人與孩子的生活；
4、若是喪偶再婚；
5、若是兩人都帶著孩子再婚。
十四、其他問題
1、同性戀；
2、丁克；
3、失獨；
4、不正常的性需求；
5、獨身。
李中瑩老師親自講的目前就安排了這兩期，第三期過後可能就開始由李中瑩老師培養出來的婚姻指導師在全國各地上課了。
企業心智模式：（第七期）
5月14-17日（一階段）
6月11-14日（二階段）
7月16-19日（三階段）
第一階段課程大綱
第一天 把自己找回來
①找回自己
②接上生命動力的電源
1、生命是心智模式
2、1分鍾減壓技巧
3、2分鍾內舒緩情緒，調整身心狀態
4、3分鍾讓你與內心連接
5、4分鍾內做到身心合一
6、5分鍾內與人及事物有更好的連接
7、與本人的家族生命系統連接
8、重獲龐大的生命力量
9、找回擁有成功快樂人生的資格
第二天 你管理你的人生
①解開絆腳的繩子
②解脫困境的工具箱
1、重掌管理本人人生的能力
2、做憤怒的主人
3、做害怕的主人
4、有效運用痛苦去解決問題
5、用感恩去消除怨恨
6、如何提升你存在的價值
7、了解你對企業的價值
8、了解你對員工的價值
第三天 做自己的神
①老闆的價值在哪裡
②讓潛意識支持你的目標
1、重新認識你對你人生的掌控權
2、調整一些妨礙成功的看法
3、讓你的潛意識支持你的目標
4、重建你與財富的關系
5、重建你與企業成功的關系
6、重做團隊領導的身份定位
7、讓你內心有新的動力及意念去成為一個成功的領導
第四天 把自己准備好
①思維打開了，什麼都輕松
②快速診斷企業的問題
1、更有效組織思路
2、一分鍾內准備好演講辭
3、快速有效的困境分析技巧
4、深入了解大腦對事物的理解模式
5、了解表面問題及深層需求
6、分析事物的深層原因及意義
第二階段課程大綱
第五天 讀人讀心
①了解一個人的內心
②對他更有效的引導
1、2分鍾內讀懂對方的思維模式
2、5分鍾內讓對方感覺跟你談得來
3、10分鍾內了解對方性格的特質
4、快速了解對方看事情的心態
5、5分鍾內清晰對方的判斷模式
6、輕易知道對方思維上的盲點在哪
7、快速有效引導對方從困境/盲點突破
8、有效推動對方產生動力
第六天 團隊管理的意義
①用系統的力量去做系統的事
②正確發揮管理的效用
1、簡單快速的管理技術
2、不要為了管理而管理
3、團隊能做到的比你以為的多及好
4、老大更應該做的事
5、提升團隊的能力是最重要的領導責任
6、了解團隊的立體協作
7、了解下屬的辛苦
8、覺察領導位置的盲點
第七天 企業里人的問題，都是領導的問題
①領袖與團隊的關系地位
②人才難找，人才難留
1、認識領袖的角色及責任
2、企業的動力方向
3、團隊為何追隨領袖
4、隊員的忠誠從何而來？
5、你知道你要找怎樣的人嗎？
6、為何人才應該去你那裡？
7、90後真的難管嗎？
8、解決人才難找的問題
第八天 如何把人才留下來
①員工的真正需求
②如何建立落地的企業文化
1、沒做該做的問題更大
2、「人」在企業的重要性重新定位
3、人才們的真正需要
4、非物質的價值
5、團隊帶來的價值特別重要
6、培養管理者的成功因素
7、為什麼企業文化重要
8、建設落地有效的企業文化
第三階段課程大綱
第九天 企業未來是老大的責任
①領袖的首要工作就是搞好未來
②未來不可以預測，但可以管理
1、團隊為你做出業績，你為團隊開拓前進的空間
2、過去不是未來的指引
3、你做了些什麼去應付未來三年的變化
4、為什麼你的企業應該有美好的未來
5、修正你過去決定你今天的模式
6、你對未來的要求過高亦或過低
7、老大是第一個走入未來的人
8、目標的突破
9、創造有效策劃未來的思維模式
10、大局觀，未來策劃及成理性思維
第十天 一切都是為了未來
①企業如何走向未來的
②創造未來，突破性地策劃未來
1、放下過去，探索未來
2、誰在妨礙你走向下一個美好的未來
3、企業里什麼在妨礙前進
4、旁觀者清，讓顧客及智者讓你清醒
5、培養走進未來的內心力量
6、你還在抗拒轉變嗎
7、把不可能轉變為可能的思想技巧
8、了解未來對你及企業的要求
第十一天 策劃未來的行動
①如何做好未來策劃的工作
②更有把握的創造未來
1、你知道有些什麼在未來等待著你嗎
2、深入分析你的企業現況及未來需要
3、主導你未來發展的變革
4、做系統支持的事
5、術、道、勢的掌握
6、從條件，到資源，到形勢，到成功
7、穿透問題的表象看深層
8、認識企業的多重結構
第十二天 從未來到長青
①如何打造自生力
②長青不倒的企業管理模式
1、只有擁有自生力的企業才能度過未來的十年
2、如何打造企業自生力
3、從系統動力看企業的變化及成敗
4、如何避免未來的隱藏危機
5、如何維持成功不斷的動力
6、課程總結
目前李中瑩老師把大部分的時間花在研發新的課程、寫書、培養導師。
目前李中瑩老師的導師班有：
NLP執行師導師班
婚姻指導師
企業排列指導師
李中瑩老師是一位真正達到「身心合一」狀態的大師，年近70仍精神矍鑠，身體健朗，他不僅創建了中瑩之道NLP培訓平台，不遺餘力地傳播讓人「輕松滿足成功快樂」的學問，讓更多的人受益，而且自己真正做到了他學問所教授的一切，是一位身體力行的智者！
師說
總說做人要自信、自尊、自愛，但為何這么多成年人做不到呢？原因其實很簡單成長過程中，缺失了某項練習。
如何彌補？成長過程中，我們是如何失去獲得自信的機會的？
因為自信就是「信賴自己有足夠的能力取得所追求的價值」，所以自信的基礎是「能力」。
「能力」的基礎是「經驗」，「經驗」的基礎是「嘗試」，「嘗試」的基礎是「感覺」。「感覺」就是想去嘗試的內心狀態，也就是自信最基本的原動力。
沒有「想去嘗試」的感覺，不會去做第一次的嘗試，因此不能有任何的經驗累積，也因此不能發展出做事的能力。
「經驗」不一定是成功的，也有可能是失敗的經驗。成功的經驗固然好，但是失敗的經驗也帶給我們知識和能力。
從嬰兒到成年，從走路到說話，從打球到看書，每一項能力都是憑著不斷的失敗、不斷的累積經驗而學會的。偏偏就有很多人成年後不允許自己失敗，為了避免失敗而不肯去面對和嘗試新的東西。這是不讓自己成長的做法，結果是天天活在因為沒有體會到成長的快樂而帶來的痛苦之中。
每個人出生時都沒有什麼能力或自信。憑著在成長的過程中不斷地接觸新事物，學習如何面對、處理，憑事情結果和人們的肯定，能力和自信才會不斷地累積起來。因此，自信是成長過程中經過不斷的肯定而建立起來的。
肯定有兩種：來自本人和來自他人的，最好是兩者都有。若只有一種，產生自信的效果會大打折扣，若長期只有一種，自信甚至會減少。