1. nlp和python有什么关系
nlp的很多工具都有python版本
nlp是研究领域，python是语言工具。
2. 学python好还是大数据好
两个专业都是不错的，相对来说还是大数据开发好一些，大数据前景是很不错的，像大数据这样的专业还是一线城市比较好，师资力量跟得上、就业的薪资也是可观的，学大数据面授班的时间大约半年，学大数据可以按照路线图的顺序，
学大数据关键是找到靠谱的大数据培训机构，你可以深度了解机构的口碑情况，问问周围知道这家机构的人，除了口碑再了解机构的以下几方面：
1. 师资力量雄厚
要想有1+1>2的实际效果，很关键的一点是师资队伍，你接下来无论是找个工作还是工作中出任哪些的人物角色，都越来越爱你本身的技术专业大数据技术性，也许的技术专业大数据技术性则绝大多数来自你的技术专业大数据教师，一个好的大数据培训机构必须具备雄厚的师资力量。
2. 就业保障完善
实现1+1>2效果的关键在于能够为你提供良好的发展平台，即能够为你提供良好的就业保障，让学员能够学到实在实在的知识，并向大数据学员提供一对一的就业指导，确保学员找到自己的心理工作。
3. 学费性价比高
一个好的大数据培训机构肯定能给你带来1+1>2的效果，如果你在一个由专业的大数据教师领导并由大数据培训机构自己提供的平台上工作，你将获得比以往更多的投资。
希望你早日学有所成。
3. Python大数据好学吗
本人学习大数据时间不久，2年左右吧，只能从个人经验给你一点建议，希望你少走一点弯路。
首先，你说到你刚接触大数据，你要明白大数据范围超级广，你具体想要学习哪个方向呢？数据挖掘？还是机器学习深度学习？亦或nlp（自然语言处理）？（我主要学数据挖掘，呜啦啦啦）
我给所有问我大数据该怎么入门的人都会有如下建议：学好数学！学好数学！学好数学！重要的事说三遍，不然你怎么理解各种模型的构建？所以从理解算法开始，什么svn啦，knn啦，k means啦，总之各种聚类分类的算法，把它搞懂，绝对有用。
扯远了，不好意思…言归正传，回到语言的选择问题。java和python这两个语言，我给你从这几个方面解释一下：
1. python是脚本语言，无需编译，java则是需要编译的语言
2. 我在letitcode（大概是这么拼）上测试过好多次，同一个功能的程序竟然是java性能好很多
3. 平时我们做项目，都是用python写个demo去测试，真正发行的版本，是用java写的
4. 许多大数据平台（如spark），都提供多种语言的接口，所以你不用担心学一种语言没处用的问题
看到了吧？python和java的地位差别在企业中就是一个低一个高，氮素！以我个人的观点来看，我还是建议你先学python。
为啥腻？我可不是要坑你，而是因为：
1. 很多java中几行的代码，python中一行就搞定，学会了python，还怕学不会java？
2. python上手快，简洁事儿少
3. （个人经验）我学数据挖掘入门是用的scikit-learn（一个python库），当时用的超爽的好吧！几分钟搞个模型出来。当然现在看来那不算什么啦，可当时真的体验很好，特有成就感。相反拿java写程序我就各种别扭，总觉得啰嗦得很
4. 其实，我觉得scala更适合大数据…linkedin后台好像就是它写的，但是我觉得scala难，再加上种种原因，一直没来得及学
以上就是我的看法。
最后给你推荐个小工具：jupyter notebook，一个在线交互式编译器，不但支持python在线编译，还支持matplotlib及各种绘图库哦！在你前期做数据清洗和特征提取的时候很有用。
4. Python 比 Java 牛在哪
适合Python的场景如下：
1。各种运维脚本
包括但不限于统计日志分析，发送邮件，定时任务，解析文本，替换配置文件等等等等。
Python比Shell更强大，天生就是最适合做运维脚本的东西。
而随着devops的普及，各种小的运维脚本有了Python之后简直是如虎添翼。
2.小型爬虫
如果你要抓取网络新闻，微博，或者是其他论坛等，不需要考虑太多抓取权重，去重等等，用Scrapy爽的不要不要的，特别是在解析xpath方面，在这一点上，Python的简洁完全是碾压Java的。
Java解析Json就是一场恶梦，Python和JS处理这种东西轻巧的想要飞。
抓取的内容简单入库也很容易，所以如果是要求不高，纯粹的抓取入库，Python完胜。
3.文本处理
假设你要处理文本，截取，排序等等等等，Python写的小东西真的比Java好用多了，或者是说，我需要跑个定时任务，定期调一下第三方Api写到某个DB里。这些东西都是Python最擅长的地方。
4。算法
NLP和DM中很多算法都适合用Python来做，不过我了解的不多，还是用Java为主。但是推测的出来，算法领域上Python比Java要强很多。
从以上的分析看的出，Python适合的场景是小，跟其他的系统的交互比较少，不需要考虑大数据量和并发访问，不会有太复杂的结构，也很少会有什么需求变更，更多的像是Tools。
这也是符合脚本语言的特性。
所以在这些领域里，Python比Java牛是很正常的，如上所述，在不同的使用场景下来决定用什么来完成任务，是架构师一个很重要的职责。
5. 如何利用深度学习技术训练聊天机器人语言模型
数据预处理
模型能聊的内容也取决于选取的语料。如果已经具备了原始聊天数据，可以用sql通过关键字查询一些对话，也就是从大库里选取出一个小库来训练。从一些论文上，很多算法都是在数据预处理层面的，比如Mechanism-Aware Neural Machine for Dialogue Response Generation就介绍了，从大库中抽取小库，然后再进行融合，训练出有特色的对话来。
对于英语，需要了解NLTK，NLTK提供了加载语料，语料标准化，语料分类，PoS词性标注，语意抽取等功能。
另一个功能强大的工具库是CoreNLP，作为 Stanford开源出来的工具，特色是实体标注，语意抽取，支持多种语言。
下面主要介绍两个内容：
中文分词
现在有很多中文分词的SDK，分词的算法也比较多，也有很多文章对不同SDK的性能做比较。做中文分词的示例代码如下。
# 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('飞雪连天射白鹿'))
print(process_sentence('I have a pen.'))
以上使用了langid先判断语句是否是中文，然后使用jieba进行分词。
在功能上，jieba分词支持全切分模式，精确模式和搜索引擎模式。
全切分：输出所有分词。
精确：概率上的最佳分词。
所有引擎模式：对精确切分后的长句再进行分词。
jieba分词的实现
主要是分成下面三步：
1、加载字典，在内存中建立字典空间。
字典的构造是每行一个词，空格，词频，空格，词性。
上诉书 3 n
上诉人 3 n
上诉期 3 b
上诉状 4 n
上课 650 v
建立字典空间的是使用python的dict，采用前缀数组的方式。
使用前缀数组的原因是树结构只有一层 -word:freq，效率高，节省空间。比如单词"dog", 字典中将这样存储：
{
"d": 0,
"do": 0,
"dog": 1 # value为词频
}
字典空间的主要用途是对输入句子建立有向无环图，然后根据算法进行切分。算法的取舍主要是根据模式- 全切，精确还是搜索。
2、对输入的语句分词，首先是建立一个有向无环图。
有向无环图,Directed acyclic graph(音 /ˈdæɡ/)。
【图 3-2】 DAG
DAG对于后面计算最大概率路径和使用HNN模型识别新词有直接关系。
3、按照模式，对有向无环图进行遍历，比如，在精确模式下，便利就是求最大权重和的路径，权重来自于在字典中定义的词频。对于没有出现在词典中的词，连续的单个字符也许会构成新词。然后用HMM模型和Viterbi算法识别新词。
精确模型切词：使用动态规划对最大概率路径进行求解。
最大概率路径：求route = (w1, w2, w3 ,.., wn)，使得Σweight(wi)最大。Wi为该词的词频。
更多的细节还需要读一下jieba的源码。
自定义字典
jieba分词默认的字典是:1998人民日报的切分语料还有一个msr的切分语料和一些txt小说。开发者可以自行添加字典，只要符合字典构建的格式就行。
jieba分词同时提供接口添加词汇。
Word embedding
使用机器学习训练的语言模型，网络算法是使用数字进行计算，在输入进行编码，在输出进行解码。word embedding就是编解码的手段。
【图 3-3】 word embedding, Ref. #7
word embedding是文本的数值化表示方法。表示法包括one-hot，bag of words，N-gram，分布式表示，共现矩阵等。
Word2vec
近年来，word2vec被广泛采用。Word2vec输入文章或者其他语料，输出语料中词汇建设的词向量空间。详细可参考word2vec数学原理解析。
使用word2vec
安装完成后，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" 表示在指定的语料库上训练模型
-cbow 1 表示用cbow模型，设成0表示用skip-gram模型
-size 100 词向量的维度为100
-window 8 训练窗口的大小为8 即考虑一个单词的前八个和后八个单词
-negative 25 -hs 0 是使用negative sample还是HS算法
-sample 1e-4 采用阈值
-threads 20 线程数
-binary 1 输出model保存成2进制
-iter 15 迭代次数
在训练完成后，就得到一个model，用该model可以查询每个词的词向量，在词和词之间求距离，将不同词放在数学公式中计算输出相关性的词。比如：
vector("法国") - vector("巴黎) + vector("英国") = vector("伦敦")"
对于训练不同的语料库，可以单独的训练词向量模型，可以利用已经训练好的模型。
其它训练词向量空间工具推荐：Glove。
Seq2Seq
2014年，Sequence to Sequence Learning with Neural Networks提出了使用深度学习技术，基于RNN和LSTM网络训练翻译系统，取得了突破，这一方法便应用在更广泛的领域，比如问答系统，图像字幕，语音识别，撰写诗词等。Seq2Seq完成了【encoder + decoder -> target】的映射，在上面的论文中，清晰的介绍了实现方式。
【图 3-4】 Seq2Seq, Ref. #1
也有很多文章解读它的原理。在使用Seq2Seq的过程中，虽然也研究了它的结构，但我还不认为能理解和解释它。下面谈两点感受：
a. RNN保存了语言顺序的特点，这和CNN在处理带有形状的模型时如出一辙，就是数学模型的设计符合物理模型。
【图 3-5】 RNN, Ref. #6
b. LSTM Cell的复杂度对应了自然语言处理的复杂度。
【图 3-6】 LSTM, Ref. #6
理由是，有人将LSTM Cell尝试了多种其它方案传递状态，结果也很好。
【图 3-7】 GRU, Ref. #6
LSTM的一个替代方案：GRU。只要RNN的Cell足够复杂，它就能工作的很好。
使用DeepQA2训练语言模型
准备工作，下载项目：
git clone https://github.com/Samurais/DeepQA2.git
cd DeepQA2
open README.md # 根据README.md安装依赖包
DeepQA2将工作分成三个过程：
数据预处理：从语料库到数据字典。
训练模型：从数据字典到语言模型。
提供服务：从语言模型到RESt API。
预处理
DeepQA2使用Cornell Movie Dialogs Corpus作为demo语料库。
原始数据就是movie_lines.txt和movie_conversations.txt。这两个文件的组织形式参考README.txt
deepqa2/dataset/preprocesser.py是将这两个文件处理成数据字典的模块。
train_max_length_enco就是问题的长度，train_max_length_deco就是答案的长度。在语料库中，大于该长度的部分会被截断。
程序运行后，会生成dataset-cornell-20.pkl文件，它加载到python中是一个字典：
word2id存储了{word: id}，其中word是一个单词，id是int数字，代表这个单词的id。
id2word存储了{id: word}。
trainingSamples存储了问答的对话对。
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] 构成一个问答。 [7,8,9] 和 [10, 11, 12] 构成一个问答。
开始训练
cp config.sample.ini config.ini # modify keys
python deepqa2/train.py
config.ini是配置文件, 根据config.sample.ini进行修改。训练的时间由epoch，learning rate, maxlength和对话对的数量而定。
deepqa2/train.py大约100行，完成数据字典加载、初始化tensorflow的session，saver，writer、初始化神经元模型、根据epoch进行迭代，保存模型到磁盘。
session是网络图，由placeholder, variable, cell, layer, output 组成。
saver是保存model的，也可以用来恢复model。model就是实例化variable的session。
writer是查看loss fn或者其他开发者感兴趣的数据的收集器。writer的结果会被saver保存，然后使用tensorboard查看。
Model
Model的构建要考虑输入，状态，softmax，输出。
定义损耗函数，使用AdamOptimizer进行迭代。
最后，参考一下训练的loop部分。
每次训练，model会被存储在save路径下，文件夹的命名根据机器的hostname，时间戳生成。
提供服务
在TensorFlow中，提供了标准的serving模块 - tensorflow serving。但研究了很久，还专门看了一遍 《C++ Essentials》，还没有将它搞定，社区也普遍抱怨tensorflow serving不好学，不好用。训练结束后，使用下面的脚本启动服务，DeepQA2的serve部分还是调用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
测试
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的核心代码在serve/api/chatbotmanager.py中。
使用脚本
scripts/start_training.sh启动训练
scripts/start_tensorboard.sh启动Tensorboard
scripts/start_serving.sh启动服务
对模型的评价
目前代码具有很高的维护性，这也是从DeepQA项目进行重构的原因，更清晰的数据预处理、训练和服务。有新的变更可以添加到deepqa2/models中，然后在train.py和chatbotmanager.py变更一下。
有待改进的地方
a. 新建models/rnn2.py, 使用dropout。目前DeepQA中已经使用了Drop.
b. tensorflow rc0.12.x中已经提供了seq2seq network，可以更新成tf版本.
c. 融合训练，目前model只有一个库，应该是设计一个新的模型，支持一个大库和小库，不同权重进行，就如Mechanism-Aware Neural Machinefor Dialogue Response Generation的介绍。
d. 代码支持多机多GPU运行。
e. 目前训练的结果都是QA对，对于一个问题，可以有多个答案。
f. 目前没有一个方法进行accuracy测试，一个思路是在训练中就提供干扰项，因为当前只有正确的答案，如果提供错误的答案（而且越多越好），就可以使用recall_at_k方法进行测试。
机器人家上了解到的，希望对你有用
6. nlp的NLP守门员
· NLP认为这三位守门员(过滤机制)，将外部的感官经验转化为内部的表象。而当我们使用语言时，它也转化我们的内部表象。首先我们“删减”、“扭曲”及“一般化”我们的经验。然后，当我们选择用语，以描述经验时，也再次“删减”、“扭曲”及“一般化”那经验一次。
· 当我们讲话时，原始经验的丰润，已被压缩成文字的线型点滴，而那过程比读这段描述的时间还短。所以禅宗有“文字障”一说。
· 口语的语言，是地图的地图，已离感官经验两个层次了。
· 这个世界本来都没有任何特定意涵(标签)。是我们将其贴标签，而有时，我们还忘了是我们自己贴的呢！我们可能会对我们的经验贴错标签，而又让它来引导我们的行为。
· 举例来说明，一个人说他不喜欢“流行音乐”。这是一个一般化的例子，而文字变成了替代物及障碍，使其无法去听一些其他型的音乐。有时，我们也会被更改名称所愚弄，以为这样，事实就会改变了。
· 语言虽不会决定思想，但它会传输思想。文字可以不含任何感官经验。它让我们可以尽情地表达我们想象的世界。这项工具是让我们可以尽情幻想、联想、发现，创作诗及文学，及超越我们自己，去拓宽我们的地图。唯一的风险就是也可以使之限制及贫瘠我们的地图。
· 运用文词可以产生一个更自由、丰富及令人满意的世界模型或世界观。我们可以进行“逆向工程”，将语言回溯到原始的经验。
一NLP的认知世界
了解我们“认知世界”的“三位守门员” ︰
· 这些认知世界的守门员本身，并无所谓好或坏。他们既是资产也是负债。
· 这些认知世界的守门员又称为过滤机制。
· 人们对如何去形成他们的认知特色，各有不同的意见。有的人比较多用“删减”，有的比较偏好“扭曲”，而也有的人比较喜欢用“一般化”。这些在实用上，有什么意义呢？
· 心智模式的这些过滤机制本身无所谓好坏。而且所有过滤机制都在某种程度上充当了心理防卫机制。 · 那些常运用“删减”的人会有跳跃性的思考方式，而使人很难跟得上。他们因能“删减”一些干扰，而有很强的专注力，他们也可能很能忍受一些生理的不舒服。
· 我们对我们的经验是有选择性的，而“删减”掉不要的。那些被“删减”掉的经验，不是不吻合我们要的，就是我们认为不重要。
例如：你曾经找不到钥匙，后来又在你找过的地方找到的经验，你就知道“删减”是如何在运作的。
· 假如我们不去“删减”一些进来的感官资讯，我们会被其淹没。但是，也可能刚好“删减”掉一些我们应该要注意的。
· 如我们当下的感觉为何或别人对我们的重要回馈。有时我们对别人所讲的话，只听到负面的，而删掉了正面的，甚至它们是在同一个句子里。
· 要完成一张地图，必先有所删减不可，除非想累死。你不可能巨细靡遗地完整叙述你的经验。因此，你开始删减一些事情。问题是你有时候也会删减掉一些重要信息。你必须有正确讯息方能正确地制作你的心灵地图。
· 大多数人都已听说这样的语言形态，如：
“我害怕”、“我困惑”、“我感到困惑”或“我高兴”。
这些语言形态会删减你所要描述的部分内容。所以，某人害怕某事，而整件事情却在所谓的“我好害怕”的话语叙述中被删减掉了。因此，假若你想找回这个讯息，你问的应该是：“怕什么？”明确地说：“到底是什么事情使你害怕？”类似的情况是如果有人说：“我觉得困惑。”那么他一定因为某事而困惑。
· 你可以删减一些讯息，但有时候被删减的信息却是非常重要的。专业的沟通者在讯息被删减的时候必须知道是什么讯息被删减了，并在必要时使用语言工具恢复被删掉部分。
· 我们必须做的事情之一，是试着分辨被删去的讯息中哪一部分最重要。例如，如果有人说他们害怕，那么知道他们害怕什么是非常重要的。或者，如果有人说他们处在痛苦中，就必须找到他们痛苦的原因，以及何以会有这些原因发生。人们大多有这种直觉。当有人删去某些讯息，你会说：“到底他们是什么呢？”你会想要寻找失落的讯息。
· “人们对此已充分知道了。” 这句话是什么意思呢？它太模糊了，
· 我们并不知道人们是指谁，或许这是需要确实知道的。为了搞清楚，你会问：“到底是谁？”有时候在句子中，人物完全失去了，如“知道这个是不够的。” 这种叫做消极的说法。这是很好的规避责任的方法。
再回到原来的句子，“此”代表什么？除非先前的对话你已经清楚了，否则你要问：“他们对什么还知道得不够？”“纵使很清楚了，也值得再问一次。”
最后，“知道” 这动词也不是很明确的，你可以问：“他们如何知道的？”
· 假如我们在谈话的时候，老是追根究底，那会是很讨厌人的，尤其几乎每句话都有一些删减。然而，细节可能是重要的。假如我们不清楚它，就经常会错误地假设它。我们以我们自己的地图，而不是说话者的地图，来填补那失去的部分。有时说话者也不确知他们的言下之意。你的问题会帮助他们更清楚他们的原意。
· 上述最后一句，包括了比较词——更。我们使用很多比较词：
“更好”、“最好”、“较糟”、“更多”、“更少”。
一个比较的情形，需要有至少两项事物。知道比较的基础很重要。所以你要问：“与什么比较？”比如有人说：“我表现得比较差。”跟什么比很差？你理想的表现是什么？你昨天的表现？专家的表现如何？不切实际的比较会给人带来很大的不快。有一个很有效的让自己沮丧的方法是将自己与想象的且无法达成的理想比较，觉得自己真苯，赶不上那些标准，然后又删掉你使用的标准，你就可以觉得很糟，而又无法排除。
· 激励自己，似乎让自己与吸引人的未来相比，而不是去与他人相比。要评判自己的进步，是将自己与当初开始时相比。 · 很会“扭曲”他们的体验的人，会不断地因他们对你的言行的诠释方式，而让你惊讶。他们可能会看到一些你从来不会想的因果连结。他们能够做不寻常的连接，并从你的话，推演出你的思想与感受。他们也可能会很有创意。艺术、音乐及文学都要用到“扭曲”。“扭曲”才能创造出唐老鸭、米老鼠…..。
· 我们改变我们的经验，以放大或消除它且以不同的角度看它，就像是从凹凸镜看。
· 同样的，假如我们没有“扭曲”的能力的话，也会窒息掉我们的创意。
例如：当你计划要重新装潢时，如能事先就可想象到，房子装潢好时，会是什么样子，会很有帮助。这就是感官的“扭曲”。
· 但如果你将别人以某种方式看你，想成他在瞧不起你，你很可能是在“扭曲”他看你的意思，因而也会“扭曲”了你的反应。幻想建立于幻想之上。
· 我们可以去掉过程并将其变为事物来扭曲事情，这样建立起来的名词叫做“名词化”。我们有很多重要的观念是名词化的：爱、正义、教育、信念、选择、合作、害怕…扭曲的意思就是，这些名词其实是动词乔装的，过程中途被冻结掉了。名词化的问题是，它们变成静态及无法更动的。比如有人说：“这个关系已经停止了。”可以将这个关系转回到过程，即问：“我们是怎样没关联了？”以找出说者的意思。
· 下列还有一些有弦外之音的扭曲“隐含前提”。人在说话的时经常有弦外之音，找出来后，会让我们更加了解他们的世界模型，听出那些假设的东西。要找出来的方法是问问自己，要让那话有意义，什么东西还没有说出来？比如说：
“他就像你其他朋友一样迟钝。”这就是假设你所有其他的朋友都是迟钝的。
· “请不要像上次我们讨论时，那样无理取闹。”假设你上次无理取闹以及我们上次已经讨论过这主题。
· “为什么这个这么困难？”假设这本来就是困难的。如果你去回答他的为什么的问题，你就是在加强他的假设。
以为什么开始的问句，常常以将你的注意力由假设转到理由的方式，来隐藏它的假设。 · 常作“一般化”或“类推”的人，可能对自己很肯定(或非常不肯定)。世界在他们看来，可能是很单纯的。他们住在一个黑白分明的世界，假如经验不是这样就该是那样，则灰色地带很难存在。
· 他们也可能有很多行为准则来应对不同的情境。科学法则都是类推出来的，而科学方法是很好的作业方法：实验，由结果来“类推”，但也永远都准备好，在面对例外时，就要改弦易张了。
· 我们对我们经验中的某部份，当为是事情的全部，而忽略了可能的例外。这对我们在面对一个情境时，可以从我们过去在类似的情境中，所学习的经验，很快的反应，是很有用的。
· 但是，如果我们“类推”错误或没对新经验开放的话，可能会变成问题。
信念就是一个很好“一般化”的例子。
· 当你在做“类推”(一般化)时，你是想了解外界，并知道什么是可以期待的。
· 这意谓着，当你看到一个跟你从前看过完全不同的把手时，你不需要很困惑地退下来。你知道那仅是另外一种的把手而已。
· “一般化”是我们如何学习的基本部份，但是同样的程序也会招来大灾难。
· 假设你有一段不理想的亲密关系的经验。你根据这经验而“类推”，这世界上的人都一样，不值得信赖。你这个“一般化”的想法，可能会中止了你再找到一位例外于上述想法的另一半的机会。
· 像“所有”、“永不”、“总是”、“每一次”这类的字眼是概括性的，它们不承认例外。它们局限、简化了我们对世界的看法，而不是世界本身。比如说：
1． 我永远都没办法做这事。
2． 没有人在乎。
3． 当我需要你时，你总是不在。
4． 人类并不是仁慈的。
5． 西餐是贵的。
· 另外一个一般化的例子是，我们如何以“应该”、“必须”来管制我们及他人。有时候并没有真正的必要性。要找出其必要性，可以问：“如果我没有做那些事，会怎么样？”比如说：“你应该另外找个工作。”“如果没有找，则会怎么样？”找出那后果，它们可能是真的不愉快的，或者只是想象的。我们有时被那些管制性的字眼所催眠，所以想都不想就去遵从了。
· 也有反面的规则：“不该”、“不要”、“不能”是更强的规范。有一些是真正的生理上的限制：“我无法跳高20米。”其他未经测试的信念。比如说：“我不能改变”或“我无法找它”。要突破这点就问“什么阻挡了你？” 这种问法，可以改变焦点，由被卡住的位置前进到某个目标以及排除可能阻挡路的东西。
· 我能及你能是授予力量的字眼，除非那些目标是不切实际的，所以能将“必要”、“应该”这种词改为“能够”是很好的。所以“我必须做好”变成“我能做好。” 这种重新更动是你能替自己或者他人做的最有力量的改变。
7. .nlp是什么文件
什么是NLP?
N-neuro神经 L-liguistic语言 P-programming程式
它被翻译成“身心语言程序学”，不好理解，对吗？简言之，NLP就是从破解成功人士的语言及思维模式入手，独创性地将他们的思维模式进行解码后，发现了人类思想、情绪和行为背后的规律，并将其归结为一套可复制可模仿的程式。美国科罗拉多政府曾给出了一个贴切的定义：NLP是关于人类行为和沟通程序的一套详细可行的模式。
语言是思维的载体，NLP从语言入手，革命性地将意识与潜意识的研究带到一个全新的高度，更难能可贵的是，它不是一套学者们用来清谈的理论，而是可推及到现实生活各个层面的方法论。它被誉为现代心理学最具学科综合性，最具神奇效力，也是最具发展前景的应用成果。有人说NLP是成功学，正确的解释是，成功学只是它的冰山一角，它背后有着更深刻的脑神经学及心理学基础。
NLP简史
美国加州大学Richard Bandler和John Grinder是NLP的创始人。20世纪70年代，他们曾共同研究一个课题：临床心理学为什么有极为卓越的治疗师？他们是如何成就卓越的？两人深入地研究了美国心理治疗领域的三位宗师：完形治疗法（Gestalt Therapy）的Fritz Perls,家庭治疗界的Virginia Satir,催眠治疗界的Milton Ericson。两人将三位宗师的语言、行为及思想模式进行分析和解码，并由此编辑成一套可操作的技巧，名为Neuro Linguistic Programming,NLP自此诞生。由此可见，NLP与临床心理学有着一份天生的血缘关系，它本身虽然不是一套心理治疗，但它用于改变人类经验行为的显着效果却对个人身心提升大有益处。
为什么要学习NLP？
人生的困局往往来自于头脑与心灵的抵触、理智与感情的冲突、意识与潜意识的矛盾。NLP因为完全发现了思维和情绪的规律，知道如何让你的理性与感性协调一致、身心合一。所以，用它来处理各种困局、突破发展瓶颈，就如利斧断木，效果惊人，它常常能迅速抓住问题的要害，以最短的时间化矛盾于无形，很大程度上，NLP是教你找到方法的方法。
NLP发现了思维的规律，规律的特性意味着可以不断地被举一反三。因此，NLP具有无限的延展性。在这门学问出现后的三十年时间里，已经有无数的人发展出了数百个不同的技巧，并且还在不断的发展中。这些技巧可以用来处理你工作、学习、生活等各个方面的问题，并极大地提升你的学习能力、沟通能力以及幸福感。
毫不夸张的说，没有哪门学问能够像NLP这样给你打开如此广阔的世界，它让你看到无限多的可能性，并给你方法，让你朝着自己想去的方向轻松快乐地向前。
什么样的人适合学习NLP？
几乎所有人都可以学。尤其适用于：企业负责人、职业经理人、市场营销人员、行政人事工作者、公关人员、培训工作者、教练、教育工作者、心理咨询师、为人父母者、人文研究者等等。
NLP容易学吗？
很容易。NLP这门学问题虽然揭示了思维及行为活动的规律，其发现是革命性的。但是，它的理论基础却是我们大部分受过教育的人都熟悉的。NLP在短短的三十年里能够迅速地传播，得益于它“效果显着、易学易懂”的特性，它是一门小学生能听懂，大学教授觉得有深度的学问。在它的教学过程中，大量地运用体验式的互动的方法，使得整个学习的过程变得轻松有趣。
更多请浏览本站：NLP世界 栏目
8. rpa是什么意思
RPA是 Robotic Process Automation的简写，直译为机器人流程自动化。RPA是将可定义、重复性高、有规则的应用软件操作实现自动化的软件工具，用于解放软件用户的重复性工作。
机器人流程自动化工具在技术上类似图形用户界面测试工具。这些工具也会自动的和图形用户界面上互动，而且会由使用者示范其流程，再用示范性编程来实现。
机器人流程自动化工具的不同点是这类系统会允许资料在不同应用程序之间交换。例如接收电子邮件可能包括接收付款单、取得其中资料，输入到簿记系统中。
原理：
在传统的工作流自动化技术工具中，会由程序员产生自动化任务的动作列表，并且会用内部的应用程序接口或是专用的脚本语言作为和后台系统之间的界面。
机器人流程自动化会监视使用者在应用软件中图形用户界面（GUI）所进行的工作，并且直接在GUI上自动重复这些工作。因此可以减少产品自动化的阻碍，因此有些软件可能没有这类用途的API。
9. 李中莹NLP在哪里开课呀课程质量怎样呀
2015年李中莹课程时间安排
鉴于李中莹老师的重心从个人亲自授课转为培养导师，所以目前李中莹老师亲自讲的课程有婚姻情感方面的《跳好双人舞》和企业管理方面的《企业心智模式》。
跳好双人舞的时间安排：
2015年1月30-2月2日（第二期）
2015年4月3-6日（第三期）
《跳好双人舞》课程大纲：
一、婚姻对生命系统的意义
1、 接受生命的意义；
2、 生命的传承；
3、 人类社会的最重要部份；
4、心理素质教育；
5、生命之火。
二、影响婚姻的系统性原因
1、Z型效应；
2、兄弟姊妹年差少于2岁；
3、人工流产（堕胎）；
4、父母不和；
5、家暴；
6、父母不和的解决；
7、重男轻女；
8、女汉子；
9、做了父母的父母；
10、重复某系统成员的命运。
三、无法踏进恋爱或婚姻
1、心理问题；
- 父母关系欠佳；
- 创伤性过敏；
- 错误认知做成恐惧
- 系统性心理问题；
2、认知问题；
- 被误导；
- 社会价值观偏差；
- 个人的限制性信念；
- “人望高处”；
- 对婚姻的错误偏差。
3、技能问题；
- 沟通与人际关系（自我意识、有效表达）；
- 情绪及压力管理（含自我察觉、自我调整、NLP）；
- 思维能力（含观察、分析、判断、解决问题）。
4、解决
- 把自己找回来；
- 正确的人生观；
- 清除心理困扰；
- 学习，提升技能；
- 有效的策划与行动。
四、如何谈恋爱
1、恋爱的真确定位；
2、恋爱的条件；
3、恋爱的有效进行；
4、恋爱产生的困扰及痛苦；
5、失恋。
五、如何选择结婚对象
1、选择的考虑；
2、必须明白的道理；
3、情人、拍档、伴侣；
4、不是重要的考虑因素；
5、结婚对象的测试。
六、准备结婚
1、婚姻的意义；
2、核心信念；
3、对婚姻的错误信念；
4、1.1抑或4.0；
5、我+你≠我们；
6、爱与情不同；
7、婚姻是爱情的坟墓？
8、核心价值观；
9、工作与家庭；
10、共同愿景；
11 处理冲突的机制；
12 不是结婚的理由。
七、如何经营好婚姻
1、你的价值只能在对方身上体现；
2、 喂饱对方好让对方喂饱你；
3、 幸福法则；
4、感恩的感觉；
5、制造浪漫；
6、新婚生活里的磨合；
7、夫妻沟通的艺术；
8、我—你—我们；
9、女人的三个角色；
10、变化带来惊喜；
11 叫你伴侣把情绪带回家；
12 婚姻中的信任；
13 操控只会得到反操控；
14 定期检讨；
15 怎样知道婚姻已经出现问题。
八、婚外情、小三
1、罪不在小三身上；
2、当维持爱情的动力减少了；
3、当爱情只是一件工具；
4、婚外情的多样化；
5、婚外情的“情”；
6、婚外情的原因
7、婚外情没有完美的解决
8、用“原谅”去处理婚外情不是解决
9、怎办？
九、如何挽救你的婚姻
1、真的应该继续下去吗？
2、冰封三尺，非一日之寒；
3、“受害者”心态只会加速失败；
4、当爱还没有完全消失；
5、家暴；
6、用好朋友的身份谈一谈；
7、重新再谈一次恋爱。
十、当婚姻无法挽回
1、受害者心态；
2、因误解而聚，因了解而分；
3、没有情感关系比维持坏的关系更好；
4、放不下的是什么？
5、在走出去之前点算一下。
十一、如何结束一段婚姻
1、不要骗自己面对吧；
2、失败是失败之母；
3、分手一定有痛苦；
4、人生小轮回；
5、你不让他好过，他也不会让你好过；
6、恨；
7、爱与受伤；
8、不要利用孩子去伤害对方；
9、跟TA谈谈分手；
10、对孩子的交待。
十二、准备好下一次了吗？
1、不放过上一次，不会有好的下一次；
2、上一次是成就你的；
3、对孩子的交待；
4、还在创痛中，不要开始下一次；
5、下一次必须记住的事情；
6、为下一次做思想策划；
7、假如你带着孩子进入下一次婚姻。
十三、第一次的孩子，第二次的婚姻
1、若你是孩子的母亲（假设）；
2、若你是孩子妈的新伴侣；
3、两人与孩子的生活；
4、若是丧偶再婚；
5、若是两人都带着孩子再婚。
十四、其他问题
1、同性恋；
2、丁克；
3、失独；
4、不正常的性需求；
5、独身。
李中莹老师亲自讲的目前就安排了这两期，第三期过后可能就开始由李中莹老师培养出来的婚姻指导师在全国各地上课了。
企业心智模式：（第七期）
5月14-17日（一阶段）
6月11-14日（二阶段）
7月16-19日（三阶段）
第一阶段课程大纲
第一天 把自己找回来
①找回自己
②接上生命动力的电源
1、生命是心智模式
2、1分钟减压技巧
3、2分钟内舒缓情绪，调整身心状态
4、3分钟让你与内心连接
5、4分钟内做到身心合一
6、5分钟内与人及事物有更好的连接
7、与本人的家族生命系统连接
8、重获庞大的生命力量
9、找回拥有成功快乐人生的资格
第二天 你管理你的人生
①解开绊脚的绳子
②解脱困境的工具箱
1、重掌管理本人人生的能力
2、做愤怒的主人
3、做害怕的主人
4、有效运用痛苦去解决问题
5、用感恩去消除怨恨
6、如何提升你存在的价值
7、了解你对企业的价值
8、了解你对员工的价值
第三天 做自己的神
①老板的价值在哪里
②让潜意识支持你的目标
1、重新认识你对你人生的掌控权
2、调整一些妨碍成功的看法
3、让你的潜意识支持你的目标
4、重建你与财富的关系
5、重建你与企业成功的关系
6、重做团队领导的身份定位
7、让你内心有新的动力及意念去成为一个成功的领导
第四天 把自己准备好
①思维打开了，什么都轻松
②快速诊断企业的问题
1、更有效组织思路
2、一分钟内准备好演讲辞
3、快速有效的困境分析技巧
4、深入了解大脑对事物的理解模式
5、了解表面问题及深层需求
6、分析事物的深层原因及意义
第二阶段课程大纲
第五天 读人读心
①了解一个人的内心
②对他更有效的引导
1、2分钟内读懂对方的思维模式
2、5分钟内让对方感觉跟你谈得来
3、10分钟内了解对方性格的特质
4、快速了解对方看事情的心态
5、5分钟内清晰对方的判断模式
6、轻易知道对方思维上的盲点在哪
7、快速有效引导对方从困境/盲点突破
8、有效推动对方产生动力
第六天 团队管理的意义
①用系统的力量去做系统的事
②正确发挥管理的效用
1、简单快速的管理技术
2、不要为了管理而管理
3、团队能做到的比你以为的多及好
4、老大更应该做的事
5、提升团队的能力是最重要的领导责任
6、了解团队的立体协作
7、了解下属的辛苦
8、觉察领导位置的盲点
第七天 企业里人的问题，都是领导的问题
①领袖与团队的关系地位
②人才难找，人才难留
1、认识领袖的角色及责任
2、企业的动力方向
3、团队为何追随领袖
4、队员的忠诚从何而来？
5、你知道你要找怎样的人吗？
6、为何人才应该去你那里？
7、90后真的难管吗？
8、解决人才难找的问题
第八天 如何把人才留下来
①员工的真正需求
②如何建立落地的企业文化
1、没做该做的问题更大
2、“人”在企业的重要性重新定位
3、人才们的真正需要
4、非物质的价值
5、团队带来的价值特别重要
6、培养管理者的成功因素
7、为什么企业文化重要
8、建设落地有效的企业文化
第三阶段课程大纲
第九天 企业未来是老大的责任
①领袖的首要工作就是搞好未来
②未来不可以预测，但可以管理
1、团队为你做出业绩，你为团队开拓前进的空间
2、过去不是未来的指引
3、你做了些什么去应付未来三年的变化
4、为什么你的企业应该有美好的未来
5、修正你过去决定你今天的模式
6、你对未来的要求过高亦或过低
7、老大是第一个走入未来的人
8、目标的突破
9、创造有效策划未来的思维模式
10、大局观，未来策划及成理性思维
第十天 一切都是为了未来
①企业如何走向未来的
②创造未来，突破性地策划未来
1、放下过去，探索未来
2、谁在妨碍你走向下一个美好的未来
3、企业里什么在妨碍前进
4、旁观者清，让顾客及智者让你清醒
5、培养走进未来的内心力量
6、你还在抗拒转变吗
7、把不可能转变为可能的思想技巧
8、了解未来对你及企业的要求
第十一天 策划未来的行动
①如何做好未来策划的工作
②更有把握的创造未来
1、你知道有些什么在未来等待着你吗
2、深入分析你的企业现况及未来需要
3、主导你未来发展的变革
4、做系统支持的事
5、术、道、势的掌握
6、从条件，到资源，到形势，到成功
7、穿透问题的表象看深层
8、认识企业的多重结构
第十二天 从未来到长青
①如何打造自生力
②长青不倒的企业管理模式
1、只有拥有自生力的企业才能度过未来的十年
2、如何打造企业自生力
3、从系统动力看企业的变化及成败
4、如何避免未来的隐藏危机
5、如何维持成功不断的动力
6、课程总结
目前李中莹老师把大部分的时间花在研发新的课程、写书、培养导师。
目前李中莹老师的导师班有：
NLP执行师导师班
婚姻指导师
企业排列指导师
李中莹老师是一位真正达到“身心合一”状态的大师，年近70仍精神矍铄，身体健朗，他不仅创建了中莹之道NLP培训平台，不遗余力地传播让人“轻松满足成功快乐”的学问，让更多的人受益，而且自己真正做到了他学问所教授的一切，是一位身体力行的智者！
师说
总说做人要自信、自尊、自爱，但为何这么多成年人做不到呢？原因其实很简单成长过程中，缺失了某项练习。
如何弥补？成长过程中，我们是如何失去获得自信的机会的？
因为自信就是“信赖自己有足够的能力取得所追求的价值”，所以自信的基础是“能力”。
“能力”的基础是“经验”，“经验”的基础是“尝试”，“尝试”的基础是“感觉”。“感觉”就是想去尝试的内心状态，也就是自信最基本的原动力。
没有“想去尝试”的感觉，不会去做第一次的尝试，因此不能有任何的经验累积，也因此不能发展出做事的能力。
“经验”不一定是成功的，也有可能是失败的经验。成功的经验固然好，但是失败的经验也带给我们知识和能力。
从婴儿到成年，从走路到说话，从打球到看书，每一项能力都是凭着不断的失败、不断的累积经验而学会的。偏偏就有很多人成年后不允许自己失败，为了避免失败而不肯去面对和尝试新的东西。这是不让自己成长的做法，结果是天天活在因为没有体会到成长的快乐而带来的痛苦之中。
每个人出生时都没有什么能力或自信。凭着在成长的过程中不断地接触新事物，学习如何面对、处理，凭事情结果和人们的肯定，能力和自信才会不断地累积起来。因此，自信是成长过程中经过不断的肯定而建立起来的。
肯定有两种：来自本人和来自他人的，最好是两者都有。若只有一种，产生自信的效果会大打折扣，若长期只有一种，自信甚至会减少。