Jurafsky和Martin的语音和语言处理http://www.amazon.com/Speech-Language-Processing-Daniel-Jurafsky/dp/0131873210/非常好。不幸的是，第二版草案的章节已发布，因此不再在线免费提供：(

另外，如果您是一个体面的程序员，那么使用NLP程序永远不会太早。想到了NLTK（Python）。它有一本书，您可以免费在线阅读并出版（我认为是由OReilly出版）。

字符串算法，包括后缀树。微积分和线性代数。各种统计数据。人工智能优化算法。数据聚类技术……还有上百万种其他东西。现在这是一个非常活跃的字段，具体取决于您打算做什么。

选择使用哪种语言并不重要。例如，Python具有NLTK，这是一个非常不错的免费软件包，可用于修补计算语言学。

提到的斯坦福CS 224：自然语言处理课程已经包括在线视频 （除了其他课程材料）。这些视频未在课程网站上链接，因此很多人可能没有注意到它们。

普遍的问题，但我当然认为，有限状态自动机和隐马尔可夫模型的知识将很有用。这需要统计学习，贝叶斯参数估计和熵的知识。

潜在语义索引是许多机器学习问题中最常用的工具。其中一些方法相当容易理解。有很多潜在的基础项目。

1. 寻找共同出现在语料库文档/段落/句子集群。
2. 对文本语料库的情绪进行分类。
3. 自动注释或总结文档。
4. 查找单独文档之间的关系 ，以自动在文档之间生成“图形”。

编辑： 非负矩阵分解 （NMF）是一种工具，由于其简单性和有效性而广受欢迎。很容易理解。我目前正在研究NMF在音乐信息检索中的使用； NMF已显示对于文本语料库的潜在语义索引也很有用。这是一张纸。 PDF格式

这个相关的stackoverflow问题有一些不错的答案： 对自然语言处理感兴趣的人有什么好的起点？

这是一个很大的领域。先决条件主要包括概率/统计量，线性代数和基础计算机科学，尽管自然语言处理需要更深入的计算机科学背景作为基础（通常涵盖一些基本的AI）。关于特定语言：Lisp的创建是“事后”，用于进行AI研究 ，而Prolog（源于形式逻辑）特别针对自然语言处理，许多课程将使用Prolog，Scheme，Matlab，R或其他语言功能语言（例如，康奈尔大学的课程中使用OCaml ），因为它们非常适合这种分析。

以下是一些更具体的指针：

对于机器学习， Stanford CS 229：机器学习很棒：它包括一切，包括讲座的完整视频（也在iTunes上），课程笔记，问题集等，并且Andrew Ng很好地讲授了这一知识。

请注意前提条件：

要求学生具有以下背景：基本的计算机科学原理和技能的知识，足以编写合理的，平凡的计算机程序。熟悉基本概率论。熟悉基本的线性代数。

该课程使用Matlab和/或Octave。它还建议您阅读以下内容（尽管课程笔记本身很完整）：

• Christopher Bishop， 模式识别与机器学习 。施普林格，2006年。
• Richard Duda，Peter Hart和David Stork，《 模式分类》 ，第二版。约翰·威利父子（John Wiley＆Sons），2001年。
• Tom Mitchell， 机器学习 。麦格劳·希尔（McGraw-Hill），1997年。
• Richard Sutton和Andrew Barto， 强化学习：简介 。麻省理工学院出版社，1998

对于自然语言处理， 斯坦福大学的NLP小组提供了许多很好的资源。 斯坦福CS 224：自然语言处理入门课程包括所有在线讲座，并具有以下先决条件：

有足够的编程和正规结构经验。编程项目将用Java 1.5编写，因此需要具备Java知识（或愿意学习）。人工智能和/或计算语言学方面的标准概念知识。基本了解逻辑，向量空间和概率。

一些推荐的文本是：

• Daniel Jurafsky和James H. Martin。 2008年。 语音和语言处理：自然语言处理 ，计算语言学和语音识别入门 。第二版。学徒大厅。
• Christopher D. Manning和HinrichSchütze。 1999. 统计自然语言处理基础 。麻省理工学院出版社。
• 詹姆斯·艾伦。 1995. 自然语言理解 。本杰明/卡明斯，第2版。
• 杰拉尔德·加兹达尔（Gerald Gazdar）和克里斯·梅利什（Chris Mellish）。 1989年。Prolog中的自然语言处理 。艾迪生-韦斯利。 （可在线免费获得 ）
• 弗雷德里克·耶利内克。 1998. 语音识别的统计方法 。麻省理工学院出版社。

必修的计算语言学课程要求具备基本的计算机编程和数据结构知识，并使用相同的教科书。所需的人工智能课程以及所有讲义和用途也可在线获得：

• S. Russell和P. Norvig，《 人工智能：一种现代方法》 。第二版

这是标准的人工智能文本，也值得阅读。

我自己使用R进行机器学习，并真的推荐它。为此，我建议您看一下《统计学习的要素》 ，其全文可在线免费获得。您可能需要参考CRAN上的机器学习和自然语言处理视图以了解特定功能。

我会说概率统计是最重要的前提。尤其是高斯混合模型 （GMM）和隐马尔可夫模型 （ HMM ）在机器学习和自然语言处理中都非常重要（如果是入门课程，那么这些主题当然可能是课程的一部分）。

然后，我想说基础CS知识也很有帮助，例如算法 ， 形式语言和基础复杂性理论。

我的建议是以下任何一项或全部（取决于他的数量和关注领域）：

牛津计算语言学手册 ：

_{（来源： oup.com ）}

统计自然语言处理的基础 ：

信息检索简介 ：

Markdown和 cletus在其网站cforcoding上发布的解析表达语法（PEG）简介怎么样 ？

ANTLR似乎是开始进行自然语言处理的好地方。我不是专家。