@blueFat 是，react 学起来感觉就是在学那一堆 hook 函数，class 组件那边没咋看，回头背背题吧，todolist 敲一个

@kangyan webgl 方向咋样，也挺好的

@taotaodaddy 以前学了两天 web3 的时候做过俩，不知道算不算，主要业务逻辑太简单了，约等于无

@cat 试试吧，

因为版更么，我感觉 apex 最近卡的特别明显，笔记本 1650 ，以前咋说不会看到肉眼就特别卡顿的情况

@infante boss 两头收钱，没钱两边都不推

commit 有，但是完全没 star 呢

那不就是开了个培训学校但实际上培训内容是接的外包么

@lete 我再看看吧，可能还是得正经买个服务器，我后台是 express+mysql 的

八成就是懒

以下是一些好的 Web 项目推荐：

Wikipedia：全球最大的免费在线百科全书。

Reddit：一个社交新闻网站，用户可以发表内容和评论。

Github：一个基于 Web 的代码托管平台，可协作开发、版本控制。

Coursera：一个在线学习平台，提供课程和认证。

Stack Overflow：一个面向开发者的问答网站，可供各种编程问题的解答。

Medium：一个在线出版平台，用户可以发布自己的文章。

Trello：一个基于 Web 的项目管理工具，可协同工作，追踪任务。

Slack：一个在线聊天工具，用于协作和团队沟通。

Airbnb：一个在线住宿预订平台。

Asana：一个基于 Web 的任务管理和团队协作工具。

你不就是那几千万分之一么，你自己没做好断电保护

从某种程度上讲，ChatGPT 会颠覆以往的 NLP 行业的生态。它不会带来 NLP 产业的繁荣。 今后，以 NLP 子任务领域独立研究和开发的项目都将逐渐消亡，仅仅留下极个别具有超大规模的数据和算力的公司。 它就像三体一样，像水滴一样，对整个 NLP 行业进行了降维打击。这虽悲观，但并非绝路，先别急，容我慢慢展开讲。2022 年以前的 NLPer 都在干什么？
NLP 工程师们在 2022 年 11 月 30 日之前，市面上有大大小小的互联网或 IT 企业需要进行文本处理，相应地，也就需要雇佣大量的 NLP 工程师们来解决相关的问题。绝大多数的 NLP 工程师们所做的工程项目，主要是针对某些特定任务提出一个具体的模型，进行有针对性的数据标注，然后再制作模型。简而言之，就是以 NLP 子任务独立进行研究开发。比如分词、实体识别、文本分类、相似度判别、机器翻译、文摘系统、事件抽取，等等，不一而足。
比如，一个公司需要做一套舆情监控系统，那么 NLP 工程师需要做的工作包括文本分类、关键词（短语）抽取、实体识别、事件抽取、文本聚类、相似度判别等等模型或模块。这些任务，要么以小模型如 fasttext 完成；要么以 预训练+finetune 模式完成；而对于一些数据过于稀疏，本身过于小众的任务，就直接采用规则和解析的方式来做。需要指出的是，NLP 的任务，除了前述的若干传统研究方向以外，还包括大量的十分小众的任务，比如，根据下面的一段话，模型需要返回应当几点通知用户参会： 我今天比较累了，想 9 点睡觉，然后明天的会议吧，早上大概 9 点一刻叫我一声，我上线，大概到中午能开完。 针对这种小众任务，传统 NLP 手段处理这种问题是比较困难的。另一方面，NLP 的工作还以数据领域进行了区分，比如，针对医疗文本领域需要定制一套实体识别系统，用于识别药物、疾病、诊疗日期等实体类型；而针对法律领域，则需要定制另一套实体识别系统，用于识别所犯罪行、量刑年限、罪犯名称、原告、被告等信息。两个模型完成的功能相似，但却并不能互通使用。也就是说，NLP 产业界实际上处于一种手工业模式，你干你的，我干我的，针对不同的企业、不同的需求，需要不断地定制模型、定制数据来完成工作。每一个定制需求都需要人力，从而涌现出大量的 NLP 公司和从业者。
作者：JioNLP 团队
链接： https://zhuanlan.zhihu.com/p/605673596
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

这玩意现在把普通的提取数据的 NLP 全干碎了

@Tdy95 加了

@lasuar 那试试吧，反正本来也就是前端