人工智能-知識圖譜應(yīng)用與核心技術(shù)實戰(zhàn)

人工智能-知識圖譜應(yīng)用與核心技術(shù)實戰(zhàn)(多名講師)課程介紹：

 培訓(xùn)簡述
    人工智能（AI）是新一輪科技革命和產(chǎn)業(yè)變革的核心驅(qū)動力，將深刻改變?nèi)祟惿鐣�，改變世界，對于實現(xiàn)社會生產(chǎn)力新躍升，提高綜合國力和國際競爭力具有重要意義。知識圖譜是人工智能技術(shù)的重要組成部分，是AI分支符號主義在新時期主要的落地技術(shù)方式。它以其強大的語義處理能力和開放組織能力，為互聯(lián)網(wǎng)時代的知識化組織和智能應(yīng)用奠定了基礎(chǔ)。自2012年谷歌提出知識圖譜概念以來，國內(nèi)外大規(guī)模知識圖譜的研究不斷深入，并廣泛應(yīng)用于知識融合、語義搜索和推薦、問答和對話系統(tǒng)、大數(shù)據(jù)分析與決策等方面，應(yīng)用領(lǐng)域覆蓋金融、制造、政府、電信、電商、客服、零售、娛樂、醫(yī)療、農(nóng)業(yè)、出版、保險、知識服務(wù)、教育等行業(yè)。

培訓(xùn)特色
    本培訓(xùn)班重視技術(shù)基礎(chǔ)，強調(diào)實際應(yīng)用，采用技術(shù)原理與實際應(yīng)用相結(jié)合的方式進行教學(xué)。通過展示教師的實際科研成果，講述人工智能與知識圖譜的技術(shù)原理與應(yīng)用系統(tǒng)開發(fā)方法、知識圖譜系統(tǒng)開發(fā)工具使用方法。使學(xué)員掌握知識圖譜基礎(chǔ)與專門知識，獲得較強的知識圖譜應(yīng)用系統(tǒng)的分析、設(shè)計、實現(xiàn)能力。

參加培訓(xùn)的學(xué)員需帶筆記本電腦，配置為： Windows 10（或Windows 7）操作系統(tǒng)、jdk-8u191-windows-x64、8G以上內(nèi)存、256G以上硬盤。
實驗軟件為： 圖數(shù)據(jù)庫： neo4j 3.5社區(qū)版；
深度學(xué)習(xí)開發(fā)環(huán)境：Anaconda Anaconda 3-5.3（含Tensorflow與keras）。

培訓(xùn)安排

第一講 人工智能概述
1.1　人工智能（AI）概念
1.２　AI研究的主要技術(shù)問題
1.３　AI的主要學(xué)派
1.４　AI十大應(yīng)用案例

第二講 知識圖譜概述
2.1  知識圖譜（KG）概念
2.2  知識圖譜的起源與發(fā)展
2.3  典型知識圖譜項目簡介
2.4  知識圖譜技術(shù)概述
2.5  知識圖譜典型應(yīng)用

第三講 知識表示
3.1 基于符號主義的知識表示概述
3.1.1 謂詞邏輯表示法
3.1.2 產(chǎn)生式系統(tǒng)表示法
3.1.3 語義網(wǎng)絡(luò)表示法
3.2 知識圖譜的知識表示
3.2.1 RDF和RDFS
3.2.2 OWL和OWL2
3.2.3 Json-LD與RDFa、MicroData
3.2.4 SPARQL查詢語言 
3.3 知識建模實戰(zhàn) Protege

第四講 知識圖譜核心基礎(chǔ)技術(shù)（一）
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
4.1 神經(jīng)網(wǎng)絡(luò)基本原理
4.2 神經(jīng)網(wǎng)絡(luò)應(yīng)用舉例
4.3 深度學(xué)習(xí)概述
4.4主流深度學(xué)習(xí)框架
4.4.1 TesorFlow
4.4.2 Caffe
4.5　卷積神經(jīng)網(wǎng)絡(luò)（CNN）
4.5.1 CNN簡介
4.5.2 CNN關(guān)鍵技術(shù):局部感知、卷積、池化、CNN訓(xùn)練
4.5.3 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4.5.4 深度殘差網(wǎng)絡(luò)
4.5.5 案例：利用CNN進行手寫數(shù)字識別

第五講 知識圖譜核心基礎(chǔ)技術(shù)（二）
基于深度學(xué)習(xí)的自然語言處理
5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）概述
5.2 基本RNN
5.3 長短時記憶模型(LSTM)
5.4 門控循環(huán)單元（GRU）
5.5 知識圖譜向量表示方法
5.5.1 向量表示法
5.5.2 知識圖譜嵌入

第六講 知識抽取與融合
6.1 知識抽取主要方法與方式
6.1.1 主要方法
6.1.2 主要方式
6.2 面向結(jié)構(gòu)化數(shù)據(jù)的知識抽取
6.2.1 Direct Mapping
6.2.2 R2RML
6.3 面向半結(jié)構(gòu)化數(shù)據(jù)的知識抽取
6.3.1 基于正則表達式的方法
6.3.2 基于包裝器的方法
6.4. 面向非結(jié)構(gòu)化數(shù)據(jù)的知識抽取
6.4.1 實體抽取
6.4.2 關(guān)系抽取
6.4.3 事件抽取
6.5 知識挖掘
6.5.1知識挖掘流程
6.5.2 知識挖掘主要方法
6.6 知識融合
6.6.1 本體匹配
6.6.2 實體對齊

第七講 存儲與檢索
7.1 知識存儲與檢索基礎(chǔ)知識
7.2 知識圖譜的存儲方法
7.2.1基于關(guān)系數(shù)據(jù)庫的存儲
7.2.2 基于RDF數(shù)據(jù)庫的存儲
7.2.3 原生圖數(shù)據(jù)庫Neo4j存儲
7.3 圖譜構(gòu)建實踐 NEO4J

第八講 知識圖譜案例
8.1 基于Neo4j人物關(guān)系知識圖譜存儲與檢索

授課專家

錢老師  曾任阿里巴巴數(shù)據(jù)平臺開發(fā)、資深架構(gòu)等職位，負責(zé)阿里基礎(chǔ)數(shù)據(jù)平臺的開發(fā)與運維工作，先后參與過阿里彩票、淘寶推薦、一淘、阿里云、數(shù)據(jù)魔方等多個內(nèi)部項目的開發(fā)與產(chǎn)品設(shè)計工作。2014年加入聯(lián)想，負責(zé)聯(lián)想電商數(shù)據(jù)平臺架構(gòu)產(chǎn)品設(shè)計，涉及推薦系統(tǒng)、CRM系統(tǒng)、精準營銷系統(tǒng)、用戶畫像、流量監(jiān)測平臺等產(chǎn)品，實現(xiàn)了聯(lián)想電商平臺的數(shù)據(jù)化運營。2016年4月，加入博彥科技，任職大數(shù)據(jù)事業(yè)部副總裁，負責(zé)公司全球大數(shù)據(jù)數(shù)據(jù)業(yè)務(wù)建設(shè)，技術(shù)研發(fā)等。專門負責(zé)對與金融行業(yè)大數(shù)據(jù)應(yīng)用產(chǎn)品建設(shè)，包括金融企業(yè)風(fēng)險畫像識別系統(tǒng)，金融企業(yè)互聯(lián)網(wǎng)品牌建設(shè)監(jiān)控系統(tǒng)，金融企業(yè)互聯(lián)網(wǎng)口碑分析與新品研發(fā)挖掘系統(tǒng)，金融行業(yè)下一代CRM系統(tǒng)，金融企業(yè)智能運維服務(wù)管理平臺等。2017年底，創(chuàng)立某智能科技有限公司，公司專注于為金融與電信行業(yè)提供圖像NLU、NLP方向的AI落地產(chǎn)品及提供解決方案，目前承接某銀行電商智能化改造，某銀行OCR服務(wù)平臺，某銀行金融欺詐挖掘分析平臺，清華大學(xué)醫(yī)療影像實驗室課題研究等，建設(shè)銀行人工智能咨詢項目，廣發(fā)銀行人工智能咨詢服務(wù)，聯(lián)通研究院人工智能咨詢項目等。

鄒老師  北京郵電大學(xué)軟件工程碩士，近10年的IT領(lǐng)域相關(guān)技術(shù)研究和項目開發(fā)工作，6年新東方、中國移動、中興能源和中培教育培訓(xùn)講師經(jīng)驗，研究方向為機器學(xué)習(xí)、數(shù)據(jù)挖掘、計算幾何、自然語言處理（NLP）應(yīng)用于股票交易與預(yù)測、醫(yī)藥圖像識別、智能畜牧等。擅長機器學(xué)習(xí)模型選擇、核心算法分析和代碼實現(xiàn)。團隊已實踐工業(yè)AI項目20余個，與多所大學(xué)合作建立AI教研實訓(xùn)基地，應(yīng)用于金融、醫(yī)療、交通、氣象、油田、證券、電信、化工、冶金等多個領(lǐng)域。

更多人工智能-知識圖譜應(yīng)用與核心技術(shù)實戰(zhàn)相關(guān)課程：