人工智能—知識圖譜核心技術與應用培訓課程
培訓方式
本培訓班重視技術基礎，強調實際應用，采用技術原理與實際應用相結合的方式進行教學。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原理與應用系統開發方法、知識圖譜系統開發工具使用方法。使學員掌握知識圖譜基礎與專門知識，獲得較強的知識圖譜應用系統的分析、設計、實現能力。
培訓對象
1、政府、企業、學校IT相關技術人員；高校相關專業碩士、博士研究生。
2、企業技術總監及相關管理人員。
3、人工智能與知識圖譜系統架構師、設計與編程人員。
4、對知識圖譜技術感興趣的其他人員。
培訓大綱
第一講人工智能概述
1.1 人工智能（AI）概念
1.2 AI研究的主要技術問題
1.3 AI的主要學派
1.4 AI十大應用案例
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展
2.3典型知識圖譜項目簡介
2.4知識圖譜技術概述
2.5知識圖譜典型應用
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產生式系統表示法
3.1.3語義網絡表示法
3.2知識圖譜的知識表示
3.2.1本體論概念
3.2.2RDF和RDFS
3.2.3.OWL和OWL2
3.3.4Json與Json-LD
3.3.5RDFa、HTML5、MicroData
3.3.6SPARQL查詢語言
第四講知識圖譜核心基礎技術（一）
神經網絡與深度學習
4.1神經網絡基本原理
4.2神經網絡應用舉例
4.3深度學習概述
4.4主流深度學習框架
4.4.1TesorFlow/Keras（安裝與運行）
4.4.2Caffe
4.5 卷積神經網絡（CNN）
4.5.1CNN簡介
4.5.2CNN關鍵技術:局部感知、卷積、池化、CNN訓練
4.5.3典型卷積神經網絡結構
4.5.4深度殘差網絡
4.5.5案例：利用CNN進行時裝識別
4.5.6案例：利用CNN進行手寫數字識別
上機實踐：基于卷積神經網絡的手寫體數字識別
第五講知識圖譜核心基礎技術（二）
基于深度學習的自然語言處理
5.1循環神經網絡（RNN）概述
5.2基本RNN
5.3長短時記憶模型(LSTM)
5.4門控循環單元（GRU）
5.5基于TensorFlow的自然語言處理
5.5.2自然語言處理處理概述
5.5.1文本向量化（vectorize）
5.5.1.1one-hot編碼
5.5.1.2詞嵌入（wordembedding）概念
5.5.1.3詞嵌入（wordembedding）主要算法
5.5.1.4TensorFlow/Keras的嵌入層實現
上機實踐：基于循環神經網絡的情感識別
第六講知識抽取與融合
6.1知識抽取基本方法
6.1.1實體識別方法
6.1.2關系抽取方法
6.1.3事件抽取方法
6.2面向結構化數據的知識抽取
6.2.1D2RQ
6.2.2R2RML
6.3面向半結構化數據的知識抽取
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.面向非結構化數據的知識抽取
6.4.1基于規則的實體識別
6.4.2基于深度學習的實體識別
6.4.3基于模板的關系抽取
6.4.4基于深度學習的關系抽取
6.5實體消歧與鏈接
6.5.1實體消歧
6.5.2實體鏈接
6.6知識融合
6.6.1框架匹配
6.6.2實體對齊
6.6.3沖突檢測與消解
第七講存儲與檢索
7.1知識圖譜的存儲與檢索簡介
7.2知識圖譜的存儲
7.2.1 基于表結構的存儲
7.2.2基于圖結構的存儲
7.3大規模知識圖譜存儲解決方案
7.4屬性圖數據庫NEO4J
7.5知識圖譜的檢索
上機實踐：利用NEO4J進行知識圖譜存儲與檢索
第八講知識圖譜案例
8.1金融風險防范知識圖譜構建
8.2知識問答系統構建
如果您想學習本課程，請
預約報名
如果沒找到合適的課程或有特殊培訓需求，請
訂制培訓
除培訓外，同時提供相關技術咨詢與技術支持服務，有需求請發需求表到郵箱soft@w908.cn,或致電4007991916
技術服務需求表點擊在線申請
服務特點：
海量專家資源，精準匹配相關行業，相關項目專家，針對實際需求，顧問式咨詢，互動式授課，案例教學，小班授課，實際項目演示，快捷高效，省時省力省錢。
專家力量：
中國科學院軟件研究所，計算研究所高級研究人員
oracle,微軟，vmware，MSC,Ansys，candence,Altium,達索等大型公司高級工程師，項目經理，技術支持專家
中科信軟培訓中心，資深專家或講師
大多名牌大學，碩士以上學歷，相關技術專業，理論素養豐富
多年實際項目經歷，大型項目實戰案例，熱情，樂于技術分享
針對客戶實際需求，案例教學，互動式溝通，學有所獲
