知識圖譜核心技術與應用培訓

知識圖譜核心技術與應用培訓課程/講師盡在知識圖譜核心技術與應用培訓專題,知識圖譜核心技術與應用培訓公開課北上廣深等地每月開課！知識圖譜核心技術與應用培訓在線直播課程（免費試聽）。專家微信18749492090，講師手機13522550408，百度搜索“交廣國際管理咨詢”了解更多。

培訓內容
第一天
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
3.2.2 RDF和RDFS
3.2.3. OWL和OWL2
3.3.4 Json與Json-LD
3.3.5 RDFa、HTML5 、MicroData
3.3.6 SPARQL查詢語言

第二天
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
4.4.1 TesorFlow / Keras（安裝與運行）
4.4.2 Caffe
4.5 卷積神經網絡（CNN）
4.5.1 CNN簡介
4.5.2 CNN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）
5.5.1.1 one-hot編碼
5.5.1.2詞嵌入（word embedding）概念
5.5.1.3詞嵌入（word embedding）主要算法
5.5.1.4 TensorFlow/Keras的嵌入層實現
上機實踐：基于循環神經網絡的情感識別

第三天
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
6.2.1 D2RQ
6.2.2 R2RML
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