人工智能-知识图谱核心技术与应用培训班

第一天

第一讲 人工智能概述

1.1　人工智能（AI）概念

1.２　AI研究的主要技术问题

1.３　AI的主要学派

1.４　AI十大应用案例

第二讲 知识图谱概述

2.1  知识图谱（KG）概念

2.2  知识图谱的起源与发展

2.3  典型知识图谱项目简介

2.4  知识图谱技术概述

2.5  知识图谱典型应用

第三讲 知识表示

3.1 基于符号主义的知识表示概述

3.1.1 谓词逻辑表示法

3.1.2 产生式系统表示法

3.1.3 语义网络表示法

3.2 知识图谱的知识表示

3.2.1 本体论概念

3.2.2  RDF和RDFS

3.2.3. OWL和OWL2  

3.3.4  Json与Json-LD

3.3.5  RDFa、HTML5 、MicroData

  3.3.6  SPARQL查询语言  

第二天

第四讲 知识图谱核心基础技术（一）

神经网络与深度学习

4.1 神经网络基本原理

4.2 神经网络应用举例

4.3 深度学习概述

4.4主流深度学习框架

4.4.1 TesorFlow / Keras（安装与运行）

4.4.2 Caffe

4.5　卷积神经网络（CNN）

4.5.1  CNN简介

4.5.2  CNN关键技术: 局部感知、卷积、池化、CNN训练

4.5.3 典型卷积神经网络结构

4.5.4 深度残差网络

4.5.5 案例：利用CNN进行时装识别

4.5.6 案例：利用CNN进行手写数字识别

上机实践：基于卷积神经网络的手写体数字识别

第五讲 知识图谱核心基础技术（二）

 基于深度学习的自然语言处理

5.1 循环神经网络（RNN）概述

5.2  基本RNN 

5.3  长短时记忆模型(LSTM)

5.4  门控循环单元（GRU）

5.5  基于TensorFlow的自然语言处理

   5.5.2 自然语言处理处理概述

   5.5.1 文本向量化（vectorize）

   5.5.1.1 one-hot编码

   5.5.1.2词嵌入（word embedding）概念

   5.5.1.3词嵌入（word embedding）主要算法

   5.5.1.4 TensorFlow/Keras的嵌入层实现

  上机实践：基于循环神经网络的情感识别

 第三天

第六讲  知识抽取与融合

6.1  知识抽取基本方法

6.1.1  实体识别方法

6.1.2  关系抽取方法

6.1.3  事件抽取方法

6.2 面向结构化数据的知识抽取

6.2.1 D2RQ    

6.2.2 R2RML

6.3  面向半结构化数据的知识抽取

  6.3.1 基于正则表达式的方法 

6.3.2 基于包装器的方法

6.4. 面向非结构化数据的知识抽取

 6.4.1 基于规则的实体识别
  6.4.2 基于深度学习的实体识别

6.4.3 基于模板的关系抽取
  6.4.4 基于深度学习的关系抽取
6.5   实体消歧与链接

6.5.1实体消歧

6.5.2 实体链接

6.6  知识融合

6.6.1 框架匹配
  6.6.2 实体对齐
  6.6.3 冲突检测与消解

第七讲 存储与检索

7.1 知识图谱的存储与检索简介

7.2 知识图谱的存储

  7.2.1  基于表结构的存储
 7.2.2 基于图结构的存储
7.3 大规模知识图谱存储解决方案

7.4 属性图数据库 NEO4J

7.5 知识图谱的检索

上机实践：利用NEO4J进行知识图谱存储与检索

第八讲 知识图谱案例

8.1 金融风险防范知识图谱构建

8.2 知识问答系统构建