课程定位

围绕知识图谱基础、核心技术和系统应用，以原理讲解、实验工具和上机实践训练分析、设计及实现能力。

学习收获

• 理解知识图谱技术原理和应用系统开发方法。
• 学习RDF、OWL等知识表示及SPARQL查询方法。
• 学习实体识别、关系抽取、消歧链接与知识融合。
• 通过NEO4J上机实践训练图谱存储与检索。

课程特色

• 本培训班重视技术基础，强调实际应用，采用技术原理与实际应用相结合的方式进行教学。 通过展示教师的实际科研成果，讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员掌握知识图谱基础与专门知识，获得较强的知识图谱应用系统的分析、设计、实现能力。
• 参加培训的学员需带笔记本电脑，配置为： Windows 10（或windows 7）操作系统、jdk-8u191-windows-x64、8G以上内存、256G以上硬盘。
• 实验软件为： 图数据库： neo4j 3.5社区版；
• 深度学习开发环境：Anaconda Anaconda 3-5.3（含Tensorflow与keras）。

课程模块

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

适合人群

1、政府、企业、学校IT相关技术人员；高校相关专业硕士、博士研究生；2、企业技术总监及相关管理人员；3、人工智能与知识图谱系统架构师、设计与编程人员；4、对知识图谱技术感兴趣的其他人员

师资信息

钱老师 曾任阿里巴巴数据平台开发、资深架构等职位，负责阿里基础数据平台的开发与运维工作，先后参与过阿里彩票、淘宝推荐、一淘、阿里云、数据魔方等多个内部项目的开发与产品设计工作。2014年加入联想，负责联想电商数据平台架构产品设计，涉及推荐系统、CRM系统、精准营销系统、用户画像、流量监测平台等产品，实现了联想电商平台的数据化运营。2016年4月，加入博彦科技，任职大数据事业部副总裁，负责公司全球大数据数据业务建设，技术研发等。专门负责对与金融行业大数据应用产品建设，包括金融企业风险画像识别系统，金融企业互联网品牌建设监控系统，金融企业互联网口碑分析与新品研发挖掘系统，金融行业下一代CRM系统，金融企业智能运维服务管理平台等。2017年底，创立某智能科技有限公司，公司专注于为金融与电信行业提供图像NLU、NLP方向的AI落地产品及提供解决方案，目前承接某银行电商智能化改造，某银行OCR服务平台，某银行金融欺诈挖掘分析平台，清华大学医疗影像实验室课题研究等，建设银行人工智能咨询项目，广发银行人工智能咨询服务，联通研究院人工智能咨询项目等。
邹老师 北京邮电大学软件工程硕士，近10年的IT领域相关技术研究和项目开发工作，6年新东方、中国移动、中兴能源和中培教育培训讲师经验，研究方向为机器学习、数据挖掘、计算几何、自然语言处理（NLP）应用于股票交易与预测、医药图像识别、智能畜牧等。擅长机器学习模型选择、核心算法分析和代码实现。团队已实践工业AI项目20余个，与多所大学合作建立AI教研实训基地，应用于金融、医疗、交通、气象、油田、证券、电信、化工、冶金等多个领域。
具体师资与开课安排以正式通知为准。

课程咨询与报名

了解本期课程安排、师资及报名事项，请联系新中华学习网：400-061-6586，也可使用本页下方的报名咨询表。具体开课安排以正式通知为准。

温馨提示：本文内容根据课程内容整理，各模块实际讲授内容由授课老师根据学员情况灵活调整，最终以课堂授课为准。