人工智能—知识图谱核心技术与应用培训课程
培训方式
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。
培训对象
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。
培训大纲
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
3.2.2RDF和RDFS
3.2.3.OWL和OWL2
3.3.4Json与Json-LD
3.3.5RDFa、HTML5、MicroData
3.3.6SPARQL查询语言
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
4.4.1TesorFlow/Keras（安装与运行）
4.4.2Caffe
4.5 卷积神经网络（CNN）
4.5.1CNN简介
4.5.2CNN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）
5.5.1.1one-hot编码
5.5.1.2词嵌入（wordembedding）概念
5.5.1.3词嵌入（wordembedding）主要算法
5.5.1.4TensorFlow/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
6.2.1D2RQ
6.2.2R2RML
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
如果您想学习本课程，请
预约报名
如果没找到合适的课程或有特殊培训需求，请
订制培训
除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916
技术服务需求表点击在线申请
服务特点：
海量专家资源，精准匹配相关行业，相关项目专家，针对实际需求，顾问式咨询，互动式授课，案例教学，小班授课，实际项目演示，快捷高效，省时省力省钱。
专家力量：
中国科学院软件研究所，计算研究所高级研究人员
oracle,微软，vmware，MSC,Ansys，candence,Altium,达索等大型公司高级工程师，项目经理，技术支持专家
中科信软培训中心，资深专家或讲师
大多名牌大学，硕士以上学历，相关技术专业，理论素养丰富
多年实际项目经历，大型项目实战案例，热情，乐于技术分享
针对客户实际需求，案例教学，互动式沟通，学有所获
