国产乱码精品_欧美私模裸体表演在线观看_久久精品国产久精国产_美女亚洲一区

        1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
        2、培訓結束后,授課老師留給學員聯系方式,保障培訓效果,免費提供課后技術支持。
        3、培訓合格學員可享受免費推薦就業機會。

人工智能—知識圖譜核心技術與應用培訓大綱

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