新課教育合作學(xué)校
課程簡(jiǎn)介
知識(shí)圖譜是2012年由Google提出，是一種知識(shí)庫+服務(wù)的概念。知識(shí)圖譜是一種多學(xué)科融合的現(xiàn)代理論，將各種信息通過加工和處理，轉(zhuǎn)化成為結(jié)構(gòu)化、語義化的知識(shí)結(jié)構(gòu)。知識(shí)結(jié)構(gòu)化是知識(shí)圖譜的核心目的。
人工智能-知識(shí)圖譜應(yīng)用與核心技術(shù)實(shí)戰(zhàn)培訓(xùn)簡(jiǎn)述
人工智能（AI）是新一輪科技革命和產(chǎn)業(yè)變革的核心驅(qū)動(dòng)力，將深刻改變?nèi)祟惿鐣?huì)生活，改變世界，對(duì)于實(shí)現(xiàn)社會(huì)生產(chǎn)力新躍升，提高綜合國(guó)力和國(guó)際競(jìng)爭(zhēng)力具有重要意義。知識(shí)圖譜是人工智能技術(shù)的重要組成部分，是AI分支符號(hào)主義在新時(shí)期主要的落地技術(shù)方式。它以其強(qiáng)大的語義處理能力和開放組織能力，為互聯(lián)網(wǎng)時(shí)代的知識(shí)化組織和智能應(yīng)用奠定了基礎(chǔ)。自2012年谷歌提出知識(shí)圖譜概念以來，國(guó)內(nèi)外大規(guī)模知識(shí)圖譜的研究不斷深入，并廣泛應(yīng)用于知識(shí)融合、語義搜索和推薦、問答和對(duì)話系統(tǒng)、大數(shù)據(jù)分析與決策等方面，應(yīng)用領(lǐng)域覆蓋金融、制造、政府、電信、電商、客服、零售、娛樂、醫(yī)療、農(nóng)業(yè)、出版、保險(xiǎn)、知識(shí)服務(wù)、教育等行業(yè)。
人工智能-知識(shí)圖譜應(yīng)用與核心技術(shù)實(shí)戰(zhàn)培訓(xùn)特色
本培訓(xùn)班重視技術(shù)基礎(chǔ)，強(qiáng)調(diào)實(shí)際應(yīng)用，采用技術(shù)原理與實(shí)際應(yīng)用相結(jié)合的方式進(jìn)行教學(xué)。通過展示教師的實(shí)際科研成果，講述人工智能與知識(shí)圖譜的技術(shù)原理與應(yīng)用系統(tǒng)開發(fā)方法、知識(shí)圖譜系統(tǒng)開發(fā)工具使用方法。使學(xué)員掌握知識(shí)圖譜基礎(chǔ)與專門知識(shí)，獲得較強(qiáng)的知識(shí)圖譜應(yīng)用系統(tǒng)的分析、設(shè)計(jì)、實(shí)現(xiàn)能力。
參加培訓(xùn)的學(xué)員需帶筆記本電腦，配置為： Windows 10（或Windows 7）操作系統(tǒng)、jdk-8u191-windows-x64、8G以上內(nèi)存、256G以上硬盤。
實(shí)驗(yàn)軟件為： 圖數(shù)據(jù)庫： neo4j 3.5社區(qū)版；
深度學(xué)習(xí)開發(fā)環(huán)境：Anaconda Anaconda 3-5.3（含Tensorflow與keras）。
人工智能-知識(shí)圖譜應(yīng)用與核心技術(shù)實(shí)戰(zhàn)培訓(xùn)對(duì)象
1、政府、企業(yè)、學(xué)校IT相關(guān)技術(shù)人員；高校相關(guān)專業(yè)碩士、博士研究生。
2、企業(yè)技術(shù)總監(jiān)及相關(guān)管理人員。
3、人工智能與知識(shí)圖譜系統(tǒng)架構(gòu)師、設(shè)計(jì)與編程人員。
4、對(duì)知識(shí)圖譜技術(shù)感興趣的其他人員
人工智能-知識(shí)圖譜應(yīng)用與核心技術(shù)實(shí)戰(zhàn)培訓(xùn)安排
|
時(shí)間 |
模塊 |
內(nèi)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(shù)問題 1.３ AI的主要學(xué)派 1.４ AI十大應(yīng)用案例 |
|
第二講 知識(shí)圖譜概述 |
2.1 知識(shí)圖譜（KG）概念 2.2 知識(shí)圖譜的起源與發(fā)展 2.3 典型知識(shí)圖譜項(xiàng)目簡(jiǎn)介 2.4 知識(shí)圖譜技術(shù)概述 2.5 知識(shí)圖譜典型應(yīng)用 |
|
|
第三講 知識(shí)表示 |
3.1 基于符號(hào)主義的知識(shí)表示概述 3.1.1 謂詞邏輯表示法 3.1.2 產(chǎn)生式系統(tǒng)表示法 3.1.3 語義網(wǎng)絡(luò)表示法 3.2 知識(shí)圖譜的知識(shí)表示 3.2.1 RDF和RDFS 3.2.2 OWL和OWL2 3.2.3 Json-LD與RDFa、MicroData 3.2.4 SPARQL查詢語言 3.3 知識(shí)建模實(shí)戰(zhàn) Protege |
|
|
第二天 |
第四講 知識(shí)圖譜核心基礎(chǔ)技術(shù)（一） 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) |
4.1 神經(jīng)網(wǎng)絡(luò)基本原理 4.2 神經(jīng)網(wǎng)絡(luò)應(yīng)用舉例 4.3 深度學(xué)習(xí)概述 4.4主流深度學(xué)習(xí)框架 4.4.1 TesorFlow 4.4.2 Caffe 4.5 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 4.5.1 CNN簡(jiǎn)介 4.5.2 CNN關(guān)鍵技術(shù):局部感知、卷積、池化、CNN訓(xùn)練 4.5.3 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 4.5.4 深度殘差網(wǎng)絡(luò) 4.5.5 案例：利用CNN進(jìn)行手寫數(shù)字識(shí)別 |
|
|
第五講 知識(shí)圖譜核心基礎(chǔ)技術(shù)（二） 基于深度學(xué)習(xí)的自然語言處理 |
5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）概述 5.2 基本RNN 5.3 長(zhǎng)短時(shí)記憶模型(LSTM) 5.4 門控循環(huán)單元（GRU） 5.5 知識(shí)圖譜向量表示方法 5.5.1 向量表示法 5.5.2 知識(shí)圖譜嵌入 |
|
第三天 |
第六講 知識(shí)抽取與融合 |
6.1 知識(shí)抽取主要方法與方式 6.1.1 主要方法 6.1.2 主要方式 6.2 面向結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 6.2.1 Direct Mapping 6.2.2 R2RML 6.3 面向半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 6.3.1 基于正則表達(dá)式的方法 6.3.2 基于包裝器的方法 6.4. 面向非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 6.4.1 實(shí)體抽取 6.4.3 事件抽取 6.5.1知識(shí)挖掘流程 6.5.2 知識(shí)挖掘主要方法 6.6 知識(shí)融合 6.6.1 本體匹配 |
|
第七講 存儲(chǔ)與檢索 |
7.1 知識(shí)存儲(chǔ)與檢索基礎(chǔ)知識(shí) 7.2 知識(shí)圖譜的存儲(chǔ)方法 7.2.1基于關(guān)系數(shù)據(jù)庫的存儲(chǔ) 7.2.3 原生圖數(shù)據(jù)庫Neo4j存儲(chǔ) 7.3 圖譜構(gòu)建實(shí)踐 NEO4J |
|
|
第八講 知識(shí)圖譜案例 |
8.1 基于Neo4j人物關(guān)系知識(shí)圖譜存儲(chǔ)與檢索 |
人工智能-知識(shí)圖譜應(yīng)用與核心技術(shù)實(shí)戰(zhàn)培訓(xùn)費(fèi)用
線下面授培訓(xùn)費(fèi)8800元/人（含培訓(xùn)費(fèi)、場(chǎng)地費(fèi)、資料費(fèi)、學(xué)習(xí)期間午餐以及錄播視頻回放一年）食宿可統(tǒng)一安排，費(fèi)用自理。
網(wǎng)絡(luò)直播培訓(xùn)費(fèi)：7800元/人（含培訓(xùn)費(fèi)、平臺(tái)費(fèi)、資料費(fèi)以及直播視頻回放一年）。
教學(xué)環(huán)境
查看全部照片 >
國(guó)際注冊(cè)信息系統(tǒng)審計(jì)師CISA認(rèn)證培訓(xùn)班
傳統(tǒng)審計(jì)人員、負(fù)責(zé)信息安全審計(jì)的從業(yè)人員、負(fù)責(zé)信息安全管理的從業(yè)人員 2 IT經(jīng)理、信息安全經(jīng)理 3 審計(jì)經(jīng)理、其他從事IT審計(jì)人員 4 對(duì)CISA認(rèn)證感興趣的人員