- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
第PAGE2
第PAGE2页共8页
关于举办“人工智能-知识图谱核心技术与应用培训班”的通知
一、课程介绍
人工智能(AI)是新一轮科技革命和产业变革的核心驱动力,将深刻改变人类社会生活,改变世界,对于实现社会生产力新跃升,提高综合国力和国际竞争力具有重要意义。知识图谱是人工智能技术的重要组成部分,是AI分支符号主义在新时期主要的落地技术方式。它以其强大的语义处理能力和开放组织能力,为互联网时代的知识化组织和智能应用奠定了基础。自2012年谷歌在提出知识图谱概念以来,国内外大规模知识图谱的研究不断深入,并广泛应用于知识融合、语义搜索和推荐、问答和对话系统、大数据分析与决策等方面,应用领域覆盖金融、制造、政府、电信、电商、客服、零售、娱乐、医疗、农业、出版、保险、知识服务、教育等行业。
为了贯彻落实国务院印发的“新一代人工智能发展规划”精神,推广人工智能与知识图谱技术的应用,中国软件产业培训网决定举办“人工智能-知识图谱核心技术与应用培训班”。本次培训班由北京天博信通科技有限公司具体承办,现将有关事宜通知如下:
二、培训时间与地点
4月9日-4月12日(8日报道)广州4月23日-26日(22日报道)
三、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。
参加培训的学员需带笔记本电脑,配置为:Windows10(或windows7)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:neo4j3.5社区版;
深度学习开发环境:AnacondaAnaconda3-5.3(含Tensorflow与keras)。
四、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。
五、培训内容
第一天
第一讲人工智能概述
1.1人工智能(AI)概念
1.2AI研究的主要技术问题
1.3AI的主要学派
1.4AI十大应用案例
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
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
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
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)
one-hot编码
词嵌入(wordembedding)概念
词嵌入(wordembedding)主要算法
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
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
文档评论(0)