在线一区免费_你微笑时很美电视剧整集高清不卡 _亚洲国产另类久久精品_欧美午夜精品

        1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費在以后培訓(xùn)班中重聽；
        2、課程完成后,授課老師留給學(xué)員手機和Email,保障培訓(xùn)效果,免費提供半年的技術(shù)支持。
        3、培訓(xùn)合格學(xué)員可享受免費推薦就業(yè)機會。

人工智能—知識圖譜核心技術(shù)與應(yīng)用培訓(xùn)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(shù)問題
1.3　AI的主要學(xué)派
1.4　AI十大應(yīng)用案例

第二講知識圖譜概述
2.1知識圖譜（KG）概念
2.2知識圖譜的起源與發(fā)展
2.3典型知識圖譜項目簡介
2.4知識圖譜技術(shù)概述
2.5知識圖譜典型應(yīng)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(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(chǔ)技術(shù)（一）
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習
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)習概述
4.4主流深度學(xué)習框架
4.4.1TesorFlow/Keras（安裝與運行）
4.4.2Caffe
4.5　卷積神經(jīng)網(wǎng)絡(luò)（CNN）
4.5.1CNN簡介
4.5.2CNN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進行時裝識別
4.5.6案例：利用CNN進行手寫數(shù)字識別
上機實踐：基于卷積神經(jīng)網(wǎng)絡(luò)的手寫體數(shù)字識別

第五講知識圖譜核心基礎(chǔ)技術(shù)（二）
基于深度學(xué)習的自然語言處理
5.1循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）概述
5.2基本RNN
5.3長短時記憶模型(LSTM)
5.4門控循環(huán)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(xiàn)
上機實踐：基于循環(huán)神經(jīng)網(wǎng)絡(luò)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(guān)系抽取方法
6.1.3事件抽取方法
6.2面向結(jié)構(gòu)化數(shù)據(jù)的知識抽取
6.2.1D2RQ
6.2.2R2RML
6.3面向半結(jié)構(gòu)化數(shù)據(jù)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(jié)構(gòu)化數(shù)據(jù)的知識抽取
6.4.1基于規(guī)則的實體識別
6.4.2基于深度學(xué)習的實體識別
6.4.3基于模板的關(guān)系抽取
6.4.4基于深度學(xué)習的關(guān)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(jié)構(gòu)的存儲
7.2.2基于圖結(jié)構(gòu)的存儲
7.3大規(guī)模知識圖譜存儲解決方案
7.4屬性圖數(shù)據(jù)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(gòu)建
8.2知識問答系統(tǒng)構(gòu)建