|
课程培训
|
人工智能知识图谱应用与核心技术实战培训
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 RDF和RDFS
3.2.2 OWL和OWL2
3.2.3 Json-LD与RDFa、MicroData
3.2.4 SPARQL查询语言
3.3 知识建模实战 Protege
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
4.4.1 TesorFlow
4.4.2 Caffe
4.5 卷积神经网络（CNN）
4.5.1 CNN简介
4.5.2 CNN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进行手写数字识别
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 知识图谱向量表示方法
5.5.1 向量表示法
5.5.2 知识图谱嵌入
第六讲 知识抽取与融合
6.1 知识抽取主要方法与方式
6.1.1 主要方法
6.1.2 主要方式
6.2 面向结构化数据的知识抽取
6.2.1 Direct Mapping
6.2.2 R2RML
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 实体抽取
6.4.2 关系抽取
6.4.3 事件抽取
6.5 知识挖掘
6.5.1知识挖掘流程
6.5.2 知识挖掘主要方法
6.6 知识融合
6.6.1 本体匹配
6.6.2 实体对齐
第七讲 存储与检索
7.1 知识存储与检索基础知识
7.2 知识图谱的存储方法
7.2.1基于关系数据库的存储
7.2.2 基于RDF数据库的存储
7.2.3 原生图数据库Neo4j存储
7.3 图谱构建实践 NEO4J
第八讲 知识图谱案例
8.1 基于Neo4j人物关系知识图谱存储与检索
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 |
|
