一、課程介紹
人工智能（AI）是新一輪科技革命和產業(yè)變革的核心驅動力，將深刻改變人類社會生活，改變世界，對于實現社會生產力新躍升，提高綜合國力和國際競爭力具有重要意義。知識圖譜是人工智能技術的重要組成部分，是AI分支符號主義在新時期主要的落地技術方式。它以其強大的語義處理能力和開放組織能力，為互聯網時代的知識化組織和智能應用奠定了基礎。自2012年谷歌在提出知識圖譜概念以來，國內外大規(guī)模知識圖譜的研究不斷深入，并廣泛應用于知識融合、語義搜索和推薦、問答和對話系統(tǒng)、大數據分析與決策等方面，應用領域覆蓋金融、制造、政府、電信、電商、客服、零售、娛樂、醫(yī)療、農業(yè)、出版、保險、知識服務、教育等行業(yè)。
為了貫徹落實國務院印發(fā)的“新一代人工智能發(fā)展規(guī)劃”精神，推廣人工智能與知識圖譜技術的應用，我中心決定舉辦“人工智能-知識圖譜核心技術與應用培訓班”�，F將有關事宜通知如下：

二、培訓方式
本培訓班重視技術基礎，強調實際應用，采用技術原理與實際應用相結合的方式進行教學。通過展示教師的實際科研成果，講述人工智能與知識圖譜的技術原理與應用系統(tǒng)開發(fā)方法、知識圖譜系統(tǒng)開發(fā)工具使用方法。使學員掌握知識圖譜基礎與專門知識，獲得較強的知識圖譜應用系統(tǒng)的分析、設計、實現能力。
參加培訓的學員需帶筆記本電腦，配置為： Windows 10（或windows 7）操作系統(tǒng)、jdk-8u191-windows-x64、8G以上內存、256G以上硬盤。
實驗軟件為： 圖數據庫： neo4j 3.5社區(qū)版；
深度學習開發(fā)環(huán)境：Anaconda Anaconda 3-5.3（含Tensorflow與keras）。

三、培訓對象
1、政府、企業(yè)、學校IT相關技術人員；高校相關專業(yè)碩士、博士研究生。
2、企業(yè)技術總監(jiān)及相關管理人員。
3、人工智能與知識圖譜系統(tǒng)架構師、設計與編程人員。
4、對知識圖譜技術感興趣的其他人員。

四、培訓內容

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(fā)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(tǒng)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
3.2.2 RDF和RDFS
3.2.3. OWL和OWL2
3.3.4 Json與Json-LD
3.3.5 RDFa、HTML5 、MicroData
3.3.6 SPARQL查詢語言

第二天

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
4.4.1 TesorFlow / Keras（安裝與運行）
4.4.2 Caffe
4.5　卷積神經網絡（CNN）
4.5.1 CNN簡介
4.5.2 CNN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(huán)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(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）
5.5.1.1 one-hot編碼
5.5.1.2詞嵌入（word embedding）概念
5.5.1.3詞嵌入（word embedding）主要算法
5.5.1.4 TensorFlow/Keras的嵌入層實現
上機實踐：基于循環(huán)神經網絡的情感識別

第三天

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
6.2.1 D2RQ
6.2.2 R2RML
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(guī)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(guī)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(tǒng)構建