一、課程介紹
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)動力，將深刻改變?nèi)祟惿鐣�生活，改變世界，對于�?shí)現(xiàn)社會生產(chǎn)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(shù)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(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)時代的知識化組織和智能應(yīng)用奠定了基礎(chǔ)。自2012年谷歌在提出知識圖譜概念以來，國內(nèi)外大規(guī)模知識圖譜的研究不斷深入，并廣泛應(yīng)用于知識融合、語義搜索和推薦、問答和對話系統(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、知識服務(wù)、教育等行業(yè)。
為了貫徹落實(shí)國務(wù)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(shù)的應(yīng)用，我中心決定舉辦“人工智能-知識圖譜核心技術(shù)與應(yīng)用培訓(xùn)班”�，F(xiàn)將有關(guān)事宜通知如下：

二、培訓(xùn)方式
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圖譜的技術(shù)原理與應(yīng)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(xué)員掌握知識圖譜基礎(chǔ)與專門知識，獲得較強(qiáng)的知識圖譜應(yīng)用系統(tǒng)的分析、設(shè)計、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）。

三、培訓(xùn)對象
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、人工智能與知識圖譜系統(tǒng)架構(gòu)師、設(shè)計與編程人員。
4、對知識圖譜技術(shù)感興趣的其他人員。

四、培訓(xùn)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
3.2.2 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(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 / Keras（安裝與運(yùn)行）
4.4.2 Caffe
4.5　卷積神經(jīng)網(wǎng)絡(luò)（CNN）
4.5.1 CNN簡介
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)行時裝識別
4.5.6 案例：利用CNN進(jìn)行手寫數(shù)字識別
上機(jī)實(shí)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(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(shí)現(xiàn)
上機(jī)實(shí)踐：基于循環(huán)神經(jīng)網(wǎng)絡(luò)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(shí)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
6.2.1 D2RQ
6.2.2 R2RML
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(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)的知識抽取
6.4.1 基于規(guī)則的實(shí)體識別
6.4.2 基于深度學(xué)習(xí)的實(shí)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(xí)的關(guān)系抽取
6.5 實(shí)體消歧與鏈接
6.5.1實(shí)體消歧
6.5.2 實(shí)體鏈接
6.6 知識融合
6.6.1 框架匹配
6.6.2 實(shí)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(jī)實(shí)踐：利用NEO4J進(jìn)行知識圖譜存儲與檢索

第八講 知識圖譜案例
8.1 金融風(fēng)險防范知識圖譜構(gòu)建
8.2 知識問答系統(tǒng)構(gòu)建