|
DAY 1
|
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
|
|
DAY 2
|
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
|
|
DAY 3
|
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
|
