培训模块

培训内容

机器学习基础

1. 机器学习的开发过程

2. 监督学习的处理模式

3. 无监督学习的处理模式

4. 机器学习模型的开发步骤

5. 机器学习模型开发的要点

机器学习实战

1. 分类

2. 回归

3. 时间序列分析

4. 关联分析

5. 聚类与降维

深度学习基础

1. 神经元与神经网络

2. 激活函数的点火机制

3. Sigmoid函数与参数优化

4. 梯度下降法

5. 简单感知机

6. 多层感知机

7. Tensorflow实现感知机

8. Keras实现感知机

9. PyTorch实现感知机 

深度学习进阶

1. 前馈神经网络

2. 误差反向传播

3. 创建神经网络

4. Fashion-MNIST图像识别

5. TensorFlow构建图像识别网络模型

6. Keras构建图像识别网络模型

7. PyTorch构建图像识别网络模型

卷积神经网络与图像识别

1. 卷积神经网络的结构

2. 基于TensorFlow构建CNN

3. 基于Keras构建CNN

4. 基于PyTorch构建CNN

一般物体的图像识别

1. 多分类数据集CIFAR-10介绍

2. CNN识别普通物体的结构

3. 基于TensorFlow + CNN构建物体识别模型

4. 基于Keras + CNN构建物体识别模型

5. 基于PyTorch + CNN构建物体识别模型

6. 模型调优提高物体识别精度

循环神经网络

1. RNN基本结构

2. LSTM文章生成

3. GRU图像生成

4. VEA图像生成

5. GAN图像生成

Open CV与图像识别

1. OpenCV安装

2. 基于OpenCV物体检测

3. 图像检测与图像保存

知识图谱概述

1.知识图谱（KG）概念

2.知识图谱的起源与发展

3.典型知识图谱项目简介

4.知识图谱技术概述

5.知识图谱典型应用

知识表示

1.早期知识表示方法

2.语义网知识表示框架

3.常见知识表示方法

4.向量表示方法

5.本体知识建模实践

知识存储

1. 知识图谱数据库

2. 知识图谱存储方法

3. 基于Neo4j的知识存储实践

4. 开源知识存储工具理论与实践

知识抽取与融合

1.知识抽取任务

2 面向结构化数据的知识抽取

2.1 Direct Mapping

2.2 R2RML

3.面向半结构化数据的知识抽取

3.1 基于正则表达式的方法

3.2 基于包装器的方法

4.面向非结构化数据的知识抽取

4.1 实体抽取

4.2 关系抽取

4.3 事件抽取

5. 知识挖掘

5.1知识挖掘流程

5.2 知识挖掘主要方法

6 知识融合

6.1 本体匹配

6.2 实体对齐

知识图谱推理

与

语义搜索

1. 基于演绎的知识图谱推理

2. 基于归纳的知识图谱推理

3. 知识推理开源工具实践

4. 结构化查询语言

5. 语义数据搜索

6. 语义搜索开源工具实践

7. 知识问答初步

知识图谱案例

 基于Neo4j人物关系知识图谱存储与检索