&ldquo;人工智能-知识图谱核心技术与应用培训班&rdquo;_公开课

关于举办“人工智能-知识图谱核心技术与应用培训班”的通知

一、课程介绍

人工智能（AI）是新一轮科技革命和产业变革的核心驱动力，将深刻改变人类社会生活，改变世界，对于实现社会生产力新跃升，提高综合国力和国际竞争力具有重要意义。知识图谱是人工智能技术的重要组成部分，是AI分支符号主义在新时期主要的落地技术方式。它以其强大的语义处理能力和开放组织能力，为互联网时代的知识化组织和智能应用奠定了基础。自2012年谷歌在提出知识图谱概念以来，国内外大规模知识图谱的研究不断深入，并广泛应用于知识融合、语义搜索和推荐、问答和对话系统、大数据分析与决策等方面，应用领域覆盖金融、制造、政府、电信、电商、客服、零售、娱乐、医疗、农业、出版、保险、知识服务、教育等行业。

为了贯彻落实国务院印发的“新一代人工智能发展规划”精神，推广人工智能与知识图谱技术的应用，中国软件产业培训网决定举办“人工智能-知识图谱核心技术与应用培训班”。本次培训班由北京天博信通科技有限公司具体承办，现将有关事宜通知如下：

二、培训时间与地点

地点	上海	北京	广州	成都	北京	杭州	重庆	上海	北京	珠海	北京
时间	1月21-24	3月25-28	4月22-25	5月28-31	6月24-27	7月22-25	8月26-29	9月23-26	10月28-31	11月26-29	12月24-27

三、培训方式

本培训班重视技术基础，强调实际应用，采用技术原理与实际应用相结合的方式进行教学。通过展示教师的实际科研成果，讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员掌握知识图谱基础与专门知识，获得较强的知识图谱应用系统的分析、设计、实现能力。

参加培训的学员需带笔记本电脑，配置为： Windows 10（或windows 7）操作系统、jdk-8u191-windows-x64、8G以上内存、256G以上硬盘。

实验软件为：图数据库： neo4j 3.5社区版；

深度学习开发环境：Anaconda Anaconda 3-5.3（含Tensorflow与keras）。

四、培训对象

1、政府、企业、学校IT相关技术人员；高校相关专业硕士、博士研究生。

2、企业技术总监及相关管理人员。

3、人工智能与知识图谱系统架构师、设计与编程人员。

4、对知识图谱技术感兴趣的其他人员。

五、培训内容

第一天	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 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 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 本体论概念 3.2.2 RDF和RDFS 3.2.3. OWL和OWL2 3.3.4 Json与Json-LD 3.3.5 RDFa、HTML5 、MicroData 3.3.6 SPARQL查询语言 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 / Keras（安装与运行） 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进行时装识别 4.5.6 案例：利用CNN进行手写数字识别上机实践：基于卷积神经网络的手写体数字识别 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 基于TensorFlow的自然语言处理 5.5.2 自然语言处理处理概述 5.5.1 文本向量化（vectorize） 5.5.1.1 one-hot编码 5.5.1.2词嵌入（word embedding）概念 5.5.1.3词嵌入（word embedding）主要算法 5.5.1.4 TensorFlow/Keras的嵌入层实现上机实践：基于循环神经网络的情感识别 6.1 知识抽取基本方法 6.1.1 实体识别方法 6.1.2 关系抽取方法 6.1.3 事件抽取方法 6.2 面向结构化数据的知识抽取 6.2.1 D2RQ 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 基于规则的实体识别 6.4.2 基于深度学习的实体识别 6.4.3 基于模板的关系抽取 6.4.4 基于深度学习的关系抽取 6.5 实体消歧与链接 6.5.1实体消歧 6.5.2 实体链接 6.6 知识融合 6.6.1 框架匹配 6.6.2 实体对齐 6.6.3 冲突检测与消解 7.1 知识图谱的存储与检索简介 7.2 知识图谱的存储 7.2.1 基于表结构的存储 7.2.2 基于图结构的存储 7.3 大规模知识图谱存储解决方案 7.4 属性图数据库 NEO4J 7.5 知识图谱的检索上机实践：利用NEO4J进行知识图谱存储与检索 8.1 金融风险防范知识图谱构建 8.2 知识问答系统构建
第二讲知识图谱概述
第三讲知识表示
第二天	第四讲知识图谱核心基础技术（一）神经网络与深度学习
	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
第三天	第六讲知识抽取与融合
第七讲存储与检索
第八讲知识图谱案例

六、主讲教授

张老师，博士毕业于西安交通大学，现为某大学计算机学院2级教授，博士生导师，陕西省XXX专家组专家。曾任陕西省信息化专家组专家、陕西省制造业信息化专家组专家、中国计算机学会服务计算专委会委员、信息系统专委会委员，计算机学院副院长、计算机科学与技术学科带头人。主持完成科研项目30项（其中国家863课题6项）；参编出版教材5部。作为第二作者参编了国家95规划教材《人工智能基础》(电子工业出版社，2000年) 。曾获省部级科技进步奖8项，其中“神经网络专家系统及其应用”获机械工业部科技进步三等奖（1996）。累计培养已毕业博士研究生24人，硕士研究生132人。

1985年以来，主要从事人工智能、因特信息网方面的教学与研究，进行过多个实用人工智能系统、网络与信息系统的规划、设计与开发。2010年以来，主要从事人工智能、云计算、大数据与深度学习方面的研究与教学。

七、颁发证书

参加相关培训并通过考试的学员，可以获得：

1. 工业和信息化部全国网络与信息技术考试管理中心颁发的《人工智能职业技能证书》（等级高级）。该证书可作为专业技术人员职业能力考核的证明，以及专业技术人员岗位聘用、任职、定级和晋升职务的重要依据。

注：请学员带二寸彩照2张（背面注明姓名）、身份证复印件一张。

八、培训费用及须知

培训费 7800元/人（含培训、教材、午餐、场地、证书、学习用品费等）。

需要住宿学员请提前通知，可统一安排，费用自理。

课程介绍评价详情(0)

培训受众:

1、政府、企业、学校IT相关技术人员；高校相关专业硕士、博士研究生。

2、企业技术总监及相关管理人员。

3、人工智能与知识图谱系统架构师、设计与编程人员。

4、对知识图谱技术感兴趣的其他人员。

课程收益:

本培训班重视技术基础，强调实际应用，采用技术原理与实际应用相结合的方式进行教学。通过展示教师的实际科研成果，讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员掌握知识图谱基础与专门知识，获得较强的知识图谱应用系统的分析、设计、实现能力。

参加培训的学员需带笔记本电脑，配置为： Windows 10（或windows 7）操作系统、jdk-8u191-windows-x64、8G以上内存、256G以上硬盘。

实验软件为：图数据库： neo4j 3.5社区版；

深度学习开发环境：Anaconda Anaconda 3-5.3（含Tensorflow与keras）。

培训颁发证书:

工业和信息化部全国网络与信息技术考试管理中心颁发的《人工智能职业技能证书》（等级高级）。该证书可作为专业技术人员职业能力考核的证明，以及专业技术人员岗位聘用、任职、定级和晋升职务的重要依据。

课程大纲

地点	上海	北京	广州	成都	北京	杭州	重庆	上海	北京	珠海	北京
时间	1月21-24	3月25-28	4月22-25	5月28-31	6月24-27	7月22-25	8月26-29	9月23-26	10月28-31	11月26-29	12月24-27

第一天	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 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 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 本体论概念 3.2.2 RDF和RDFS 3.2.3. OWL和OWL2 3.3.4 Json与Json-LD 3.3.5 RDFa、HTML5 、MicroData 3.3.6 SPARQL查询语言 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 / Keras（安装与运行） 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进行时装识别 4.5.6 案例：利用CNN进行手写数字识别上机实践：基于卷积神经网络的手写体数字识别 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 基于TensorFlow的自然语言处理 5.5.2 自然语言处理处理概述 5.5.1 文本向量化（vectorize） 5.5.1.1 one-hot编码 5.5.1.2词嵌入（word embedding）概念 5.5.1.3词嵌入（word embedding）主要算法 5.5.1.4 TensorFlow/Keras的嵌入层实现上机实践：基于循环神经网络的情感识别 6.1 知识抽取基本方法 6.1.1 实体识别方法 6.1.2 关系抽取方法 6.1.3 事件抽取方法 6.2 面向结构化数据的知识抽取 6.2.1 D2RQ 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 基于规则的实体识别 6.4.2 基于深度学习的实体识别 6.4.3 基于模板的关系抽取 6.4.4 基于深度学习的关系抽取 6.5 实体消歧与链接 6.5.1实体消歧 6.5.2 实体链接 6.6 知识融合 6.6.1 框架匹配 6.6.2 实体对齐 6.6.3 冲突检测与消解 7.1 知识图谱的存储与检索简介 7.2 知识图谱的存储 7.2.1 基于表结构的存储 7.2.2 基于图结构的存储 7.3 大规模知识图谱存储解决方案 7.4 属性图数据库 NEO4J 7.5 知识图谱的检索上机实践：利用NEO4J进行知识图谱存储与检索 8.1 金融风险防范知识图谱构建 8.2 知识问答系统构建
第二讲知识图谱概述
第三讲知识表示
第二天	第四讲知识图谱核心基础技术（一）神经网络与深度学习
	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
第三天	第六讲知识抽取与融合
第七讲存储与检索
第八讲知识图谱案例