一、 培训简述

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。

二、 培训特色

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）。

三、 培训安排

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

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

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

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

第三天

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