求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
 
 
 
开班计划 | 技术学院 | 管理学院 | 嵌入式学院 | 机械 | 军工学院 | 定向培养 | 专家指导  
 电话 English
成功案例   品质保证
 
   
成功案例
中航信 数据湖架构原理与应
某医疗磁 数据采集与处理
某科技公 大数据(Hadoo
诺基亚 Python基础
天津电子 Elasticse
中国电信 数据仓库与数据挖掘
某航天科 MySQL性能优化

相关课程  
并发、大容量、高性能数据库
高级数据库架构设计师
Hadoop原理与实践
HBase原理与高级应用
Oracle 数据仓库
数据仓库和数据挖掘
Oracle数据库开发与管理
 

全部课程 >人工智能  
基于AI和大数据的知识图谱培训
4071 次浏览  53 次
Robin 老师
人工智能与数据科学专业博士后
 
时间地点:北京 上海 深圳根据报名开班
课程费用:5000元/人
报公开课  
企业内训:可以根据企业需求,定制内训,详见 内训学习手册


认证方式:
培训前了解能力模型。
培训后进行能力评测:
  • 在线考试
  • 能力分析,给出学习建议
  • 合格者颁发证书,作为职业技能资格证明


    本次的知识图谱课程主要包括三大部分:
    • 知识图谱的工程方法论。指导学员了解并掌握知识图谱的基本概念和发展历史,梳理清知识图谱的技术体系,掌握知识图谱的核心技术原理,建立知识图谱工程的方法论思维。
    • 知识图谱的实战技术。从实战出发,围绕知识表示、知识抽取、语义搜索、知识问答、知识推理、知识融合等系统性介绍知识图谱相关的实战技术,使得学员具备研发知识图谱相关应用的基础能力。
    • 知识图谱的典型应用。结合医疗、金融、电商等实际应用场景,介绍知识图谱各个技术点的实际应用落地方式,使得学员具备结合自身背景开展知识图谱技术实践的应用能力。
    培训目标:

    通过本课程的学习,学员将会收获:
    • 帮助学员系统性的掌握知识图谱的核心技术原理,结合近期研究成果,学习从基本概念到各个先进算法和技术的转化思路
    • 了解国内外典型的开源知识库数据及技术资源
    • 实践与理论结合,培养学员面对工程及学术问题的思考解决能力
    • 基于百科知识进行各项核心技术的实例训练,并结合医疗、金融、电商等行业应用帮助学员快速积累知识图谱工程项目经验
    • 对有志于从事知识问答工作或学术研究的学员,提供IBM Watson系统实现原理的讲解与指导
    培训对象:
    • 希望了解知识图谱实战技术的IT从业人员;
    • 希望学习知识图谱的学生;
    • 未来希望成为知识图谱工程师的求职者;
    • 想在知识图谱方向进行深入研究者。
    学员基础:对关系数据库设计和数据挖掘有一定了解
    授课方式: 定制课程 + 案例讲解 + 小组讨论,60%案例讲解,40%实践演练

    培训内容:2天

    模块1:知识图谱概论 1. 知识图谱的起源和历史
    2. 典型知识库项目简介
    3. 知识图谱应用简介
    4. 本课程覆盖的主要范围:知识表示与建模、知识抽取与挖掘、知识存储、知识融合、知识推理、语义搜索、知识问答和行业知识图谱应用剖析等内容。
    模块2:知识表示与知识建模 1. 早期知识表示简介
    2. 基于语义网的知识表示框架
    • RDF和RDFS
    • OWL和OWL2 Fragments
    • SPARQL查询语言
    • Json-LD、RDFa、HTML5 MicroData等新型知识表示
    3. 典型知识库项目的知识表示
    4. 基于本体工具(Protege)的知识建模最佳实践
    模块3:知识抽取与挖掘I 1. 知识抽取任务定义和相关比赛:实体识别、关系抽取和事件抽取
    2. 面向结构化数据(关系数据库)的知识抽取,包括D2RQ和R2RML等转换与映射规范与技术介绍
    3. 面向半结构化数据(Web tables, 百科站点等)的知识抽取
    • 基于正则表达式的方法
    • Bootstrapping和Wrapper Induction介绍
    4. 实践展示:基于百科数据的知识抽取

    模块4:知识抽取与挖掘II 1. 面向非结构化数据(文本)的知识抽取
      a. 基于本体的知识抽取,包括NELL和DeepDive系统介绍
      b. 开放知识抽取,包括TextRunner、Reverb和OLLIE等系统介绍
    2. 知识挖掘
    • 知识内容挖掘:实体消歧与链接
    • 知识结构挖掘:关联规则挖掘与社区发现
    • 知识表示学习与链接预测,包括TransE和PRA等算法介绍
    模块5:知识存储 1. 基于关系数据库的存储设计,包括各种表设计和索引建立策略
    2. 基于RDF的图数据库介绍
    • 开源数据库:Apache Jena、Sesame、gStore、RDF-3X等
    • 商业数据库:Virtuoso、AllegroGraph、BlazeGraph等
    3. 原生图数据库介绍,包括Neo4j、OrientDB、Titan和Cayley等
    4. 实践展示:使用Apache Jena存储百科知识,并使用Fuseki构建图谱查询服务
    模块6:知识融合 1. 知识融合任务定义和相关竞赛:本体对齐和实体匹配
    2. 本体对齐基本流程和常用方法
    • 基于Linguistic的匹配
    • 基于图结构的匹配
    • 基于外部知识库的匹配
    3. 实体匹配基本流程和常用方法
    • 基于分块的多阶段匹配
    • 基于规则(配置或通过学习)的实体匹配
    4. 知识融合工具介绍:包括Falcon-AO、Silk、PARIS、DEDUPE、LIMES和KnowledgeVault
    5. 实践展示:使用Falcon-AO融合百度百科与维基百科中的知识
    模块7:知识推理 1. 本体知识推理简介与任务分类,包括概念可满足性、概念包含、实例分类和一致性检测等
    2. 本体推理方法与工具介绍
    • 基于Tableaux运算的方法:Fact++、Racer、Pellet和Hermit等
    • 基于一阶查询重写的方法:Ontology-based Data Access的Ontop等
    • 基于产生式规则的方法(如Rete):Jena、Sesame和OWLIM等
    • 基于逻辑编程(如Datalog)改写的方法:KAON2和RDFox等
    3. 实践展示:使用Jena完成百科知识上的上下位推理、缺失类别补全和一致性检测等
    模块8:语义搜索 1.语义搜索概述,包括Knowledge Card、Rich Snippet、Facebook Graph Search等
    2. 基于语义标注的网页搜索
    • Web Data Commons项目介绍
    • 排序算法介绍,扩展BM25
    3. 基于图谱的知识搜索
    • 本体搜索(ontology lookup)
    • 探索式知识检索,包括查询构造、结果排序和分面(facets)推荐
    4. 知识可视化,包括本体、查询、结果等的展现方式和可视化分析
    5. 实践展示:使用ElasticSearch实现百科数据的语义搜索
    模块9:知识问答I 1. 知识问答概述和相关数据集(QALD和WebQuestions)
    2. 知识问答基本流程
    3. 知识问答主流方法介绍
    • 基于模板的方法,包括模板定义、模板生成和模板匹配等步骤
    • 基于语义解析的方法,包括资源映射,逻辑表达式候选生成与排序等
    • 基于深度学习的方法
    模块10:知识问答II 1. IBM Watson问答系统及核心组件详细解读
    • 问句理解
    • 候选答案生成
    • 基于证据的答案排序
    2. 实践展示:面向百科知识的问答baseline实现
    模块11:行业知识图谱应用 1. 行业知识图谱特点
    2. 行业知识图谱应用,包括金融、医疗、数字图书馆等领域应用
    3. 行业知识图谱构建与应用的挑战
    4. 行业知识图谱生命周期定义和关键组件

       
    4071 次浏览  53 次
    其他人还看了课程
    Python、数据分析与机器学习  2836 次浏览
    人工智能  
    深度学习与图像处理  3189 次浏览
    Neo4j图算法工程师   2221 次浏览
    知识图谱构建方法与技术(金融行业)  2544 次浏览
    人工智能概况和前沿展望  2930 次浏览
    定制内训


    课程计划
    数据建模方法与工具 12-16[北京]
    基于模型系统仿真与验证 12-14 [讲座]
    白盒测试技术与工具实践 12-24[线上]
    LLM大模型应用与项目构建 12-26[特惠]
    UML和EA进行系统分析设计 12-20[线上]
    SysML建模专家 1-16[北京]