证书查询

全国报名咨询热线
010-57197553

首页 / 8月

AI人工智能-知识图谱核心技术高级培训班

2021-06-03

课程时间:2021年8月26日-8月29日

费用: 7800元

地点:重庆

  • 课程详情
  • 适用人群
  • 课程大纲
  • 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,全国工业与信息技术人才培训中心决定举办 “人工智能-知识图谱核心技术与应用培训班”。本次培训班由软博时代(北京)科技有限公司具体承办,现将有关事宜通知如下:
    二、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)。
    三、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。
    四、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。
    五、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。
    六、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。

    • 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。

  • 第一节  
    知识图谱概述
     
    1.1什么是知识图谱
    1.2知识图谱的发展历史
    1.3国内外典型的知识图谱项目简介 
    1.4知识图谱的相关技术简介
    1.5典型应用案例
    第二节  
     
    知识表示与建模
     
    2.1什么是知识表示
    2.2早期知识表示方法
    2.2.1逻辑
    2.2.2产生式规则
    2.2.3框架
    2.2.4语义网络
    2.3基于语义网知识表示框架
    2.3.1 RDF和RDFS
    2.3.2 OWL和OWL2 Fragments
    2.3.3 SPARQL查询语言
    2.3.4 Json-LD、RDFa、HTML5 MicroData等新型知识表示
    2.4典型知识库项目的知识表示
    2.4.1 DBPedia
    2.4.2 Freebase
    2.4.3 WikiData
    2.4.4 ConceptNet
    2.5知识图谱设计
    2.5.1知识设计方法
    2.5.2语义类型设计
    2.5.3语义关系设计
    2.5.4本体对象设计
    2.6开源工具实践:基于Protégé的本体知识建模
    第三节  
    知识抽取与知识挖掘
    3.1知识抽取任务及相关竞赛
    3.1.1实体抽取
    3.1.2关系抽取
    3.1.4事件抽取
    3.2面向结构化数据的知识抽取及其相关工具 
    3.3面向半结构化数据的知识抽取及其相关工具
    3.4知识挖掘
    3.4.1实体消歧与链接
    3.4.2知识规则挖掘
    3.4.3知识图谱表示学习
    3.5开源工具实践:基于DeepDive的关系抽取实践 
    第四节 知识存储 4.1图数据库基本知识
    4.2常见的图数据库 
    4.2.1开源数据库介绍
    4.2.2商业数据库介绍
    4.2.3原生图数据库介绍
    4.3图数据库实现细节 
    4.4开源工具实践:
    4.4.1以Apache Jena为例
    4.4.2 Neo4j可视化操作基础
    第五节 知识融合 5.1什么是知识融合
    5.2知识融合的基本技术流程
    5.3典型知识融合工具简介
    5.3.1框架匹配
    5.3.2实体对齐
    5.4典型案例简介
    5.4.1 Zhishi.me中的实体融合
    5.4.2 OpenKG的链接百科
    5.5开源工具实践:实体关系发现框架LIMESR
    第六节 知识推理 6.1推理概述
    6.2本体知识推理简介与任务分类
    6.3本体推理方法与工具介绍
    6.3.1基于Tableaux运算的方法
    6.3.2基于逻辑编程改写的方法
    6.3.3基于一阶查询重写的方法
    6.3.4基于产生式规则的方法
    6.3.5基于并行技术的方法
    6.4开源工具实践:基于Jena和Drools的知识推理实践
     
     
    第七节
     
     
    语义搜索
    7.1语义搜索简介  
    7.2语义数据搜索
    7.3混合搜索
    7.4语义搜索的交互范式
    7.5实践展示:使用Elasticsearch实现简单语义数据检索
    第八节 知识问答
     
    8.1知识问答技术概述
    8.2知识问答系统简史
    8.3知识问答的评测数据集 
    8.4 KBQA基本概念及挑战
    8.5知识问答主流方法介绍