微信号:PythonCoder

介绍:人生苦短,我用 Python.伯乐在线旗下账号「Python开发者」分享 Python 相关的技术文章、工具资源、精选课程、热点资讯等.

你需要学好知识图谱——用 AI 技术连接世界

2017-10-11 20:00 Python开发者
立即参团


原价 ¥899.00

50人以上  ¥499.00

100人以上  ¥399.00

点击文末阅读原文,立即参团

《知识图谱》第一期 


课程简介:

本次的知识图谱课程主要包括三大部分:

      1)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。

      2)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。

      3)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。

主讲老师:

王昊   著名知识图谱专家

博士毕业于上海交通大学,CCF术语专委会执委,中文信息学会语言与知识计算委员会副秘书长,共发表75余篇高水平论文。中文知识图谱zhishi.me创始人,OpenKG联盟发起人之一,其带队构建的语义搜索系统在Billion Triple Challenge中荣获全球第2名;在著名的本体匹配竞赛OAEI的实体匹配任务中斩获得全球第1名。曾主持并参与多项国家自然科学基金、863重大专项和国家科技支撑项目,以学术负责人身份参与Paypal、Google、Intel、IBM、百度等企业的合作项目。

开课时间:2017年10月24日

学习方式:

在线直播,共11次

每周2次(周二、四晚上20:00-22:00

直播后提供录制回放视频,在线反复观看,有效期1年

课程大纲

第一课:  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.  本次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。

 
第二课:  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
         a.  RDF和RDFS
         b.  OWL和OWL2 Fragments
         c.  SPARQL查询语言
         d.  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

 
第三课:  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
         a.  基于正则表达式的方法
         b.  Bootstrapping和Wrapper Induction介绍
    4.  实践展示:基于百科数据的知识抽取

     
第四课:  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
         a.  知识内容挖掘:实体消歧与链接
         b.  知识结构挖掘:关联规则挖掘与社区发现
         c.  知识表示学习与链接预测,包括TransE和PRA等算法介绍    

 
第五课:  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
         a.  开源数据库介绍:Apache Jena、Sesame、gStore、RDF-3X等
         b.  商业数据库介绍: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

 
第六课:  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
         a.  基于Linguistic的匹配
         b.  基于图结构的匹配
         c.  基于外部知识库的匹配
    3.  实体匹配基本流程和常用方法
         a.  基于分块的多阶段匹配
         b.  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

 
第七课:  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
         a.  基于Tableaux运算的方法:Fact++、Racer、Pellet和Hermit等
         b.  基于一阶查询重写的方法:Ontology-based Data Access的Ontop等
         c.  基于产生式规则的方法(如Rete):Jena、Sesame和OWLIM等
         d.  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

 
第八课:  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
         a.  Web Data Commons项目介绍
         b.  排序算法介绍,扩展BM25
   3.  基于图谱的知识搜索
         a.  本体搜索(ontology lookup)
         b.  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

 
第九课: 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
         a.  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
         b.  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
         c.  基于深度学习的方法

 
第十课:  知识问答II
 
    1.  IBM Watson问答系统及核心组件详细解读
         a.  问句理解
         b.  候选答案生成
         c.  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

 
第十一课:  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



常见问题:

Q参加本门课程有什么要求

A: 有一定Python编程能力,有基本大学数学基础。

Q: 有课外学习资料吗?

A: 有,老师会根据情况提供讲义,并给出进阶学习资源与项目的建议。


参团!咨询!查看课程!

就点这里!

 
Python开发者 更多文章 Python 源码阅读:tuple 编程零基础,如何变身年薪百万的机器学习工程师? Python 源码阅读:list 让你的 Python 代码优雅又地道,15篇 Python 技术热文 Python 源码阅读:int
猜您喜欢 PHP Session可能会引起并发问题 关于推送,你可能忽略的那些事儿 高并发业务接口开发思路(实战)【5.22 热门分享回顾】 Android 应用开发者必看的 9 个 Tips 创业这么火 创业数据库也能融资近千万美金!