Python、知识图谱与深度学习培训_进阶3天

Python深度学习与知识图谱培训
（进阶部分）
【课程时长】
3天（6小时/天）
【课程简介】
人工智能的浪潮正在席卷全球，各种培训课程应运而生，但真正能让学员系统、全面掌握知识点，并且能学以致用的实战课程并不多见。本课程包含深度学习、知识图谱的重要概念及常用算法（目标检测、图像分割、自然语言处理、RNN、知识图谱、GAN等），以及人工智能领域当前的热点。通过3天的系统学习、案例讲解和动手实践，让学员能初步迈入深度学习和知识图谱的知识殿堂。
【课程收益】
掌握Python开发技能；
掌握深度学习工具：TensorFlow、Keras、pytorch等；
掌握深度学习的理论与实践；
掌握知识图谱基本知识；
为学员的后续项目应用提供针对性的建议。
【课程特点】
本课程力图理论结合实践，强调从零开始，重视动手实践；课程内容以原理讲解为根本，以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的机器学习理论，既能将原理充分讲懂讲透，也避免了繁复而枯燥的公式推导。
【课程对象】
计算机相关专业本科；或理工科本科，且至少熟悉一门编程语言。
【主讲专家】
叶梓，博士、高级工程师。2005年上海交通大学计算机专业博士毕业，主研方向为数据挖掘、机器学习、人工智能等。现为某大型上市软件企业的人工智能团队技术负责人。在大数据、人工智能应用等方面有着丰富的工程实践经验。先后在SCI或EI期刊上发表论文4篇，在中文核心期刊上发表论文近20篇，并被百度学术收录。
【学员基础】
具备初步的IT基础知识
【课程大纲】（培训内容可根据客户需求调整）
时间
内容
案例实践与练习
Day4上午
目标检测
二阶段目标检测
目标检测项目介绍
R-CNN
SPPNET（全图卷积、SPP层）
Fast-RCNN（多任务）
Faster-RCNN（RPN）
一阶段目标检测（2）
SSD
YOLO-v1（一切都是回归）
YOLO -v2（9000）
YOLO -v3（多尺度）
YOLO -v4
YOLO -v5
案例实践：
基于Faster-RCNN的通用目标检测示例
血常规分析
案例实践：
基于YOLO v3的通用目标快速检测示例
基于YOLO v4的疫情防控系统
Day4下午
图像分割与NLP初步
图像分割（3）
全卷积网络（FCN）
上采样的三种实现方式
膨胀卷积
HMM与CRF
DeepLab V1~V3
自然语言处理初步（2）
语言模型
Bi-Gram与N-Gram
机械分词与统计分词
词性标注
命名实体识别
情感分析
DeepLab：遥感地图分析
Day5上午
RNN与W2V
循环神经网络（1）
RNN基本原理
LSTM、GRU
双向循环神经网络
编码器与解码器结构
seq2seq模型
Attention
NIC模型
词向量（3）
W2V:CBOW
W2V:skip-gram
W2V:Hierachical Softmax
W2V:Negative Sampling
案例实践：
股票交易数据的预测；
藏头诗生成；
《绝代双骄》中，谁和小鱼儿最相似？
SnowNLP：褒义的中性词
Word2vec代码解读
Day5下午
预训练模型基础
Transformer
所有你需要的仅仅是“注意力”
Transformer中的block
自注意力机制
多头注意力
位置编码（抛弃RNN）
Batch Norm与Layer Norm
解码器的构造
BERT
BERT整体架构
Masked-LM
Next Sentence Prediction
改造下游任务
WordPiece作为输入
哪些改进起作用？
案例实践：
手推Transformer
BERT代码解读
BERT下游任务的改造
Day6上午
知识图谱概念
知识图谱基础概念
知识推理
本体推理方法
本体推理工具
语义搜索
RDF与RDFS
OWL与OWL2
知识图谱存储
Neo4j开发环境部署
Neo4j-可视化操作
Neo4j-CQL语法基础
Neo4j-完整案例操作实战
Neo4j系统管理
Python与Neo4j的集成
实践：
Neo4j的安装
Neo4j的基本操作
Day6下午
知识图谱存储
知识图谱自动抽取
实体消歧与链接
知识图谱表示学习
基于深度学习的实体识别
基于深度学习的属性链接
知识问答系统
基于知识图谱问答系统
GAN
生成对抗网络（GAN）
KL散度与JS散度
改进的GAN：DCGAN
加上约束：infoGAN
根本上解决：Wasserstein GAN
实践：
Python与Neo4j的集成
知识抽取的DL模型
完整的基于KG的问答系统（KBQA）
计算机想象的数字
特朗普的孩子
查无此人
【授课环境】
讲课环境要能上网

叶梓老师的其它课程