Python深度学习与知识图谱6天

Python深度学习与知识图谱
【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、全面掌握核心知识点，并且能学以致用的实战课程并不多见。
本课程包含基于python的数据分析、深度学习、知识图谱和的重要概念及常用算法（决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN、GAN等），以及人工智能领域热点应用场景：目标检测、图像分割、图像生成、知识图谱、对话机器人等。
通过6天的系统学习、案例讲解和动手实践，让学员能初步迈入机器学习、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；
掌握深度学习框架：TensorFlow、pytorch等；
掌握基于python的数据分析知识；
掌握数据挖掘与机器学习进阶知识；
掌握深度学习的理论与实践；
理解CV领域（目标检测、图像分割、图像生成等）应用场景和技术
理解NLP领域（知识图谱、对话机器人等）应用场景和技术
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】
理工科本科以上，或至少了解一种编程语言。
时间
内容
案例实践与练习
8月13日
9:00-12:00
基于python的实验环境
实验环境搭建
anaconda包的安装
pip install的技巧
通过anaconda配置多个环境
Jupyter Notebook的使用
绘图工具包matplotlib
opencv的安装
Tensorflow的安装
Pytorch的安装
paddlepaddle的安装
案例实践：
python安装
opencv安装与验证
Tensorflow安装与验证
Pytorch安装与验证
paddlepaddle安装与验证
8月13日
14:00-17:00
Python基础
Python开发概述
Python的基本语法
引入外部包
常用的数据结构
定义函数
Python中的面向对象编程
文件读写
访问数据库
数据预处理
数据清理
规范化
无标签时：PCA
有标签时：Fisher线性判别
数据压缩（DFT、小波变换）
回归与时序分析
线性回归
非线性回归
logistics回归
案例实践：
元组、列表、字典、集合
PCA的实验
DFT的实验
回归的实验
8月14日
9:00-12:00
基于python的数据分析
决策树模型
分类和预测
熵减过程与贪心法
ID3
C4.5
其他改进方法
决策树剪枝
聚类
监督学习与无监督学习
K-means与k-medoids
层次的方法
基于密度的方法
基于网格的方法
孤立点分析
案例实践：
决策树的实验
鸢尾花数据的聚类
手肘法分析NBA球队的最佳聚类个数
各种聚类方式的图形化展示
8月14日
14:00-17:00
基于python实现的经典算法
关联规则
频繁项集
支持度与置信度
提升度
Apriori性质
连接与剪枝
性能评价指标
精确率；
P、R与F1
ROC与AUC
对数损失
泛化性能评价：k折验证验证
案例实践：
超市购物篮——关联规则分析
皮马印第安人患糖尿病的风险
8月15日
19:30-22:30
深度学习基础
BP神经网络
人工神经元及感知机模型
Sigmoid激活函数
前向神经网络的架构
梯度下降
误差反向传播详解
支持向量机
“双螺旋”问题
基本模型与惩罚项
求解对偶问题
核函数：映射到高维
从二分类到多分类
用于连续值预测的支持向量机
案例实践：
皮马印第安人糖尿病风险：验证多种模型
绘制ROC并计算AUC
手算神经网络BP算法
只用numpy，手推BPNN
SVM实现人脸识别应用
8月16日
19:30-22:30
深度学习基础与CNN
深度学习基础
连接主义的兴衰
深度学习与神经网络的区别与联系
目标函数与激励函数
学习步长
权重初始化
权重衰减（Weight Decay）
梯度下降的方法：Adagrad \ RMSprop \ Adam
避免过适应
图像分类CNN
图像分类概述
AlexNet与ZF-Net
VGG（5层变为5组）
迁移学习
GoogLenet和Inception模块
模型退化与ResNet
DenseNet（充分利用特征）
最新的efficientnet
案例实践：
通过深度BP网络实现手写数字的识别
各种梯度下降方法的实战效果
Batch normalization的效果
案例实践：
VGG各层的可视化展现
迁移学习：猫狗大战
Resnet用于图像分类
8月20日
9:00-12:00
目标检测
一阶段目标检测
SSD
YOLO-v1（一切都是回归）
YOLO -v2（9000）
YOLO -v3（多尺度）
YOLO -v4
YOLO -v5
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）
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
8月20日
14:00-17:00
图像分割与NLP
图像分割
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
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
8月21日
9:00-12:00
RNN与W2V
循环神经网络
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
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
8月21日
14:00-17:00
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
8月22日
19:30-22:30
知识图谱基础
知识图谱存储
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
8月23日
19:30-22:30
知识图谱抽取
GAN
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的问诊系统
计算机想象的数字
特朗普的孩子
ThisPersonDoesNotExist

叶梓老师的其它课程