人工智能之“知识图谱与深度强化学习核心技术” 公开课

一、课程对象

各高等院校大数据相关学科、计算机、软件、信息管理、统计、电子商务、金融、工商管理、数理统计专业等科研、教学带头人，骨干教师、博士生、硕士生，机器学习、数据挖掘与分析等人工智能相关技术的爱好者与潜在研究者。

二、时间与地点

深度与强化学习：2018年10月19日～23日  武  汉

知  识  图  谱：2018年10月26日～29日  苏  州

三、讲师简介

知识图谱：王昊奋，博士，中国计算机学会术语审定工作委员会主任，中文信息学会语言与知识计算委员会副秘书长，在博士就读期间发表了30余篇国际顶级会议和期刊论文，连续两年获得IBM全球博士精英奖，并深入参与了IBM Watson系统的研发工作。长期在WWW、ISWC等顶级会议担任程序委员会委员。作为Apex数据与知识管理实验室语义组负责人，他主持并参与了多项相关项目的研发，带领团队构建的语义搜索系统在十亿三元组挑战赛（Billion Triple Challenge）中获得全球第2名；在著名的本体匹配竞赛OAEI的实体匹配任务中获得全球第1名的好成绩。带领团队构建了第一份中文语义互联知识库zhishi.me；带领团队参加百度知识图谱竞赛获得所有任务第一名。主持多项国家自然科学基金、863国家项目、国家科技支撑相关项目。

深度与强化学习：邹博，博士，中国科学院副研究员，天识科技公司首席科学家，诺辉投资公司人工智能总监，创立中国科学院邹博人工智能研究中心，多家知名公司担任技术顾问，机器学习与深度学习教育领域知名讲师，主讲机器、深度学习、BAT面试算法等多项课程。

四、知识图谱课程内容

第一天	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
	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
	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
	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
第二天	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
	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等
	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
第三天	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
	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：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

五、深度与强化学习内容

专题模块	内容设置	代码与案例实践
第1讲：Python数据科学与TensorFlow	解释器Python2.7/3.6与IDE：Anaconda/Pycharm numpy/scipy/matplotlib/panda的介绍和典型使用 scikit-learn的介绍和典型使用 TensorFlow典型应用 典型图像处理 多种数学曲线、多项式拟合 快速傅里叶变换FFT、奇异值分解SVD Soble/Prewitt/Laplacian与卷积网络	1. 卷积与(指数)移动平均线 2. 股票数据分析 3. 缺失数据的处理 4. 环境数据异常检测和分析
第2讲：深度学习基础及迁移学习	卷积神经网络CNN 卷积层、池化层、全连接层、激活函数层    Softmax层 深度学习的模型训练技巧    梯度下降的优化方法详解 循环神经网络RNN RNN循环神经网络，梯度计算    BPTTRNN循环神经网络改进LSTM  GRU Bi-RNN Attention based Keras安装，动手设计RNN网络解决分类问题 迁移学习的理论概述     迁移学习的常见方法 特征、实例、数据、深度迁移、强化迁移、研究案例	1. 搭建自己的卷积神经网络 2. 数字图像识别、人证合一验证 3. 基本OCR系统 4. 基于CNN的图像识别框架 5. 卷积神经网络调参经验分享 6. 深度迁移、强化迁移、研究案例
第3讲：强化学习概要及基础概念	强化学习的历史 强化学习需要解决的问题 强化学习的分类 强化学习的发展趋势 动态规划、策略评估和策略改进 RL和动态规划的异同点 基于蒙特卡罗强化学习介绍、同策略、异策略强化学习算法 Alphago原理讲解	1.universe(OpenAI)环境搭建 2. gym(OpenAI)实验环境搭建 3. 迷宫算法简单演示 4. 实现一个Alphago
第4讲：MDP以及传统强化学习算法及实现	基本概念： 马尔科夫性、马尔科夫过程、     马尔科夫决策过程 MDP基本组成元素： 策略、回报、值函数、状态行为值函数 贝尔曼方程、最优策略 Q-learning算法 Sarsa算法、Sarsa（lamda）算法	1.编写第一个增强学习的python 程序 2. Q-learning实现迷宫游戏 3. Sarsa算法实现迷宫游戏 4. 寻宝藏游戏
第5讲：DQN及其变种算法（案例实现）	DQN算法原理介绍 Double DQN算法原理介绍 Prioritized Replay算法原理介绍 Dueling DQN算法原理介绍 构建agent玩Atair games 深度神经网络DNN以及RNN	1. Atari Pong游戏 2. 飞翔的小鸟案例实战 3. DQN实现迷宫游戏 4. Double DQN算法实现迷宫游戏 5. Prioritized Replay算法实现迷宫游戏 6. Dueling DQN算法实现迷宫游戏
第6讲：策略梯度、TRPO 方法介绍及推导	策略梯度方法介绍 似然率策略梯度推导及重要性采样视角推导 似然率策略梯度的直观理解， 常见的策略表示 常见的减小方差的方法：引入基函数法，修改估计值函数法 TRPO 实用算法介绍 共轭梯度法搜索可行方向，PPO 方法	1.编程实践课（基于tensorflow和gym） 2. 基于python 的TRPO 方法实现 3. TRPO实现迷宫游戏 4. PPO实现迷宫游戏 5. 基于RL打星际争霸2游戏
第7讲：DDPG、AC、A3C算法及其实现	DDPG算法原理介绍 基于 python 的 DDPG 方法实现 AC算法原理介绍 A3C算法原理介绍	1. Atari Pong游戏 2. DDPG实现迷宫游戏 3. AC实现迷宫游戏 4.实现迷宫游戏 5. 基于RL算法来预测股票价格
第8讲：逆向强化学习介绍	逆向强化学习分类、学徒学习、 MMP 方法、结构化分类方法、神经逆向强化学习 最大熵逆向强化学习、相对熵逆向强化学习 深度逆向强化学习	1. 编程指导、答疑、交流 2. 强化学习总结

六、颁发证书

学员经考核合格可获得通信和信息技术创新人才培养工程《数据科学与大数据应用高级工程师》职业技术水平证书。该证表明持有者已通过相关考核，具备相应的专业知识和专业技能，并作为聘用、任职、定级和晋升的重要参考依据，官网统一查询，全国通用，长期有效。

七、费用标准

知识图谱课程：参会费3980元/人（含专家授课费、教材考试费、

证书申报、场地等），食宿统一安排，费用自理。

深度强化学习课程：参会费4980元/人（含专家授课费、教材考

试费、证书申报、场地等），食宿统一安排，费用自理。

八、联系方式

联系电话: 13021034702         微  信:13021034702

联 系 人: 李老师              邮  箱:gxb0829@126.com

（报名咨询请加小编微信）

注：请确定参加人员从速报名，培训报到前7日我们将以电子邮件的方式给您发送《报到通知》及学习软件、课件，告知具体培训地点、乘车路线等事宜。