课程大纲：

第一天

第一讲 人工智能概述

1.1人工智能（AI）概念

1.2AI研究的主要技术问题

1.3AI的主要学派

1.4AI十大应用案例

第二讲 知识图谱概述

2.1 知识图谱（KG）概念

2.2 知识图谱的起源与发展

2.3 典型知识图谱项目简介

2.4 知识图谱技术概述

2.5 知识图谱典型应用

第三讲 知识表示

3.1 基于符号主义的知识表示概述

3.1.1 谓词逻辑表示法

3.1.2 产生式系统表示法

3.1.3 语义网络表示法

3.2 知识图谱的知识表示

3.2.1 本体论概念

3.2.2 RDF和RDFS

3.2.3 OWL和OWL2  

3.3.4 Json与Json-LD

3.3.5 RDFa、HTML5 、MicroData

3.3.6 SPARQL查询语言  

第二天

第四讲 知识图谱核心基础技术（一）

神经网络与深度学习

4.1 神经网络基本原理

4.2 神经网络应用举例

4.3 深度学习概述

4.4主流深度学习框架

4.4.1 TesorFlow / Keras（安装与运行）

4.4.2 Caffe

4.5卷积神经网络（CNN）

4.5.1 CNN简介

4.5.2 CNN关键技术: 局部感知、卷积、池化、CNN训练

4.5.3 典型卷积神经网络结构

4.5.4 深度残差网络

4.5.5 案例：利用CNN进行时装识别

4.5.6 案例：利用CNN进行手写数字识别

上机实践：基于卷积神经网络的手写体数字识别

第五讲 知识图谱核心基础技术（二）

基于深度学习的自然语言处理

5.1循环神经网络（RNN）概述

5.2 基本RNN 

5.3 长短时记忆模型(LSTM)

5.4 门控循环单元（GRU）

5.5 基于TensorFlow的自然语言处理

5.5.2 自然语言处理处理概述

5.5.1 文本向量化（vectorize）

5.5.1.1 one-hot编码

5.5.1.2词嵌入（word embedding）概念

5.5.1.3词嵌入（word embedding）主要算法

5.5.1.4 TensorFlow/Keras的嵌入层实现

上机实践：基于循环神经网络的情感识别

第三天

第六讲  知识抽取与融合

6.1 知识抽取基本方法

6.1.1 实体识别方法

6.1.2关系抽取方法

6.1.3 事件抽取方法

6.2 面向结构化数据的知识抽取

6.2.1 D2RQ    

6.2.2 R2RML

6.3 面向半结构化数据的知识抽取

6.3.1 基于正则表达式的方法 

6.3.2 基于包装器的方法

6.4.面向非结构化数据的知识抽取

6.4.1 基于规则的实体识别

6.4.2 基于深度学习的实体识别

6.4.3 基于模板的关系抽取

6.4.4 基于深度学习的关系抽取

6.5 实体消歧与链接

6.5.1实体消歧

6.5.2 实体链接

6.6  知识融合

6.6.1 框架匹配

6.6.2 实体对齐

6.6.3 冲突检测与消解

第七讲 存储与检索

7.1 知识图谱的存储与检索简介

7.2 知识图谱的存储

7.2.1  基于表结构的存储

7.2.2 基于图结构的存储

7.3 大规模知识图谱存储解决方案

7.4 属性图数据库 NEO4J

7.5 知识图谱的检索

上机实践：利用NEO4J进行知识图谱存储与检索

第八讲 知识图谱案例

8.1 金融风险防范知识图谱构建

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。