歡迎光臨
每天分享高質量文章

人工智慧之“知識圖譜與深度強化學習核心技術” 公開課

一、課程物件

各高等院校大資料相關學科、計算機、軟體、信息管理、統計、電子商務、金融、工商管理、數理統計專業等科研、教學帶頭人,骨幹教師、博士生、碩士生,機器學習、資料挖掘與分析等人工智慧相關技術的愛好者與潛在研究者。


二、時間與地點

深度與強化學習:2018年10月19日~23日  武  漢

知  識  圖  譜:2018年10月26日~29日  蘇  州


三、講師簡介

知識圖譜:王昊奮,博士,中國計算機學會術語審定工作委員會主任,中文信息學會語言與知識計算委員會副秘書長,在博士就讀期間發表了30餘篇國際頂級會議和期刊論文,連續兩年獲得IBM全球博士精英獎,並深入參與了IBM Watson系統的研發工作。長期在WWW、ISWC等頂級會議擔任程式委員會委員。作為Apex資料與知識管理實驗室語意組負責人,他主持並參與了多項相關專案的研發,帶領團隊構建的語意搜索系統在十億三元組挑戰賽(Billion Triple Challenge)中獲得全球第2名;在著名的本體匹配競賽OAEI的物體匹配任務中獲得全球第1名的好成績。帶領團隊構建了第一份中文語意互聯知識庫zhishi.me;帶領團隊參加百度知識圖譜競賽獲得所有任務第一名。主持多項國家自然科學基金、863國家專案、國家科技支撐相關專案。

深度與強化學習:鄒博,博士,中國科學院副研究員,天識科技公司首席科學家,諾輝投資公司人工智慧總監,創立中國科學院鄒博人工智慧研究中心,多家知名公司擔任技術顧問,機器學習與深度學習教育領域知名講師,主講機器、深度學習、BAT面試演算法等多項課程。


四、知識圖譜課程內容

第一天

第一課:知識圖譜概論

1.  知識圖譜的起源和歷史

2.  典型知識庫專案簡介

3.  知識圖譜應用簡介

第二課:  知識表示與知識建模

1.  早期知識表示簡介

2.  基於語意網的知識表示框架

    a.RDF和RDFS

    b.OWL和OWL2 Fragments

    c.SPARQL查詢語言

    d.Json-LD、RDFa、HTML5 MicroData等新型知識表示

3.   典型知識庫專案的知識表示

第三課:知識抽取與挖掘I

1.  知識抽取任務定義和相關比賽:物體識別、關係抽取和事件抽取

2.  面向結構化資料(關係資料庫)的知識抽取,包括D2RQ和R2RML等轉換與映射規範與技術介紹

3.  面向半結構化資料(Web tables, 百科站點等)的知識抽取

    a.基於正則運算式的方法

    b.Bootstrapping和Wrapper Induction介紹

第四課:知識抽取與挖掘II

1.  面向非結構化資料(文本)的知識抽取

    a.基於本體的知識抽取,包括NELL和DeepDive系統介紹

  b.開放知識抽取,包括TextRunner、Reverb和OLLIE等系統介紹

2.  知識挖掘

    a.知識內容挖掘:物體消歧與鏈接

    b.知識結構挖掘:關聯規則挖掘與社區發現

    c.知識表示學習與鏈接預測,包括TransE和PRA等演算法介紹    

第二天

 

第五課:知識儲存

1.  基於關係資料庫的儲存設計,包括各種表設計和索引建立策略

2.  基於RDF的圖資料庫介紹

    a.開源資料庫介紹:Apache Jena、Sesame、gStore、RDF-3X等

    b.商業資料庫介紹:Virtuoso、AllegroGraph、BlazeGraph等

3.   原生圖資料庫介紹,包括Neo4j、OrientDB、Titan和Cayley等

第六課:知識融合

1.  知識融合任務定義和相關競賽:本體對齊和物體匹配

2.  本體對齊基本流程和常用方法

    a.基於Linguistic的匹配

    b.基於圖結構的匹配

    c.基於外部知識庫的匹配

3.  物體匹配基本流程和常用方法

    a.基於分塊的多階段匹配

    b.基於規則(配置或通過學習)的物體匹配

4.  知識融合工具介紹:包括Falcon-AO、Silk、PARIS、DEDUPE、LIMES和KnowledgeVault等

第七課:知識推理

1.  本體知識推理簡介與任務分類,包括概念可滿足性、概念包含、實體分類和一致性檢測等

2.  本體推理方法與工具介紹

    a.基於Tableaux運算的方法:Fact++、Racer、Pellet和Hermit等

  b.基於一階查詢重寫的方法:Ontology-based Data Access的Ontop等

  c.基於產生式規則的方法(如Rete):Jena、Sesame和OWLIM等

    d.基於邏輯編程(如Datalog)改寫的方法:KAON2和RDFox等

第三天

第八課:語意搜索

1.  語意搜索概述,包括Knowledge Card、Rich Snippet、Facebook Graph Search等

2.  基於語意標註的網頁搜索

  a.Web Data Commons專案介紹

    b.排序演算法介紹,擴展BM25

3.  基於圖譜的知識搜索

a.本體搜索(ontology lookup)

    b.探索式知識檢索,包括查詢構造、結果排序和分面(facets)推薦

4.  知識可視化,包括本體、查詢、結果等的展現方式和可視化分析

第九課:知識問答I

1.  知識問答概述和相關資料集(QALD和WebQuestions)

2.  知識問答基本流程

3.  知識問答主流方法介紹

    a.基於模板的方法,包括模板定義、模板生成和模板匹配等步驟

    b.基於語意解析的方法,包括資源映射,邏輯運算式候選生成與排序等

c.基於深度學習的方法

第十課:行業知識圖譜應用

1.  行業知識圖譜特點

2.  行業知識圖譜應用,包括金融、醫療、數字圖書館等領域應用

3.  行業知識圖譜構建與應用的挑戰

4.  行業知識圖譜生命周期定義和關鍵組件


五、深度與強化學習內容

專題模塊

內容設置

代碼與案例實踐

第1講:Python資料科學與TensorFlow

解釋器Python2.7/3.6與IDE:Anaconda/Pycharm

numpy/scipy/matplotlib/panda的介紹和典型使用

scikit-learn的介紹和典型使用

TensorFlow典型應用

典型圖像處理

多種數學曲線、多項式擬合

快速傅里葉變換FFT、奇異值分解SVD

Soble/Prewitt/Laplacian與捲積網絡

1. 捲積與(指數)移動平均線

2. 股票資料分析

3. 缺失資料的處理

4. 環境資料異常檢測和分析

第2講:深度學習基礎及遷移學習

捲積神經網絡CNN

捲積層、池化層、全連接層、激活函式層    Softmax層

深度學習的模型訓練技巧   

梯度下降的優化方法詳解

迴圈神經網絡RNN

RNN迴圈神經網絡,梯度計算    BPTTRNN迴圈神經網絡改進LSTM  GRU Bi-RNN Attention based

Keras安裝,動手設計RNN網絡解決分類問題

遷移學習的理論概述    

遷移學習的常見方法

特征、實體、資料、深度遷移、強化遷移、研究案例

1. 搭建自己的捲積神經網絡

2. 數字圖像識別、人證合一驗證

3. 基本OCR系統

4. 基於CNN的圖像識別框架

5. 捲積神經網絡調參經驗分享

6. 深度遷移、強化遷移、研究案例

第3講:強化學習概要及基礎概念

強化學習的歷史

強化學習需要解決的問題

強化學習的分類

強化學習的發展趨勢

動態規劃、策略評估和策略改進

RL和動態規劃的異同點

基於蒙特卡羅強化學習介紹、同策略、異策略強化學習演算法

Alphago原理講解

1.universe(OpenAI)環境搭建

2. gym(OpenAI)實驗環境搭建

3. 迷宮演算法簡單演示

4. 實現一個Alphago

第4講:MDP以及傳統強化學習演算法及實現

基本概念: 馬爾科夫性、馬爾科夫過程、     馬爾科夫決策過程

MDP基本組成元素: 策略、回報、值函式、狀態行為值函式

貝爾曼方程、最優策略

Q-learning演算法

Sarsa演算法、Sarsa(lamda)演算法

1.編寫第一個增強學習的python 程式

2. Q-learning實現迷宮游戲

3. Sarsa演算法實現迷宮游戲

4. 尋寶藏游戲

第5講:DQN及其變種演算法(案例實現)

DQN演算法原理介紹

Double DQN演算法原理介紹

Prioritized Replay演算法原理介紹

Dueling DQN演算法原理介紹

構建agent玩Atair games

深度神經網絡DNN以及RNN

1. Atari Pong游戲

2. 飛翔的小鳥案例實戰

3. DQN實現迷宮游戲

4. Double DQN演算法實現迷宮游戲

5. Prioritized Replay演算法實現迷宮游戲

6. Dueling DQN演算法實現迷宮游戲

第6講:策略梯度、TRPO 方法介紹及推導

策略梯度方法介紹

似然率策略梯度推導及重要性採樣視角推導

似然率策略梯度的直觀理解,

常見的策略表示

常見的減小方差的方法:引入基函式法,修改估計值函式法

TRPO 實用演算法介紹

共軛梯度法搜索可行方向,PPO 方法

1.編程實踐課(基於tensorflow和gym)

2. 基於python 的TRPO 方法實現

3. TRPO實現迷宮游戲

4. PPO實現迷宮游戲

5. 基於RL打星際爭霸2游戲

第7講:DDPG、AC、A3C演算法及其實現

DDPG演算法原理介紹

基於 python 的 DDPG 方法實現

AC演算法原理介紹

A3C演算法原理介紹

1. Atari Pong游戲

2. DDPG實現迷宮游戲

3. AC實現迷宮游戲

4.實現迷宮游戲

5. 基於RL演算法來預測股票價格

第8講:逆向強化學習介紹

逆向強化學習分類、學徒學習、 MMP 方法、結構化分類方法、神經逆向強化學習

最大熵逆向強化學習、相對熵逆向強化學習

深度逆向強化學習

1. 編程指導、答疑、交流

2. 強化學習總結


六、頒發證書

學員經考核合格可獲得通信和信息技術創新人才培養工程《資料科學與大資料應用高級工程師》職業技術水平證書。該證表明持有者已通過相關考核,具備相應的專業知識和專業技能,並作為聘用、任職、定級和晉升的重要參考依據,官網統一查詢,全國通用,長期有效。


七、費用標準

知識圖譜課程:參會費3980元/人(含專家授課費、教材考試費、

證書申報、場地等),食宿統一安排,費用自理。


深度強化學習課程:參會費4980元/人(含專家授課費、教材考

試費、證書申報、場地等),食宿統一安排,費用自理。


八、聯繫方式

聯繫電話: 13021034702         微  信:13021034702

聯 系 人: 李老師              郵  箱:gxb0829@126.com


(報名咨詢請加小編微信)

註:請確定參加人員從速報名,培訓報到前7日我們將以電子郵件的方式給您發送《報到通知》及學習軟體、課件,告知具體培訓地點、乘車路線等事宜。

赞(0)

分享創造快樂