《AI深度学习与知识图谱》培训12月培训班已截止报名
推荐参加：2024年科技项目申报与科研平台建设运行、经费使用管理、综合绩效评价专题培训班(4月武汉)

课程时间： 2021-12-11 09:00至 2021-12-13 18:00结束

课程地点：线上活动

会议规模：50人

主办单位：北京盛世元鸿职业技能教培中心

行业热销热门关注看了又看换一换

会议通知
会议内容主办方介绍

《AI深度学习与知识图谱》培训12月培训班宣传图

北京盛世元鸿职业技能教培中心

各企事业单位、高等院校及科研院所：

人工智能（AI）是新一轮科技革命和产业变革的核心驱动力，将深刻改变人类社会生活，改变世界，对于实现社会生产力新跃升，提高综合国力和国际竞争力具有重要意义。为了贯彻落实国务院印发的“新一代人工智能发展规划”精神，推广人工智能技术，为此特邀人工智能学术和深度学习研发领域一线专家共同举办此次“人工智能与知识图谱技术及其应用实战专项会议”。线上与各界人士进行教学交流！

应广大学员要求：北京盛世元鸿职业技能教培中心主办本期培训，欢迎人工智能、机器学习、自动推理、专家系统、知识图谱、神经网络、进化计算、大数据挖掘、类脑智能等领域的老师、研究生、政府、企业、学校IT相关技术人员，编程人员、工程师及有志于对人工智能技术感兴趣的其他人员参加。具体事宜如下：

一、参会优势

1.会议全程录播，一机一码，可后期回看

2.内容不定期更新，后期免费参加

3.配备PPT、电子版教材

4.免费提供后期技术指导

5.建立微信群方便交流

二、时间：2021年12月11日—2021年12月13日（线上·腾讯会议直播）可观看回放

三、参会目标：

1. 通过本次会议，学员可以掌握人工智能系统的基本原理与人工智能的核心技术，包括知识表示、自动推理、机器学习、专家系统、知识图谱、神经网络、进化计算；2.了解深度学习、强化学习等人工智能技术的最新发展；3学会基于专家系统、神经网络、进化计算，以及基于深度学习的人工智能应用系统设计与实现方法，为进行实用人工智能应用系统的研究开发奠定基础。

四、主讲专家：

张教授，博士毕业于西安交通大学，现为西安理工大学计算机学院2级教授，博士生导师，教育部学位办评审专家。主要从事云计算、大数据、人工智能与深度学习方面的研究开发与教学。曾用人工智能语言Prolog实现计算机故障诊断专家系统；用C语言实现煤矿突水预测神经网络系统；用专家系统工具Jess工具设计企业大数据平台；用tensorflow/Keras/Phtyon 实现手写体数字识别、电影评价情感识别系统，设计股票预测系统，人脸识别系统。

五、参会对象

1、企事业单位及学校老师、学生硕士及博士研究生 2、企业技术总监及相关管理人员；

3、人工智能系统架构师、设计与编程人员； 4、对知识图谱技术感兴趣的其他人员。

六、授课方式

本课程重视技术基础，强调实际应用，采用技术原理与项目实战相结合的方式进行教学。通过展示教师的实际科研成果，讲述人工智能的技术原理与应用系统开发方法、人工智能系统开发工具使用方法。使学员掌握人工智能基础与专门知识，获得较强的人工智能应用系统的分析、设计、实现能力。提供实际的应用案例供学员动手实验练。实验内容包括tensorflow2.4/keras2.4环境构建、图数据库NEO4J安装与使用等。

第一部分：人工智能基础	1.1　人工智能（AI）概述 1.2　AI研究的主要技术问题 1.3　AI的主要学派 1.4 AI十大应用案例
第二部分：知识图谱	2.1 知识图谱概念 2.2 知识的提取、表示、存储与检索 2.3 知识图谱构建过程(生命周期) 2.4 实验：用NEO4J构建药材供应链与股票知识图谱
第三部分：基于联结的人工智能系统及应用	3.1　神经网络概念 3.2　前馈神经网络算法　 3.3　前馈神经网络设计方法 3.4　前馈神经网络实际应用　 3.4.1　基于神经网络的煤矿突水预测系统　　　 3.4.2　融合专家系统与神经网络的真空成型机故障诊断系统
第四部分：基于深度学习的人工智能系统及应用	4.1　机器学习与深度学习概念 4.2 主流深度学习框架 4.2.1 TesorFlow 2.6/keras2.6（安装与运行实例） 4.2.2 pytorch 1.2 4.3　卷积积神经网络（含深度残差网络、批归一化） 4.4 循环神经网络（含RNN，LSTM，自然语言处理应用） 4.5 增强学习（蒙特卡罗算法、时序差分、Q_learning算法、 DQN算法、策略梯度法） 4.6 迁移学习 4.7 生成对抗网络 4.8 基于TesorFlow/keras的深度学习应用系统上机实验举例（1）手写体数字识别（2）时装识别（3）情感识别（４）基于Q_learning算法的过山车训练
第五部分：基于深度学习的目标检测与人脸识别	5.1 目标检测（object detection）概念 5.2 传统的目标检测方法 5.3 基于区域建议(候选框)的目标识别算法 5.3.1 R-CNN 5.3.2 Fast R-CNN 5.3.3 Faster R-CNN 5.3.4 Feature Pyramid Networks(FPN)-特征金字塔网络 5.4 YOLO——One-Stage目标检测算法 5.5 SSD与 Retina-Net 5.6 基于ImageAI 的计算机视觉编程库 5.9人脸识别关键技术概述 5.10人脸检测算法 5.10.1 人脸检测算法 MTCNN 5.11 人脸识别算法 - Google FaceNet 5.11 基于MTCNN和facenet实现人脸检测和人脸识别实验
第六部分　自然语言处理的巅峰模型-BERT应用	6.1 注意力机制与 transformer 6.2 BERT技术基础 6.3 BERT技术应用 6.3.1 BERT 版本与源码文件目录 6.3.2 BERT应用基本方法 6.3.3 Transformers 库应用方法 6.3.3.1 Transformers概述 6.3.3.2 transformer模型组成 6.3.3.3 transformers 库的三种使用方法 6.3.4 Hugging face预训练模型 6.3.4 Hugging face管道线（pipline）预训练模型快速应用演示 1.情感分析：分析文本是正面还是负面的。 2.文本生成：提供一个语句，生成这条语句的下一句。 3.命名实体识别（NER）:标记输入语句每个单词，揭示单词的含义。 4.问题回答：输入一段文本及一个问题，从文本中抽取问题的答案。 5.填补被遮蔽单词：输入一段文本（一些单词被[MASK]标签取代），填补被遮蔽的单词。 6.摘要生成：产生一段长文本的摘要。 7.英汉翻译：将一段英语言的文本翻译成中文。 8.特征抽取：得到一段文本的tensor表示。
第七部分最新自然语言处理巅峰工具斯坦福stanza	７.１　Stanza概述７.２　Stanza中文模型安装７.３ Stanza的NLP管道应用　　　　（含分词、词性标注、依存句法分析、命名实体识别）