人工智能
知识图谱实战教程-浙大教授
课程目录
- 1.1语言与知识(Av599310418,P1)
- 1.2知识图谱的起源(Av599310418,P2)
- 1.3知识图谱的价值(Av599310418,P3)
- 1.4知识图谱的技术内涵(Av599310418,P4)
- 2.1什么是知识表示(Av599310418,P5)
- 2.2人工智能历史发展长河中的知识表示(Av599310418,P6)
- 2.3知识图谱的符号表示方法(Av599310418,P7)
- 2.4知识图谱的向量表示方法(Av599310418,P8)
- 3.1基于关系型数据库的知识图谱存储(Av599310418,P9)
- 3.2基于原生图数据库的知识图谱存储(Av599310418,P10)
- 3.3原生图数据库实现原理浅析(Av599310418,P11)
- 4.1重新理解知识工程与知识获取(Av599310418,P12)
- 4.2.1知识抽取——实体识别与分类（一）(Av599310418,P13)
- 4.2.2知识抽取——实体识别与分类（二）(Av599310418,P14)
- 4.3.1知识抽取——关系抽取与属性补全（一）(Av599310418,P15)
- 4.3.2知识抽取——关系抽取与属性补全（二）(Av599310418,P16)
- 4.4知识抽取——概念抽取(Av599310418,P17)
- 4.5知识抽取——事件识别与抽取(Av599310418,P18)
- 4.6知识抽取技术前沿(Av599310418,P19)
- 5.1什么是推理(Av599310418,P20)
- 5.2知识图谱推理简介(Av599310418,P21)
- 5.3.1基于Ontology的推理(Av599310418,P22)
- 5.3.2基于规则的推理(Av599310418,P23)
- 5.4.1基于嵌入学习的知识图谱推理(Av599310418,P24)
- 5.4.2基于规则学习的知识图谱推理(Av599310418,P25)
- 5.4.3OntologyEmbedding—本体概念层推(Av599310418,P26)
- 6.1知识图谱融合概述(Av599310418,P27)
- 6.2概念层融合——本体匹配(Av599310418,P28)
- 6.3实例层的融合——实体对齐(Av599310418,P29)
- 6.4知识融合技术前沿(Av599310418,P30)
- 7.1智能问答系统概述(Av599310418,P31)
- 7.2基于查询模版的知识图谱问答(Av599310418,P32)
- 7.3基于语义解析的知识图谱问答(Av599310418,P33)
- 7.4基于检索排序的知识图谱问答(Av599310418,P34)
- 7.5基于深度学习的知识图谱问答(Av599310418,P35)
- 8.1图的基本知识(Av599310418,P36)
- 8.2基础图算法(Av599310418,P37)
- 8.3.1图神经网络与图表示学习（一）(Av599310418,P38)
- 8.3.2图神经网络与图表示学习（二）(Av599310418,P39)
- 8.4图神经网络与知识图谱(Av599310418,P40)
- 9.1多模态知识图谱(Av599310418,P41)
- 9.2知识图谱与语言预训练(Av599310418,P42)
- 9.3事理知识图谱(Av599310418,P43)
- 9.4知识图谱与低资源学习(Av599310418,P44)
课程介绍
课程目录：
1-语言与知识
人工智能学习路线图
2-知识图谱的起源
3-知识图谱的价值
4-知识图谱的技术内涵
5-什么是知识表示
6-人工智能历史发展长河中的知识表示
7-知识图谱的符号表示方法
8-知识图谱的向量表示方法
9-基于关系型数据库的知识图谱存储
10-基于原生图数据库的知识图谱存储
11-原生图数据库实现原理浅析
12-重新理解知识工程与知识获取
13-知识抽取——实体识别与分类（一）
14-知识抽取——实体识别与分类（二）
15-知识抽取——关系抽取与属性补全（一）
16-知识抽取——关系抽取与属性补全（二）
17-知识抽取——概念抽取
18-知识抽取——事件识别与抽取
19-知识抽取技术前沿
20-什么是推理
21-知识图谱推理简介
22-基于Ontology的推理
23-基于规则的推理
24-基于嵌入学习的知识图谱推理
25-基于规则学习的知识图谱推理
26-OntologyEmbedding—本体概念层推理
27-知识图谱融合概述
28-概念层融合——本体匹配
29-实例层的融合——实体对齐
30-知识融合技术前沿
31-智能问答系统概述
32-基于查询模版的知识图谱问答
33-基于语义解析的知识图谱问答
34-基于检索排序的知识图谱问答
35-基于深度学习的知识图谱问答
36图的基本知识
37-基础图算法
38-图神经网络与图表示学习（一）
39-图神经网络与图表示学习（二）
40-图神经网络与知识图谱
41-多模态知识图谱
42-知识图谱与语言预训练
43-事理知识图谱
44-知识图谱与低资源学习
1-语言与知识
人工智能学习路线图
2-知识图谱的起源
3-知识图谱的价值
4-知识图谱的技术内涵
5-什么是知识表示
6-人工智能历史发展长河中的知识表示
7-知识图谱的符号表示方法
8-知识图谱的向量表示方法
9-基于关系型数据库的知识图谱存储
10-基于原生图数据库的知识图谱存储
11-原生图数据库实现原理浅析
12-重新理解知识工程与知识获取
13-知识抽取——实体识别与分类（一）
14-知识抽取——实体识别与分类（二）
15-知识抽取——关系抽取与属性补全（一）
16-知识抽取——关系抽取与属性补全（二）
17-知识抽取——概念抽取
18-知识抽取——事件识别与抽取
19-知识抽取技术前沿
20-什么是推理
21-知识图谱推理简介
22-基于Ontology的推理
23-基于规则的推理
24-基于嵌入学习的知识图谱推理
25-基于规则学习的知识图谱推理
26-OntologyEmbedding—本体概念层推理
27-知识图谱融合概述
28-概念层融合——本体匹配
29-实例层的融合——实体对齐
30-知识融合技术前沿
31-智能问答系统概述
32-基于查询模版的知识图谱问答
33-基于语义解析的知识图谱问答
34-基于检索排序的知识图谱问答
35-基于深度学习的知识图谱问答
36图的基本知识
37-基础图算法
38-图神经网络与图表示学习（一）
39-图神经网络与图表示学习（二）
40-图神经网络与知识图谱
41-多模态知识图谱
42-知识图谱与语言预训练
43-事理知识图谱
44-知识图谱与低资源学习
