Python深度学习与知识图谱6天

Python深度学习与知识图谱

【课程简介】

人工智能的浪潮正在席卷全球，各种培训课程应运而生，但真正能让学员系统、全面掌握核心知识点，并且能学以致用的实战课程并不多见。

本课程包含基于python的数据分析、深度学习、知识图谱和的重要概念及常用算法（决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN、GAN等），以及人工智能领域热点应用场景：目标检测、图像分割、图像生成、知识图谱、对话机器人等。

通过6天的系统学习、案例讲解和动手实践，让学员能初步迈入机器学习、深度学习和知识图谱的知识殿堂。

【课程收益】

掌握Python开发技能；

掌握深度学习框架：TensorFlow、pytorch等；

掌握基于python的数据分析知识；

掌握数据挖掘与机器学习进阶知识；

掌握深度学习的理论与实践；

理解CV领域（目标检测、图像分割、图像生成等）应用场景和技术

理解NLP领域（知识图谱、对话机器人等）应用场景和技术

为学员的后续项目应用提供针对性的建议。

【课程特点】

本课程力图理论结合实践，强调从零开始，重视动手实践；课程内容以原理讲解为根本，以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的机器学习理论，既能将原理充分讲懂讲透，也避免了繁复而枯燥的公式推导。

【课程对象】

理工科本科以上，或至少了解一种编程语言。

时间

内容

案例实践与练习

8月13日

9:00-12:00

基于python的实验环境

实验环境搭建

anaconda包的安装

pip install的技巧

通过anaconda配置多个环境

Jupyter Notebook的使用

绘图工具包matplotlib

opencv的安装

Tensorflow的安装

Pytorch的安装

paddlepaddle的安装

案例实践：

python安装

opencv安装与验证

Tensorflow安装与验证

Pytorch安装与验证

paddlepaddle安装与验证

8月13日

14:00-17:00

Python基础

Python开发概述

Python的基本语法

引入外部包

常用的数据结构

定义函数

Python中的面向对象编程

文件读写

访问数据库

数据预处理

数据清理

规范化

无标签时：PCA

有标签时：Fisher线性判别

数据压缩（DFT、小波变换）

回归与时序分析

线性回归

非线性回归

logistics回归

案例实践：

元组、列表、字典、集合

PCA的实验

DFT的实验

回归的实验

8月14日

9:00-12:00

基于python的数据分析

决策树模型

分类和预测

熵减过程与贪心法

ID3

C4.5

其他改进方法

决策树剪枝

聚类

监督学习与无监督学习

K-means与k-medoids

层次的方法

基于密度的方法

基于网格的方法

孤立点分析

案例实践：

决策树的实验

鸢尾花数据的聚类

手肘法分析NBA球队的最佳聚类个数

各种聚类方式的图形化展示

8月14日

14:00-17:00

基于python实现的经典算法

关联规则

频繁项集

支持度与置信度

提升度

Apriori性质

连接与剪枝

性能评价指标

精确率；

P、R与F1

ROC与AUC

对数损失

泛化性能评价：k折验证验证

案例实践：

超市购物篮——关联规则分析

皮马印第安人患糖尿病的风险

8月15日

19:30-22:30

深度学习基础

BP神经网络

人工神经元及感知机模型

Sigmoid激活函数

前向神经网络的架构

梯度下降

误差反向传播详解

支持向量机

“双螺旋”问题

基本模型与惩罚项

求解对偶问题

核函数：映射到高维

从二分类到多分类

用于连续值预测的支持向量机

案例实践：

皮马印第安人糖尿病风险：验证多种模型

绘制ROC并计算AUC

手算神经网络BP算法

只用numpy，手推BPNN

SVM实现人脸识别应用

8月16日

19:30-22:30

深度学习基础与CNN

深度学习基础

连接主义的兴衰

深度学习与神经网络的区别与联系

目标函数与激励函数

学习步长

权重初始化

权重衰减（Weight Decay）

梯度下降的方法：Adagrad \ RMSprop \ Adam

避免过适应

图像分类CNN

图像分类概述

AlexNet与ZF-Net

VGG（5层变为5组）

迁移学习

GoogLenet和Inception模块

模型退化与ResNet

DenseNet（充分利用特征）

最新的efficientnet

案例实践：

通过深度BP网络实现手写数字的识别

各种梯度下降方法的实战效果

Batch normalization的效果

案例实践：

VGG各层的可视化展现

迁移学习：猫狗大战

Resnet用于图像分类

8月20日

9:00-12:00

目标检测

一阶段目标检测

SSD

YOLO-v1（一切都是回归）

YOLO -v2（9000）

YOLO -v3（多尺度）

YOLO -v4

YOLO -v5

二阶段目标检测

目标检测项目介绍

R-CNN

SPPNET（全图卷积、SPP层）

Fast-RCNN（多任务）

Faster-RCNN（RPN）

案例实践：

基于Faster-RCNN的通用目标检测示例

血常规分析

案例实践：

基于YOLO v3的通用目标快速检测示例

基于YOLO v4的疫情防控系统

8月20日

14:00-17:00

图像分割与NLP

图像分割

全卷积网络（FCN）

上采样的三种实现方式

膨胀卷积

HMM与CRF

DeepLab V1~V3

自然语言处理初步

语言模型

Bi-Gram与N-Gram

机械分词与统计分词

词性标注

命名实体识别

情感分析

DeepLab：遥感地图分析

8月21日

9:00-12:00

RNN与W2V

循环神经网络

RNN基本原理

LSTM、GRU

双向循环神经网络

编码器与解码器结构

seq2seq模型

Attention

NIC模型

词向量

W2V:CBOW

W2V:skip-gram

W2V:Hierachical Softmax

W2V:Negative Sampling

案例实践：

股票交易数据的预测；

藏头诗生成；

《绝代双骄》中，谁和小鱼儿最相似？

SnowNLP：褒义的中性词

Word2vec代码解读

8月21日

14:00-17:00

预训练模型基础

Transformer

所有你需要的仅仅是“注意力”

Transformer中的block

自注意力机制

多头注意力

位置编码（抛弃RNN）

Batch Norm与Layer Norm

解码器的构造

BERT

BERT整体架构

Masked-LM

Next Sentence Prediction

改造下游任务

WordPiece作为输入

哪些改进起作用？

案例实践：

手推Transformer

BERT代码解读

BERT下游任务的改造

8月22日

19:30-22:30

知识图谱基础

知识图谱存储

知识图谱基础概念

知识推理

本体推理方法

本体推理工具

语义搜索

RDF与RDFS

OWL与OWL2

知识图谱存储

Neo4j开发环境部署

Neo4j-可视化操作

Neo4j-CQL语法基础

Neo4j-完整案例操作实战

Neo4j系统管理

Python与Neo4j的集成

实践：

Neo4j的安装

Neo4j的基本操作

8月23日

19:30-22:30

知识图谱抽取

GAN

知识图谱自动抽取

实体消歧与链接

知识图谱表示学习

基于深度学习的实体识别

基于深度学习的属性链接

知识问答系统

基于知识图谱问答系统

GAN

生成对抗网络（GAN）

KL散度与JS散度

改进的GAN：DCGAN

加上约束：infoGAN

根本上解决：Wasserstein GAN

实践：

Python与Neo4j的集成

知识抽取的DL模型

完整的基于KG的问诊系统

计算机想象的数字

特朗普的孩子

ThisPersonDoesNotExist