AI 人工智能课程: 信息抽取与知识图谱- 贪心科技

课程亮点

最全的内容

知识图谱设计、信息抽取、低资源抽取、推断

答疑服务

即时答疑的方式，助教老师会尽快回答大家在学习中遇到的问题

深入的内容

有深度的内容、涵盖目前所能找到的最前沿的内容

专业的授课团队

在本领域有着多年工程和科研经验的导师

对科研、出国也有帮助

为以后做相关课题的科研、以及出国留学有很大帮助

提高创新能力

深入一个领域是技术创新所必须的条件

课程概要

知识图谱是结构化数据表示中最有效，最简洁，最强大的方法之一。它能反应实体之间的关系，以及抽取数据中有效信息。同时，在机器学习和NLP领域，知识图谱一直热门方向之一。本课程将介绍与知识图谱相关的所有技术，例如，数据模型，图谱构建，推断，以及知识抽取等等。同时，我们也将介绍 discriminative training, mixture models, and semi-supervised training methods, 以及 deep learning models. 我们希望能帮助学员具备解决知识图谱相关项目的所有技能。

你将收获

全面掌握信息抽取、知识图谱领域相关技术，并灵活应用在自己工作中

能够了解各类技术的实现细节，并熟练掌握其关键技术与方法

深入理解前沿的信息抽取与知识图谱技术，有助于为后续的科研打下基础

完成一个课题，有可能成为一个创业项目或者转换成你的科研论文

短期内对一个领域有全面的认识，大大节省学习时间

认识一群拥有同样兴趣的人、相互交流、相互学习

课程大纲

信息抽取与知识图谱

大纲

第一周：知识图谱与图数据模型

知识图谱：搜索引擎，数据整合，AI

实体抽取

关系抽取

词向量

graph embedding

图数据模型：RDF, Cyper

结构化数据的关系抽取

介绍关系抽取的基本方法

介绍结构化数据的信息过滤

第二周：知识图谱的设计

RDF和Property graph的设计

创建KG：数据处理

创建KG：文本和图像

推断用到的基本方法

Path detection

Centrality and community Detection

图结构嵌入方法

重要性的基本方法：node，edge

第三周：结构化预测模型

Sequence labeling

结构化数据类别：Dependency，constituency

Stack LSTM

Stack RNNS

Tree-structure LSTM

第四周：关系抽取和预测

Hand-built patterns

Bootstrapping methods

Supervised methods

Distant supervision

Unsupervised methods

实体识别的基本方法

第五周：低资源信息抽取和推断

Low-resource NER

Low-resource structured models

Learning multi-lingual Embeddings

Deepath

DIVA

Generic Statistical Relational Entity Resolution in Knowledge Graphs

第六周：图挖掘的热门应用

基本图概念

Link Prediction

Recommendation system

Anomaly detection

Gated Graph Sequence Neural Networks

论文列表

1、Generic Statistical Relational Entity Resolution in Knowledge Graphs (Pujara et al, 2016)

2、Neural Architectures for Named Entity Recognition (Lample et al, 2016)

3、End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF (Ma & Hovy, 2016)

4、Empower Sequence Labeling with Task-Aware Neural Language Model (Liu et al, 2018)

5、Fine-grained semantic typing of emerging entities (Nakashole et al, 2013)

6、Embedding methods for fine grained entity type classification (Yogatama et al, 2015)

7、AFET: Automatic fine-grained entity typing by hierarchical partial-label embedding (Ren et al, 2016)

8、Entity linking with a knowledge base: Issues, techniques, and solutions (Shen at el, 2015)

9、Neural Relation Extraction with Selective Attention over Instances (Lin et al, 2016)

10、Heterogeneous Supervision for Relation Extraction: A Representation Learning Approach (Liu et al, 2017)

项目部分

固定项目

知识图谱项目

概要：<b>信息抽取</b>（IE）过程是将嵌入在文本中的非结构化信息自动提取转换为结构化数据的过程。在文本中进行信息提取与文本简化问题相关联，一般目的是创建对机器来说可读性更强的文本来处理句子。项目任务：1. 根据现有的数据，搭建信息抽取模型，进行关系和事件抽取。 2. 尝试混合模型，进行联合信息抽取。 3. 熟悉并掌握信息抽取相关模型。 4. （可选）应用强化学习策略，尝试进一步提高信息抽取结果。 5. （可选）将信息抽取出来的结果，进一步扩展成知识图谱，然后对知识图谱进行补全，对比前后图谱区别

涉及到的技术：

命名实体识别

关系抽取

事件抽取

适合人群

大学生

理工科相关专业的本科/硕士/博士生，想系统性学习自然语言处理

希望今后从事人工智能相关的工作

希望今后想从事相关研究

在职人士

目前从事IT相关的工作，但今后想从事NLP工作

目前公司项目涉及到以上几个模块的内容、希望深入学习一下

希望能够及时掌握前沿的NLP技术

入学标准

理工科相关专业学生，或者IT从业者

具有良好的Python编程能力、深度学习基础

有一定的机器学习基础

或者成功完成贪心学院以下课程中的任意一门：

中级机器学习

高阶自然语言处理、或者同级别其他课程

课程团队

Max老师

推荐系统，计算机视觉领域专家

香港城市大学博士, UC Merced博士后。现在主要从事于机器学习，图卷积，图嵌入的研究，从事研究多年，对机器学习有很深的理解。并且先后在ECCV, Trans on Cybernetics, Trans on NSE, INDIN等国际顶会及期刊上发表过数篇论文。

毕业证书

对于成功完成每个模块内容的学员，我们会颁发对应模块的毕业证书（注：必须要达到及格标准）

助教老师课上辅导&课下答疑

闫老师

（周一到周日）

贪心学院高级助教老师

负责过高阶nlp3，4，5，6，7，8，9

高阶机器学习1，2，3，4

中级机器学习等课程答疑

人大硕士，曾经就职于网易，阿里等科技巨头

目前任某国家研究院NLP工程师

常见问题

1、参加本课程有什么要求？

参加本课程需要一定的自然语言处理基础。

2、学完课程能达到什么水平？

能够系统性理解自然语言处理技术、有能力自主设计新的新的模型，并应用在工程中；或者有能力从事科研相关的工作。

3、课程中的理论和实操比例是怎样的？

课程中会有大量较为深入的技术讲解，由浅入深，理论部分会很充实。另外，你通过完成课题的方式来完成实战部分。

4、课程支持哪些付费方式？

支付宝、微信、银行卡、公对公打款、paypal付款。

5、加入课程，最后怎样才能拿到证书？

对于证书我们坚持高门槛，只有达到及格线我们才会颁发证书。