• 学习时长

    10周/建议每周6个小时

  • 答疑服务

    专属微信答疑群/讲师助教均参与

  • 作业批改

    每章节设计作业/助教及时批改评优

  • 课程有效期

    一年/告别拖延,温故知新

*课程已报满,可预约下一期

  • 1:知识图谱开课仪式
  • 2-1:【问题文档】知识图谱直播答疑问题收集
  • 2-2:【视频】3.29号直播答疑
  • 第1章: 【基础篇】知识图谱概述与知识表示理论基础
  • 第1节: 知识图谱发展背景与发展历程
  • 3-1:【课件】第一章--知识图谱概述与知识表示理论基础
  • 3-2:【视频】知识图谱发展背景与发展历程
  • 第2节: 知识图谱的基本概念、类型和代表性知识图谱
  • 4:【视频】知识图谱的基本概念、类型和代表性知识图谱
  • 第3节: 知识图谱生命周期与应用场景
  • 5:【视频】知识图谱生命周期与应用场景
  • 第4节: 知识图谱中的知识表示
  • 6:【视频】知识图谱中的知识表示
  • 第5节: 实践:基于Protégé的医疗领域本体构建
  • 7-1:【视频】实践基于Protcge的医疗领域本体构建
  • 7-2:基于Protégé的医疗领域本体构建
  • 7-3:【操作示范】Protégé安装与使用
  • 7-4:【资料】Protégé_tutorial.rar
  • 8:【视频】本体编辑实践
  • 第6节: 实践:基于ppt/excel的医疗领域本体构建
  • 9-1:【视频】实践基于ppt、excel的医疗领域本体构建
  • 9-2:【作业文件】基于ppt_excel的医疗领域本体构建
  • 9-3:【作业】第一章
  • 9-4:【作业提示】第一章作业提示
  • 第2章: 【基础篇】知识图谱中的自然语言处理与爬虫基础
  • 10:【课件】知识图谱中的自然语言处理与爬虫基础
  • 第1节: 词表示模型
  • 11-1:【视频】词向量
  • 11-2:【资料】word2vec中的数学原理详解.pdf
  • 第2节: 实践:word2vec训练及其在语义表示中的应用
  • 12-1:【实践视频】Word2vec实践讲解
  • 12-2:【实践作业】 word2vec训练及其在语义表示中的应用
  • 第3节: 语义组合模型
  • 13:【视频】语义组合模型
  • 第4节: 预训练语言模型
  • 14:【视频】预训练语言模型
  • 第5节: 面向半结构化数据的包装器节解析
  • 15:【视频】面向半结构化数据的爬虫库
  • 第6节: 实践:基于垂直医药网站的疾病百科解析
  • 16-1:【实践视频】垂直百科爬虫实践讲解
  • 16-2:【实践作业】基于垂直医药网站的疾病百科解析
  • 16-3:【作业】第二章
  • 第3章: 【构建篇】知识图谱构建之实体识别
  • 17:【课件】L3 实体识别
  • 第1节: 实体识别任务概述
  • 18:【视频】实体识别任务介绍
  • 第2节: 基于深度学习的实体识别经典方法
  • 19:【视频】基于BiLSTM+CRF的NER方法
  • 20:【视频】基于BERT+CRF的方法
  • 第3节: 前沿研究概述
  • 21-1:【视频】FLAT实体识别
  • 21-2:【视频】 嵌套实体识别
  • 第4节: 实践:基于label-studio进行医疗领域实体训练数据标注
  • 22:【实践资料】基于label-studio进行医疗领域实体训练数据标注
  • 第5节: 实践:基于BERT-BiLSTM+CRF的医疗领域实体识别
  • 23-1:【代码】基于BERT+CRF的医疗领域实体识别.zip
  • 23-2:【视频】基于BERT+CRF的NER实践
  • 第6节: 实践:基于Global-pointer指针网络的医疗领域实体识别
  • 24-1:【实践资料】基于Global-pointer指针网络的医疗领域实体识别
  • 24-2:【作业】第三章
  • 第4章: 【构建篇】知识图谱构建之实体关系抽取
  • 第1节: 实体关系抽取概述
  • 第2节: 实体识别前沿技术与常用范式
  • 第3节: 预定义关系抽取:关系分类
  • 第4节: 预定义关系抽取:远程监督关系抽取与实体关系联合抽取
  • 第5节: 预定义关系抽取:文档级别关系抽取
  • 第6节: 实践:基于label-studio进行医疗领域关系训练数据标注
  • 第7节: 实践:基于pure的pipeline式医疗领域关系抽取
  • 第8节: 实践:基于Gplinker的joint式医疗领域实体关系抽取
  • 第6章: 【构建篇】知识图谱应用之基于neo4j的知识图谱存储
  • 第1节: 知识图谱数据模型:RDF图&属性图Neo4J
  • 第2节: 知识图谱数据的存储:基于关系的知识图谱存储管理、原生知识图谱存储管理
  • 第3节: 实践:基于cypher语句的医疗领域知识图谱存储
  • 第4节: 实践:基于neo4j-import/load csv的医疗领域知识图谱存储

相关推荐

自然语言处理 知识图谱 自然语言处理 基础

未注册验证后自动登录,注册/登录则视为同意

《服务协议》《隐私协议》

请完善资料,让我们更好的为您服务!

+86  (手机号已绑定)

未注册验证后自动登录,注册/登录则视为同意

《服务协议》《隐私协议》