课程价格 ：
¥999.00
剩余名额
0
-
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
课程价格：
￥999.00
预约下一期 *课程已报满，可预约下一期
支持花呗分期
*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5章: 【构建篇】知识图谱构建之实体对齐
- 第1节: 实体对齐任务概述
- 第2节: 实体对齐前沿技术与常用范式
- 第3节: 实践：基于silk的实体对齐动手实践
- 第4节: 实践：基于openEA的实体对齐动手实践
- 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
- 第7章: 【应用篇】知识图谱应用之基于知识图谱的检索、图计算与可视化
- 第1节: 基于图数据库的常见支撑应用场景概述
- 第2节: 基于知识图谱的检索、图计算与可视化开源工具
- 第3节: 实践：基于neo4j的图谱实体搜索与路径查询
- 第4节: 实践：基于neo4j的代表性图算法实操
- 第5节: 实践：基于vis-js的知识图谱可视化分析
- 第8章: 【应用篇】知识图谱应用之基于知识图谱的规则式/分布式知识推理
- 第1节: 知识图谱推理任务
- 第2节: 知识推理分类
- 第3节: 基于符号演算推理
- 第4节: 基于数值计算的推理
- 第5节: 实践：基于amazon-DGLKE的医疗领域知识图谱嵌入
- 第6节: 实践：基于neo4j图数据库与推理规则配置的知识推理
- 第7节: 实践：基于医疗领域知识图谱嵌入的链接预测知识推理
- 第9章: 【应用篇】知识图谱应用之基于知识图谱的规则/深度学习式知识问答
- 第1节: 自动问答概述及其核心技术
- 第2节: 检索式问答系统及其核心技术
- 第3节: 社区问答系统及其核心技术
- 第4节: 基于知识图谱的问答系统核心技术
- 第5节: 实践：基于医疗领域知识图谱的规则匹配式问答系统
- 第6节: 实践：基于医疗领域知识图谱的深度学习式问答系统
