知识图谱技术实践

课程简介

本课程首先介绍知识图谱的基本概念，包括知识图谱的组织方式、标准以及它的应用场景和能够解决的问题，同时简析知识图谱与人工智能应用的关系；接着，讲解知识图谱的存储方案，并以图数据库为例进行详细介绍，内容涉及经典的图数据库类型和内部的数据组织方式；进而，介绍一种新颖的基于人机对话的方式进行知识图谱分析的手段，重点阐述此场景下的技术调整和可能的解决方案；最后，介绍并剖析利用知识图谱在多个领域解决实际问题的不同案例。

课程讲师

邵蓥侠

明略数据SCOPA技术顾问

北京大学博士后，主要研究方向包括大规模图计算优化、图挖掘应用以及复杂网络分析等，在相关领域发表学术论文10余篇，包括SIGMOD, VLDB, TKDE等国际一流学术会议和期刊。曾获Google博士奖学金、“微软学者”等称号。目前作为明略数据SCOPA技术顾问，主要参与图挖掘、图分析、知识工程等相关工作。

课程大纲

1. 知识图谱的基本概念及其应用场景
   1. 1.1. 什么是知识图谱
   2. 1.2. 知识图谱的用途
   3. 1.3. 知识图谱与AI之间的关系
2. 知识图谱的存储借鉴及图数据库介绍
   1. 2.1. 典型的知识图谱存储方案
   2. 2.2. 知识图谱与图数据库
   3. 2.3. 图数据库介绍
3. 基于人机交互的知识图谱分析方法
   1. 3.1. 人机对话技术简介
   2. 3.2. 知识图谱与对话技术的结合
4. 基于知识图谱的应用案例分析
   1. 4.1. 多个领域（公安、金融等）的应用案例介绍
   2. 4.2. 相关Demo展示及讲解
5. 总结和讨论

听众受益

1. 了解知识图谱的基本概念
2. 了解知识图谱在公安、金融等多个的实际应用场景
3. 了解知识图谱在行业落地的解决方案
4. 了解知识图谱对多种业务拓展的价值

目标听众

1. 人工智能领域的相关技术人员
2. 对知识图谱的实际应用感兴趣的用户
3. 对知识图谱管理和访问有兴趣的技术人员
4. 公安、金融等领域用户

深度学习在图像理解中的应用

课程简介

图像数据是互联网最大的数据来源之一，如何从海量的图像中获取到有用的信息成为当前业内研究的一个重要课题。用户行为理解、用户画像、信息流推送等任务中都会涉及到图像内容的理解。主流的图像理解包含人脸检测/属性、文字检测/识别、图像识别、图像标签、图像分割、行为分析等。

随着深度学习在图像理解中的不断突破，图像理解可以在有限的资源下得以完成。本课程重点分享深度学习在图像技术中的应用。通过传统的图像比对入手，介绍深度学习在图像理解中的基础技术，分析了目前主流方法的优劣性，并结合具体场景给出了针对性的解决方案。

课程讲师

熊鹏飞

旷视科技Face++高级研究员

2017年加入旷视科技Face++，负责人脸相关技术，专注于计算机视觉、深度学习、图像理解等技术方向，加入旷视前曾就职于腾讯，是微信早期员工，先后参与并负责大规模图像搜索、用户画像、微信扫一扫、图像开放平台、视觉机器人、视频处理等项目，2012年博士毕业于中科院自动化研究所。

课程大纲

1. 图像内容理解的典型问题
2. 传统的图像内容理解技术
   • 2.1 图像理解定义
   • 2.2 图像特征
   • 2.3 图像检索
   • 2.4 实际应用
3. 深度学习的基本方法
   • 3.1 深度学习的问题抽象
   • 3.2 有监督与无监督学习
   • 3.3 基于深度学习的图像技术分析
4. 深度学习图像内容理解详解
   • 4.1 主流算法比较
   • 4.2 模型训练
   • 4.3 系统部署
5. 图像内容理解进阶
   • 5.1 几大互联网公司的图像理解案例剖析
   • 5.2 深层次内容理解算法的概况

听众受益

1. 了解图像内容理解在互联网中的应用场景
2. 了解工业界图像内容理解中的主流方法比较
3. 了解常见的深度学习基础模型
4. 了解深度学习在实际应用中的问题抽象
5. 了解深度学习在图像理解中的应用方法和遇到的各种问题
6. 了解各大公司图像内容理解的案例

目标听众

1. 架构师、系统工程师、应用开发工程师、大数据工程师、云计算工程师等
2. 对如何使用深度学习技术解决实际问题有兴趣的所有人

深度学习在CTR预估中的应用

课程简介

深度学习目前在图像处理／语音识别／自然语言处理等取得了突破性的进展，并在工业界获得广泛应用并取得了非常亮眼的效果。

CTR预估是目前各个互联网公司中广泛使用的应用任务，各种计算广告和推荐等排序任务中大量使用CTR预估相关技术，主流的CTR预估方法包括LR／GBDT等树模型／FM因子分解机等模型。

本课程将分享目前主流的CTR预估是如何做的？如何将深度学习应用在CTR预估任务中，并取得超过传统方法的效果？目前的主流结合方法有哪些？各自有哪些优点缺点？目前较好的深度CTR模型有哪些好的模型结构及训练方法？

课程讲师

张俊林

新浪微博AI Lab资深算法专家

此前曾在阿里巴巴、百度、用友担任资深技术专家和技术总监等职位。研发兴趣集中在搜索技术、推荐系统、社交挖掘、自然语言处理等方面，并在以上领域有多年学术及工业界经验。曾在ACL/COLING等国际著名会议发表多篇学术论文，并著有技术书籍《这就是搜索引擎：核心技术详解》（该书荣获全国第十二届输出版优秀图书奖）、《大数据日知录：架构与算法》。

课程大纲

1. CTR预估问题及应用场景简介
2. 几种主流的传统CTR预估方法介绍
   • 2.1 LR
   • 2.2 树模型：GBDT
   • 2.3 FM模型
   • 2.4 监控告警和可靠性工程
3. 深度学习基础模型
   • 3.1 前向神经网络MLP
   • 3.2 CNN模型
   • 3.3 RNN模型
4. 深度学习CTR预估模型
   • 4.1 深度学习CTR模型要解决的几个关键问题
   • 4.2 如何解决离散特征在DNN模型中的表示问题
   • 4.3 深度CTR模型网络结构：串行结构及并行结构
   • 4.4 深度CTR模型实例：FNN模型，Wide&Deep模型，CrossDeep等8种模型解析
5. 深度学习CTR优选模型结构及训练方法经验总结
6. Google深度CTR模型详解：Wide&Deep以及Youtube推荐模型
7. 两个国内大型互联网公司深度CTR模型介绍

听众受益

1. 了解CTR预估的各种互联网应用场景
2. 了解CTR预估中的主流方法的思路及对应的优缺点
3. 了解工业界应用中特征工程方面的一些常见的方案和实际使用方式
4. 了解常见的深度学习基础模型
5. 了解如何利用深度学习应用在CTR预估任务中：目前学术前沿及工业界的应用等
6. 了解互联网公司深度CTR模型的案例

目标听众

1. 架构师、系统工程师、DevOps运维，应用开发专家、云计算工程师
2. 对在工程中如何使用深度学习技术解决应用问题有兴趣的初学者