专题：深度培训

本课程针对机器学习中的分类问题，首先介绍解决分类问题的理论基础，包括贝叶期决策理论、统计学习理论。再介绍一些经典的分类模型，如决策树、逻辑回归、支撑向量机等。然后讲解基于神经网络，尤其深度神经网络的分类模型。最后以文字识别做为典型应用案例，从经典机器学习和深度神经网络两个角度，分别讲解从图像特征到分类模型的完整流程，并提供数据和代码进行现场实际操作。

1. 前言

    1.1 什么是机器学习，有哪些主要方向

    1.2 机器学习的分类问题

2. 机器学习分类问题

    2.1 贝叶斯分类

    2.2 统计学习理论

    2.3 线性分类器

    2.4 决策树

    2.5 支持向量机

    2.6 集成学习

3. 基于深度学习的分类问题

    3.1 深度神经网络基础

    3.2 常见分类模型

4. 典型应用案例——文字识别

    4.1 文字识别的经典机器学习方法

    4.2 文字识别的深度神经网络方法

5. 实际操作

    5.1 中文字符识别

6. 总结和讨论

 

听众受益

1. 了解经典机器学习实现分类问题的数学本质

2. 了解分类问题的常见经典模型

3. 了解神经网络解决分类问题的数学本质，以及与经典机器学习的关系

4. 了解深度神经网络的分类模型

5. 掌握文字识别的经典机器学习方法和深度神经网络方法，并可以迁移到其它图像分类领域

 

目标听众

1. 人工智能领域的相关技术人员

2. 对在工程中如何使用机器学习/深度学习技术解决应用问题有兴趣的所有人

深度学习和知识图谱是近年来人工智能技术蓬勃发展的两大核心驱动力，并且两者呈现出进一步融合的趋势。目前，全球的互联网公司都在积极布局知识图谱，Google Knowledge Graph掀起全球知识图谱热潮，Facebook依赖社交知识图谱提供独特的用户体验，阿里也在今年4月提出了"藏经阁"知识图谱计划。作为全球领先的生活服务电商平台，美团点评拥有围绕吃喝玩乐全场景的丰富数据，通过使用深度学习技术以及自然语言处理技术，对这些跨场景数据进行充分挖掘、映射、聚合与关联，美团NLP中心构建了餐饮娱乐知识图谱——“美团大脑”，来促进每个场景下应用服务的智能升级。首个版本的美团大脑已经拥有超过百亿量级的知识关联，未来预期这一规模会达到数千亿级别，对于数据存储/同步、知识推理、实时计算、算法建模提出了巨大挑战。因此，我们同时正在研发超大规模分布式图数据处理引擎，用来存储和服务美团大脑系统。

在这个报告中，我们将介绍知识图谱基础知识及行业现状，"美团大脑"的构建方法，以及目前在搜索推荐、金融平台、赋能商家等方面的一些初步进展与落地场景。

 

演讲提纲：

1. 人工智能及知识图谱介绍

（1）人工智能近年发展现状

（2）深度学习介绍

（3）知识图谱介绍

（4）知识图谱分类及发展情况

2. 常识性知识图谱MicrosoftConcept Graph介绍

（1）常识性知识图谱构建方法

（2）文本理解与概念化模型

（3）应用场景

3. 百科全书式知识图谱“美团大脑”介绍

（1）百科全书式知识图谱行业情况

（2）美团大脑的框架

（3）美团大脑展示

4. 美团大脑的算法能力

（1）知识构建能力

（2）知识表示能力

（3）情感计算能力

（4）文本理解能力

（5）可解释能力

5. 美团大脑的引擎能力

（1）图引擎原理详解
（2）开源图引擎分析
（3）美团图引擎架构详解

6. 美团大脑在美团点评的应用场景

（1）智能搜索推荐

（2）智能化商家运营

（3）金融信用和风险管理

7. 总结和讨论 

8. 参考文献以及进阶学习资料

 

听众受益：

1. 学术界和工业届主流知识图谱的介绍和现状

2. 常识性知识图谱（如Probase）的建模方法

3. 百科全书式知识图谱的建模方法

4. 美团大脑在美团点评内的具体应用场景

5. 了解各种学习资料

 

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同学

3. 对知识图谱/NLP/深度学习有兴趣的技术人员