知识图谱实战系列课程旨在帮助同学们快速掌握知识图谱领域核心技术，基于Python各大开源技术实现知识图谱核心应用。通俗讲解核心技术点及其应用领域，全程实战演示如何构建知识图谱生态中各项核心技术

课程目录

• 教程
• 知识图谱实战系列(Python版)
• 01 课程介绍
• 02 知识图谱通俗解读
• 03 知识图谱在搜索引擎中的应用
• 04 知识图谱在医疗领域应用实例
• 05 金融与推荐领域的应用
• 06 数据获取分析
• 07 数据关系抽取分析
• 08 常用NLP技术点分析
• 09 graph-embedding的作用与效果
• 10 金融领域图编码实例
• 11 视觉领域图编码实例
• 12 图谱知识融合与总结分析
• 13 Neo4j图数据库介绍
• 14 Neo4j数据库安装流程演示
• 15 可视化例子演示
• 16 创建与删除操作演示
• 17 数据库更改查询操作演示
• 18 使用Py2neo建立连接
• 19 提取所需的指标信息
• 20 在图中创建实体
• 21 根据给定实体创建关系
• 22 项目概述与整体架构分析
• 23 医疗数据介绍及其各字段含义
• 24 任务流程概述
• 25 环境配置与所需工具包安装
• 26 提取数据中的关键字段信息
• 27 创建关系边
• 28 打造医疗知识图谱模型
• 29 加载所有实体数据
• 30 实体关键词字典制作
• 31 完成对话系统构建
• 32 关系抽取要完成的任务演示与分析
• 33 LTP工具包概述介绍
• 34 pyltp安装与流程演示
• 35 得到分词与词性标注结果
• 36 依存句法概述
• 37 句法分析结果整理
• 38 语义角色构建与分析
• 39 设计规则完成关系抽取
• 40 竞赛任务目标
• 41 图模型信息提取
• 42 节点权重特征提取(PageRank)
• 43 deepwalk构建图顶点特征
• 44 各项统计特征
• 45 app安装特征
• 46 图中联系人特征
• 47 数据与任务介绍
• 48 整体模型架构
• 49 数据-标签-语料库处理
• 50 输入样本填充补齐
• 51 训练网络模型
• 52 医疗数据集（糖尿病）实体识别
• 53 行人重识别要解决的问题
• 54 挑战与困难分析
• 55 评估标准rank1指标
• 56 map值计算方法
• 57 triplet损失计算实例
• 58 Hard-Negative方法应用
• 59 关键点位置特征构建
• 60 图卷积与匹配的作用
• 61 局部特征热度图计算
• 62 基于图卷积构建人体拓扑关系
• 63 图卷积模块实现方法
• 64 图匹配在行人重识别中的作用
• 65 整体算法框架分析
• 66 数据集与环境配置概述
• 67 局部特征准备方法
• 68 得到一阶段热度图结果
• 69 阶段监督训练
• 70 初始化图卷积模型
• 71 mask矩阵的作用
• 72 邻接矩阵学习与更新
• 73 基于拓扑结构组合关键点特征
• 74 图匹配模块计算流程
• 75 整体项目总结
• 76 RNN网络模型解读
• 77 序列网络模型概述分析
• 78 工作原理概述
• 79 注意力机制的作用
• 80 加入attention的序列模型整体架构
• 81 TeacherForcing的作用与训练策略
• 82 卷积神经网络应用领域
• 83 卷积的作用
• 84 卷积特征值计算方法
• 85 得到特征图表示
• 86 步长与卷积核大小对结果的影响
• 87 边缘填充方法
• 88 特征图尺寸计算与参数共享
• 89 池化层的作用
• 90 整体网络架构
• 91 VGG网络架构
• 92 残差网络Resnet
• 93 感受野的作用
• 资料
• 第八章：医学糖尿病数据命名实体识别
• eclipse-命名实体识别
• notebook-瑞金
• 第九章：基于图模型的行人重识别架构分析
• Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper
• 行人重识别
• 第六章：文本关系抽取实践
• 关系抽取
• 第七章：金融平台风控模型实践
• 贷款风控特征工程
• 第三章：Neo4j数据库实战
• NEO4J.docx
• 第十章：基于拓扑图的行人重识别项目实战
• 基于图模型的ReID(旷视)
• 第四章：使用python操作neo4j实例
• python操作neo4j
• 第五章：基于知识图谱的医药问答系统实战
• 配置与安装.docx
• 医药问答
• 第一,二章：知识图谱介绍及其应用领域分析
• 知识图谱
• 额外补充
• seq2seq
• 卷积神经网络