附件：“图神经网络与知识图谱”课程大纲
第一天19:00-21:00第一章：人工智能与深度学习基础
1.1卷积神经网络结构；
1.2池化；
1.3激活函数；
1.4反向传播；
1.5AlexNet、VGGNet、ResNet、GoogleLeNet等算法简介1.6决策树和随机森林
1.7卷积核与特征提取；
1.8卷积神经网络调参经验分享；
1.9Tf.keras核心高阶API；
1.10Tf.data输入模块；
第二天19:00-21:00第二章：深度学习发展热点
2.1生成对抗网络GAN；
2.2生成与判别；
2.3GAN对抗生成神经网络算法介绍；
2.4代码和案例实践：
图片生成、看图说话，
对抗生成神经网络调参经验分享2.5强化学习RL；
2.6强化学习基础、算法介绍
2.7实例：
基于增强学习的游戏学习
DQN的实现
第三天19:00-21:00第三章:图神经网络
3.1图神经网络(Graph Neural Network)
3.2不动点理论、模型学习、GNN与RNN、GNN的局限3.3门控图神经网络(Gated Graph Neural Network) 3.4状态更新、GNN与GGNN
3.5实例:
到达判断
语义解析
3.6图卷积
3.7图卷积框架
3.8实例:
掷骰子问题
第四章:图神经网络
第四天19:00-21:004.1空域卷积(Spatial Convolution)
4.2消息传递网络、图采样与聚合、图结构序列化
4.3频域卷积(Spectral Convolution)
4.4基础简介：图上的傅里叶变换
4.5频域卷积网络、切比雪夫网络
4.6图读出操作(ReadOut)
4.7基于统计的方法
4.8基于学习的方法：
采样加全连接、全局结点、可微池化、其他方法；
第五天19:00-21:00第五章:知识图谱
5.1知识图谱基础—知识表示与建模
5.2知识表示框架、数据模型设计方法
5.3金融企业数据主题域设计—企业风险知识图谱
5.4知识图谱核心技术：知识源数据的获取
5.5结构化数据的获取、非结构化数据的获取、将mysql数
据导出为图谱源数据
5.6案例实战：
股票吧信息爬取
使用爬虫获取企业法人等信息
获取企业风险知识图谱源数据
5.7知识图谱核心技术：知识抽取
5.8实体抽取技术、关系抽取技术、事件抽取技术
5.9案例实战：
使用hanlp抽取法人名称
企业名称等信息
使用TextRank算法完成知识抽取
使用句法依存算法关系抽取
基于模板完成事件抽取；
第六天19:00-21:00第六章:知识图谱
6.1知识图谱核心技术：知识融合
6.2知识融合概述，实体统一、实体消歧、知识合并6.3案例实战：
使用jieba完成公司名的实体统一
使用tf-idf完成实体消歧
6.4知识图谱核心技术：知识加工和存储
6.5知识加工概述，本体构建，知识推理
6.6知识存储常用数据库，图数据库neo4j
6.7实战操作：使用neo4j工具导入知识图谱
案例1：使用neo4j从零搭建简单的金融知识图谱案例2：基于金融知识图谱的问答机器人
案例3：基于法律领域的知识图谱。