中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥75.8
加入購物車
知識(shí)圖譜(認(rèn)知智能理論與實(shí)戰(zhàn)) 版權(quán)信息
- ISBN：9787121432996
- 條形碼：9787121432996 ; 978-7-121-43299-6
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
知識(shí)圖譜(認(rèn)知智能理論與實(shí)戰(zhàn)) 本書特色
全彩印刷，圖解精致：一百余張精美彩圖，詳細(xì)解析數(shù)十個(gè)知識(shí)圖譜前沿算法。 理論完備，應(yīng)用豐富：創(chuàng)新提出知識(shí)圖譜建模方法論——六韜法及模式設(shè)計(jì)工程模型。在理論方面，本書深入每個(gè)概念、理論和算法的本質(zhì)，給出推導(dǎo)、解析和闡述，便于讀者理解概念與算法背后的邏輯；在應(yīng)用方面，完整涵蓋知識(shí)計(jì)算、知識(shí)推理等方面內(nèi)容，并系統(tǒng)梳理了三大行業(yè)應(yīng)用場(chǎng)景。 內(nèi)容全面，結(jié)構(gòu)有序：全面涵蓋知識(shí)圖譜模式設(shè)計(jì)、構(gòu)建、存儲(chǔ)和應(yīng)用技術(shù)，對(duì)應(yīng)大腦學(xué)習(xí)、記憶和使用知識(shí)的模式，符合在實(shí)踐中應(yīng)用知識(shí)圖譜的通常做法。 各章獨(dú)立，主題明確：各章主題相對(duì)獨(dú)立，既可以作為行業(yè)參考資料，也適合作為高校教材；讀者既可以系統(tǒng)性地學(xué)習(xí)，也可以有選擇性地學(xué)習(xí)知識(shí)圖譜。
知識(shí)圖譜(認(rèn)知智能理論與實(shí)戰(zhàn)) 內(nèi)容簡(jiǎn)介
知識(shí)圖譜作為認(rèn)知智能的核心技術(shù)正蓬勃發(fā)展。本書系統(tǒng)全面地介紹了知識(shí)圖譜的核心技術(shù)，既有宏觀整體的技術(shù)體系，也有關(guān)鍵技術(shù)和算法細(xì)節(jié)，內(nèi)容包括：知識(shí)圖譜模式設(shè)計(jì)的方法論——六韜法；知識(shí)圖譜構(gòu)建中的實(shí)體抽取和關(guān)系抽取；知識(shí)存儲(chǔ)中的屬性圖模型及圖數(shù)據(jù)庫，重點(diǎn)介紹了JanusGraph分布式圖數(shù)據(jù)庫；知識(shí)計(jì)算中的圖論基礎(chǔ)，以及中心性、社區(qū)檢測(cè)等經(jīng)典圖計(jì)算算法；知識(shí)推理中的邏輯推理、幾何變換推理和深度學(xué)習(xí)推理，及其編程實(shí)例。*后，本書以金融、醫(yī)療和智能制造三大行業(yè)的應(yīng)用場(chǎng)景為例，梳理了知識(shí)圖譜的應(yīng)用價(jià)值和應(yīng)用程序形態(tài)。 本書既適合人工智能行業(yè)從業(yè)者和研究人員系統(tǒng)學(xué)習(xí)知識(shí)圖譜，也適合一線工程師和技術(shù)人員參考使用，并可作為企業(yè)管理人員、政府人員、政策制定人員、公共政策學(xué)者的參考材料，以及高等院校計(jì)算機(jī)、金融和人工智能等相關(guān)專業(yè)師生的參考資料和培訓(xùn)學(xué)校的教材。
知識(shí)圖譜(認(rèn)知智能理論與實(shí)戰(zhàn)) 目錄
第1章 知識(shí)圖譜概述 0
1.1 從李白的《靜夜思》開始 2
1.2 什么是知識(shí)圖譜 3
1.3 DIKW模型 6
1.4 從DIKW模型到知識(shí)圖譜 8
1.5 知識(shí)圖譜技術(shù)體系 9
1.5.1 知識(shí)圖譜模式設(shè)計(jì)與管理 11
1.5.2 知識(shí)圖譜構(gòu)建技術(shù) 11
1.5.3 知識(shí)圖譜存儲(chǔ)技術(shù) 13
1.5.4 知識(shí)圖譜應(yīng)用技術(shù) 14
1.5.5 用戶接口與界面 17
1.6 知識(shí)圖譜辨析 17
1.6.1 知識(shí)圖譜與自然語言處理 18
1.6.2 知識(shí)圖譜與圖數(shù)據(jù)庫 20
1.6.3 知識(shí)圖譜與語義網(wǎng)絡(luò) 20
1.6.4 知識(shí)圖譜與搜索引擎 21
1.6.5 知識(shí)圖譜與深度學(xué)習(xí) 21
1.7 知識(shí)圖譜是人工智能進(jìn)步的階梯 22
1.7.1 明鑒歷史 23
1.7.2 預(yù)見未來 26
1.8 本章小結(jié) 27
第2章 知識(shí)圖譜模式設(shè)計(jì) 30
2.1 知識(shí)圖譜模式 32
2.2 模式與本體 35
2.2.1 本體 35
2.2.2 模式與本體辨析 37
2.3 本體概論 38
2.3.1 本體的構(gòu)成要素 39
2.3.2 本體分類 40
2.3.3 資源描述框架RDF 41
2.3.4 網(wǎng)絡(luò)本體語言O(shè)WL 42
2.3.5 知名本體介紹 44
2.4 模式設(shè)計(jì)的三大基本原則 52
2.4.1 賦予一類事物合適的名字 53
2.4.2 建立事物間清晰的聯(lián)系 54
2.4.3 明確、正式的語義表達(dá) 55
2.5 六韜法 56
2.5.1 場(chǎng)景 58
2.5.2 復(fù)用 59
2.5.3 事物 63
2.5.4 聯(lián)系 65
2.5.5 約束 67
2.5.6 評(píng)價(jià) 71
2.6 模式設(shè)計(jì)的工程模型 72
2.6.1 瀑布模型 72
2.6.2 螺旋模型 74
2.7 本章小結(jié) 76
第3章 實(shí)體抽取 78
3.1 實(shí)體、命名實(shí)體和實(shí)體抽取 80
3.2 基于規(guī)則的實(shí)體抽取 82
3.2.1 基于詞典匹配的實(shí)體抽取方法 83
3.2.2 編寫正則表達(dá)式抽取實(shí)體 84
3.2.3 基于模板的實(shí)體抽取方法 85
3.3 如何評(píng)價(jià)實(shí)體抽取的效果 88
3.4 傳統(tǒng)機(jī)器學(xué)習(xí)方法 91
3.4.1 概率圖模型 92
3.4.2 樸素貝葉斯模型 93
3.4.3 *大熵模型 95
3.4.4 隱馬爾可夫模型 100
3.4.5 條件隨機(jī)場(chǎng) 102
3.4.6 標(biāo)記方法 106
3.4.7 用CRF++進(jìn)行實(shí)體抽取 108
3.5 深度學(xué)習(xí)方法 114
3.5.1 基于深度學(xué)習(xí)的通用實(shí)體抽取框架 114
3.5.2 BiLSTM-CRF模型 117
3.5.3 預(yù)訓(xùn)練模型用于實(shí)體抽取 122
3.6 弱監(jiān)督學(xué)習(xí)方法 134
3.7 本章小結(jié) 136
第4章 關(guān)系抽取 138
4.1 關(guān)系和關(guān)系抽取 140
4.2 基于規(guī)則的關(guān)系抽取方法 145
4.2.1 詞法分析與依存句法分析 146
4.2.2 基于語法結(jié)構(gòu)的關(guān)系抽取 149
4.3 基于深度學(xué)習(xí)的關(guān)系抽取方法 154
4.3.1 關(guān)系分類 154
4.3.2 基于BERT的關(guān)系分類 158
4.4 實(shí)體-關(guān)系聯(lián)合抽取的方法 161
4.4.1 實(shí)體-關(guān)系聯(lián)合抽取方法 162
4.4.2 基于片段預(yù)測(cè)的實(shí)體-關(guān)系聯(lián)合抽取 165
4.5 弱監(jiān)督學(xué)習(xí)與關(guān)系抽取 171
4.5.1 引導(dǎo)法 171
4.5.2 遠(yuǎn)程監(jiān)督 174
4.5.3 弱監(jiān)督學(xué)習(xí)與Snorkel 176
4.5.4 Snorkel用于關(guān)系抽取 179
4.6 本章小結(jié) 184
第5章 知識(shí)存儲(chǔ) 186
5.1 數(shù)據(jù)與知識(shí)存儲(chǔ) 188
5.1.1 數(shù)據(jù)存儲(chǔ)模型 188
5.1.2 知識(shí)存儲(chǔ)極簡(jiǎn)史 189
5.2 圖數(shù)據(jù)庫模型 193
5.2.1 屬性圖模型 193
5.2.2 完整性約束 196
5.2.3 事務(wù)、ACID與BASE 200
5.2.4 查詢語言 202
5.3 JanusGraph分布式圖數(shù)據(jù)庫 202
5.3.1 JanusGraph的存儲(chǔ)模型 205
5.3.2 JanusGraph的屬性圖模式 209
5.3.3 事務(wù)和故障恢復(fù) 220
5.3.4 圖查詢語言Gremlin 221
5.3.5 JanusGraph和Gremlin入門指南 222
5.4 其他圖數(shù)據(jù)庫介紹 235
5.4.1 Neo4j 236
5.4.2 Dgraph 239
5.4.3 NebulaGraph 243
5.4.4 圖數(shù)據(jù)對(duì)比一覽表 246
5.5 本章小結(jié) 248
第6章 知識(shí)計(jì)算 250
6.1 知識(shí)計(jì)算及其數(shù)學(xué)基礎(chǔ) 252
6.1.1 知識(shí)圖譜與圖 252
6.1.2 圖論 253
6.1.3 鄰接矩陣 256
6.1.4 譜圖理論 257
6.2 遍歷與*短路徑算法 258
6.2.1 廣度優(yōu)先搜索 258
6.2.2 深度優(yōu)先搜索 260
6.2.3 Dijkstra單源*短路徑 262
6.2.4 *短路徑快速算法 265
6.2.5 Floyd算法 268
6.3 中心性 270
6.3.1 度中心性 270
6.3.2 親密中心性 272
6.3.3 中介中心性 274
6.3.4 特征向量中心性 279
6.3.5 PageRank 281
6.4 社區(qū)檢測(cè) 284
6.4.1 模塊度 286
6.4.2 GN社區(qū)檢測(cè)算法 290
6.4.3 Louvain社區(qū)檢測(cè)算法 291
6.5 知識(shí)計(jì)算工具與系統(tǒng) 297
6.5.1 圖數(shù)據(jù)庫計(jì)算框架 297
6.5.2 分布式圖計(jì)算引擎 298
6.5.3 圖分析工具包 298
6.6 本章小結(jié) 299
第7章 知識(shí)推理 300
7.1 知識(shí)的表示與推理 302
7.1.1 因果推理 303
7.1.2 演繹推理 303
7.1.3 歸納推理 304
7.1.4 概率推理 305
7.1.5 知識(shí)圖譜的推理技術(shù) 306
7.2 基于規(guī)則和邏輯的知識(shí)推理方法 308
7.2.1 基于規(guī)則的方法 308
7.2.2 基于邏輯的方法 311
7.2.3 定性時(shí)空推理 313
7.3 幾何空間嵌入的知識(shí)推理方法 316
7.3.1 歐幾里得空間的平移變換方法 317
7.3.2 復(fù)數(shù)向量空間的RotatE模型 330
7.3.3 雙曲空間嵌入的知識(shí)推理方法 334
7.4 知識(shí)推理的深度學(xué)習(xí)方法 353
7.4.1 卷積神經(jīng)網(wǎng)絡(luò)的知識(shí)推理方法 353
7.4.2 圖神經(jīng)網(wǎng)絡(luò)模型 358
7.5 本章小結(jié) 368
第8章 知識(shí)圖譜行業(yè)應(yīng)用 370
8.1 行業(yè)知識(shí)圖譜 372
8.1.1 行業(yè)知識(shí)圖譜的特點(diǎn) 372
8.1.2 行業(yè)知識(shí)圖譜的應(yīng)用價(jià)值 376
8.2 知識(shí)圖譜行業(yè)應(yīng)用范式 382
8.3 共通的應(yīng)用程序 385
8.3.1 數(shù)據(jù)與知識(shí)中臺(tái) 385
8.3.2 可視化與交互式分析 388
8.3.3 智能問答 391
8.3.4 認(rèn)知推薦 396
8.3.5 輔助決策模型 400
8.4 金融 400
8.4.1 反洗錢和反恐怖融資 400
8.4.2 個(gè)人信用評(píng)估與風(fēng)險(xiǎn)控制 402
8.4.3 企業(yè)風(fēng)險(xiǎn)識(shí)別、控制與管理 404
8.4.4 系統(tǒng)性金融風(fēng)險(xiǎn) 406
8.4.5 審計(jì) 407
8.4.6 證券分析與投資研究 408
8.4.7 保險(xiǎn) 410
8.5 醫(yī)療、生物醫(yī)藥和衛(wèi)生健康 411
8.5.1 基因知識(shí)圖譜 411
8.5.2 生物醫(yī)藥 412
8.5.3 智慧醫(yī)療 414
8.5.4 公共衛(wèi)生 416
8.5.5 中醫(yī)藥知識(shí)圖譜 418
8.6 智能制造 418
8.6.1 設(shè)計(jì)研發(fā) 419
8.6.2 質(zhì)量與可靠性工程 420
8.6.3 設(shè)備的管理、維護(hù)與維修 422
8.6.4 BOM物料清單管理 425
8.6.5 供應(yīng)鏈管理 427
8.6.6 售后服務(wù) 428
8.7 本章小結(jié) 429
展開全部
知識(shí)圖譜(認(rèn)知智能理論與實(shí)戰(zhàn)) 節(jié)選
序一 《知識(shí)圖譜：認(rèn)知智能理論與實(shí)戰(zhàn)》一書深入淺出地介紹了知識(shí)圖譜的知識(shí)，并且指出“知識(shí)圖譜是人工智能發(fā)展的階梯”。人工智能的目的在于處理知識(shí)，有知識(shí)圖譜這種形式化的知識(shí)表示方式作為階梯，人工智能當(dāng)然會(huì)取得蒸蒸日上的進(jìn)步。我同意王文廣的這個(gè)觀點(diǎn)。 早在1956年于美國的達(dá)特茅斯學(xué)院召開的達(dá)特茅斯會(huì)議上，學(xué)者們就提出了“人工智能”的設(shè)想，此后人工智能迅速地發(fā)展起來。自然語言處理是人工智能的重要研究領(lǐng)域，在自然語言處理的研究中，學(xué)者們開始構(gòu)建自動(dòng)推理模型對(duì)問題進(jìn)行求解，提出了語義網(wǎng)絡(luò)、框架、腳本等一系列知識(shí)描述的理論和方法。 Sowa等人在1983年提出了“概念網(wǎng)絡(luò)”，對(duì)知識(shí)進(jìn)行描述。根據(jù)符號(hào)主義的原則，學(xué)者們將實(shí)體之間的關(guān)系局限于“擁有、導(dǎo)致、屬于”等特殊的基本關(guān)系，并定義了一些在圖譜上推理的規(guī)則，希望通過邏輯推理的方式實(shí)現(xiàn)人工智能。 在這些知識(shí)描述理論和方法的基礎(chǔ)上，領(lǐng)域?qū)＜议_始使用人工的方式編寫實(shí)例數(shù)據(jù)，建立知識(shí)庫，這些研究在一些受限的領(lǐng)域獲得成功。學(xué)者們開始關(guān)注知識(shí)資源的研究。 互聯(lián)網(wǎng)出現(xiàn)之后，人們?cè)谂c自然和社會(huì)的交互中創(chuàng)造了大規(guī)模的數(shù)據(jù)，人類社會(huì)進(jìn)入了大數(shù)據(jù)時(shí)代，這些大數(shù)據(jù)以文字、圖片、音頻、視頻等不同的模態(tài)存在。怎樣讓計(jì)算機(jī)自動(dòng)識(shí)別、閱讀、分析、理解這些龐雜而海量的大數(shù)據(jù)，從中挖掘出有價(jià)值的信息，為用戶提供精準(zhǔn)的信息服務(wù)，成為下一代信息服務(wù)的核心目標(biāo)之一。 2001年，Tim Berners Lee提出了語義網(wǎng)的概念，定義了一種描述客觀世界的概念化規(guī)范，通過一套統(tǒng)一的元數(shù)據(jù)，對(duì)互聯(lián)網(wǎng)的內(nèi)容進(jìn)行詳細(xì)的語義標(biāo)注，從而給互聯(lián)網(wǎng)賦予語義，把網(wǎng)頁互聯(lián)的萬維網(wǎng)（WWW）轉(zhuǎn)化為內(nèi)容互聯(lián)的語義網(wǎng)。在語義網(wǎng)思想的影響下，億萬網(wǎng)民協(xié)同構(gòu)建了“維基百科”（Wikipedia），促進(jìn)了知識(shí)資源的迅速增長(zhǎng)，使知識(shí)類型、覆蓋范圍和數(shù)據(jù)規(guī)模都達(dá)到了空前的水平。 1972年的文獻(xiàn)中就出現(xiàn)了“知識(shí)圖譜”（Knowledge Graph）這個(gè)術(shù)語。2012年5月，谷歌公司明確提出了知識(shí)圖譜的概念并構(gòu)建了一個(gè)大規(guī)模的知識(shí)圖譜，開啟了知識(shí)圖譜研究之先河。從此，知識(shí)圖譜便在自然語言處理的研究中普及開來，成為自然語言處理研究的一個(gè)重要內(nèi)容。 知識(shí)圖譜用節(jié)點(diǎn)（Vertex）表示語義符號(hào)，用邊（Edge）表示符號(hào)與符號(hào)之間的語義關(guān)系，因而構(gòu)成了一種通用的語義知識(shí)形式化描述框架。在計(jì)算機(jī)中，節(jié)點(diǎn)和邊等符號(hào)都可以通過“符號(hào)具化”（Symbol Grounding）的方式表征物理世界和認(rèn)知世界中的對(duì)象，并作為不同個(gè)體對(duì)認(rèn)知世界中信息和知識(shí)進(jìn)行描述和交換的橋梁。知識(shí)圖譜使用統(tǒng)一形式的知識(shí)描述框架，便于知識(shí)的分享和學(xué)習(xí)，因而受到了自然語言處理研究者的普遍歡迎。 自谷歌構(gòu)建知識(shí)圖譜，并在2012年發(fā)布了包含507億個(gè)實(shí)體的大規(guī)模知識(shí)圖譜以來，不少互聯(lián)網(wǎng)公司很快跟進(jìn)，紛紛構(gòu)建各自的知識(shí)圖譜。例如，微軟建立了Probase，百度建立了“知心”，搜狗建立了“知立方”。金融、醫(yī)療、司法、教育、出版等各個(gè)行業(yè)也紛紛建立起各自垂直領(lǐng)域的知識(shí)圖譜，大幅提高了這些行業(yè)的智能化水平。Amazon、eBay、IBM、LinkedIn、Uber等公司相繼發(fā)布了開發(fā)知識(shí)圖譜的公告。與此同時(shí)，學(xué)術(shù)界也開始研究構(gòu)建知識(shí)圖譜的理論和方法，越來越多的關(guān)于知識(shí)圖譜主題的書籍和論文被出版和發(fā)表，其中包括新技術(shù)及有關(guān)知識(shí)圖譜的調(diào)查。知識(shí)圖譜得到了產(chǎn)業(yè)界和學(xué)術(shù)界的廣泛認(rèn)可和關(guān)注。 知識(shí)圖譜技術(shù)的發(fā)展有著深厚的歷史淵源，它源于對(duì)人工智能中自然語言的語義知識(shí)表示的研究，并經(jīng)歷了互聯(lián)網(wǎng)信息服務(wù)不斷深化需求的洗禮，現(xiàn)在已經(jīng)發(fā)展成為互聯(lián)網(wǎng)知識(shí)服務(wù)的核心工具。 以語義網(wǎng)絡(luò)（Semantic Network）為代表的知識(shí)表示的相關(guān)理論研究，對(duì)互聯(lián)網(wǎng)智能化信息處理的應(yīng)用實(shí)踐，以維基百科為代表的網(wǎng)絡(luò)協(xié)同構(gòu)建知識(shí)資源的創(chuàng)舉，這些因素共同推動(dòng)了知識(shí)圖譜的進(jìn)一步發(fā)展。 目前，大規(guī)模的知識(shí)圖譜有DBpedia、YAGO、Freebase、Wikidata、NELL、Knowledge Vault等，它們用豐富的語義表示能力和靈活的結(jié)構(gòu)來描述認(rèn)知世界和物理世界中的信息和知識(shí)，是知識(shí)的有效載體。 《知識(shí)圖譜：認(rèn)知智能理論與實(shí)戰(zhàn)》一書系統(tǒng)全面地介紹了知識(shí)圖譜的核心技術(shù)，既有宏觀整體的技術(shù)體系介紹，也深入關(guān)鍵技術(shù)和算法細(xì)節(jié)；既適合作為高等學(xué)校人工智能課程的參考資料，也可以作為產(chǎn)業(yè)界系統(tǒng)開發(fā)的指南。 馮志偉 中國中文信息學(xué)會(huì)會(huì)士 中國計(jì)算機(jī)學(xué)會(huì) NLPCC杰出貢獻(xiàn)獎(jiǎng)獲得者 2022年2月10日 序二 隨著數(shù)字化日漸成熟，知識(shí)圖譜的應(yīng)用正在廣泛滲透到C端用戶生活的方方面面，比如智能搜索。實(shí)際上，“知識(shí)圖譜”概念*早由谷歌在2012年提出，它能夠在反饋正確結(jié)果、給出全面總結(jié)、更深入廣泛探索三大方面優(yōu)化搜索效果。再比如電商智能推薦，阿里巴巴從2017年開始搭建電商認(rèn)知圖譜，將用戶需求表達(dá)為圖中的節(jié)點(diǎn)，并將需求點(diǎn)和電商領(lǐng)域的商品、類目、電商外部的通用領(lǐng)域知識(shí)等關(guān)聯(lián)起來，從中挖掘客戶的購物偏好和潛在的感興趣的商品，使客戶與商品和場(chǎng)景更好地連接。此外，還有O2O領(lǐng)域線上線下生活場(chǎng)景圖譜，以美團(tuán)為例，美團(tuán)點(diǎn)評(píng)從2018年開始建立基于知識(shí)圖譜的美團(tuán)大腦，在客戶、線下店鋪和商品及不同的消費(fèi)場(chǎng)景之間構(gòu)建知識(shí)關(guān)聯(lián)，從而優(yōu)化客戶的使用體驗(yàn)。 在B端，知識(shí)圖譜在企業(yè)關(guān)聯(lián)和企業(yè)分析方向也有很好的應(yīng)用。比如對(duì)企業(yè)的法人或高管、企業(yè)之間的投資關(guān)系和關(guān)聯(lián)風(fēng)險(xiǎn)進(jìn)行分析，呈現(xiàn)在圖譜上會(huì)非常直觀。這種方式能夠使海量信息以十分有效的方式在短時(shí)間內(nèi)觸達(dá)使用者。 知識(shí)圖譜是企業(yè)將核心業(yè)務(wù)競(jìng)爭(zhēng)能力和隱形數(shù)字資產(chǎn)融合形成新發(fā)展模式并獲得持續(xù)競(jìng)爭(zhēng)優(yōu)勢(shì)的關(guān)鍵技術(shù)，其應(yīng)用領(lǐng)域日趨廣泛，尤其在金融、醫(yī)療、制造等領(lǐng)域應(yīng)用中發(fā)揮了極其重要的作用。王文廣的這本書將知識(shí)圖譜核心內(nèi)容與深度學(xué)習(xí)技術(shù)融合，體系合理，理論完備，實(shí)踐豐富，語言深入淺出，是研究與應(yīng)用知識(shí)圖譜的優(yōu)秀參考書。 朱琳 微軟人工智能和物聯(lián)網(wǎng)實(shí)驗(yàn)室前首席執(zhí)行官 微軟-儀電人工智能創(chuàng)新院總經(jīng)理 2022年3月13日
知識(shí)圖譜(認(rèn)知智能理論與實(shí)戰(zhàn)) 作者簡(jiǎn)介
王文廣，浙江大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)碩士，高級(jí)工程師，知識(shí)圖譜與認(rèn)知智能領(lǐng)域知名專家。 現(xiàn)任達(dá)觀數(shù)據(jù)副總裁，專注于自然語言處理、知識(shí)圖譜、圖像與語音分析、認(rèn)知智能、大數(shù)據(jù)和圖分析等方向的技術(shù)研究、產(chǎn)品開發(fā)和產(chǎn)業(yè)應(yīng)用，為金融、智能制造、醫(yī)療與生物醫(yī)藥、半導(dǎo)體等行業(yè)提供認(rèn)知智能產(chǎn)品和技術(shù)服務(wù)。 現(xiàn)為上海市人工智能技術(shù)標(biāo)準(zhǔn)化委員會(huì)委員，上海市科學(xué)技術(shù)委員會(huì)評(píng)審專家、人工智能領(lǐng)域標(biāo)準(zhǔn)編制專家，CCF 高級(jí)會(huì)員，CIPS語言與知識(shí)計(jì)算專委會(huì)委員，CAAI深度學(xué)習(xí)專委會(huì)委員。主導(dǎo)或參與過百余個(gè)人工智能科學(xué)研究和產(chǎn)業(yè)應(yīng)用項(xiàng)目，曾獲得國際、國內(nèi)多個(gè)算法競(jìng)賽獎(jiǎng)項(xiàng)，申請(qǐng)人工智能領(lǐng)域國家發(fā)明專利數(shù)十項(xiàng)，并參與編制人工智能領(lǐng)域的多個(gè)國家標(biāo)準(zhǔn)、行業(yè)標(biāo)準(zhǔn)和團(tuán)體標(biāo)準(zhǔn)。
書友推薦
- >
李白與唐代文化
- >
隨園食單
- >
我與地壇
- >
自卑與超越
- >
唐代進(jìn)士錄
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
推拿
本類暢銷
