ccszbd的博客

王鑫：知识图谱数据管理——基础与前沿 王鑫老师报告的内容是围绕知识图谱的数据存储与管理展开的，首先介绍了语义网的概念。 语义网中的概念标准化通常是用W3C标准完成的，语义网中的每一个概念都是一个uri，每一条数据都是Linked Data。 介绍一个网站：http://lod-cloud.net/能够生成知识图谱云图。 关于知识图谱的数据管理路线图： 知识图谱的数据模型包括RDF图模型和属性图模型； 知识图谱的查询语言，有关RDF图模型的查询语言为SPARQL 知识图谱的存储管理 知识图谱的查询操作

石川: GNN and its application in knowledge graph www.shichuan.org 有关知识图谱的网络表示学习和关联预测主要分为两种方法： shallow model：随机游走，矩阵分解 Deep model：DNGR,SDNE(Autoencoder), GNN based model（GCN, graphsage） 石川老师介绍了有关知识图谱的若干个可能的研究方向： 有关知识的表示学习，可以分为表示的空间、映射函数，编码的模型，可视化等 知识的获取，包括

本周有幸参加了ADL114期知识图谱前沿讲习班，地点在北京市海淀区中关村中国科学院计算技术研究所，去了之后再次感觉学术的天花板挺高，自己很渺小。 本次ADL114期知识图谱前沿学习讲习班主要是围绕知识表示、数据管理、知识增强、知识理解、认知图谱、认知智能等几个方面展开，好在去之前已经对报告的几位老师的研究背景有所了解，并且也研读过一些知识图谱的相关论文。但亲历了培训，仍有不少新的收获。 Heng Ji: Event-Centric Natural Language Understanding Heng J

Leture 3 Recap probabilistic formulation of meta-learning（回顾元学习的概率公式） General recipe of meta-learning algorithms（不同元学习方法的一般方法） How to evaluate a meta-learning algorithm? 5-way,1-shot image classification（给出五个分类的图片，然后对一个新的example进行分类） 能够将图片分类问题替换为任何

Lecture 1 Introduction Why should we care about deep multi-task & meta-learning? deep learning allows us to handle unstructured inputs(pixels, languages, sensor readings, etc.) without hand-engineering features, with less domain knowledge Large, div

特邀报告 张彦春 智慧医疗：医学大数据挖掘及AI在病人监测预警及健康管理的创新应用 张老师介绍了一个平台EEG，并且列举了一些EEG在神经系统疾病（癫痫，大脑肿瘤，睡眠疾病，孤独症，痴呆等）领域的应用。 刘雷 基于认知智能的医学辅助决策 “AI”最大的局限是缺乏人类基本的常识，因此研究致力于认知智能。首先提出了精准医学本体和语义表示标准（PMO），其中包括基因、人类表现型、疾病三个类型的...

主会议 特邀报告 王才有 医疗信息标准与大数据标准辨析 王老师分享过程由于现场设备原因，没有播放PPT，王老师进行了二十分钟的无PPT演讲，但是演讲非常精彩。在王老师的分享中，有几句说的印象很深刻的话。王老师给我们解释了作为医院等医疗机构，有许多数据无法共享的原因，即没有语境的数据，是无法被理解的。因为在疾病或健康医疗研究中，许多数据是有多个语境背景条件下所产生的，因此共享的数据很容易缺失语境...

Day01 前沿讲习班 第一天的前沿讲习班邀请了几位企业的大牛来讲解工业界的知识图谱或者生物信息的进展方式 倪渊 平安医疗 “基于知识图谱的智能临床辅助决策技术和实践” 医生辅助决策场景 首先介绍了医生辅助的决策场景，从病人主诉开始，医生会询问病人的其他症状，然后进行检查检验，医生诊断，医生治疗，诊疗结束后，会据证搜索，临床证据分析，医生还会分析当下热点研究方向，进行热点主体识别，最后还会对...

数据驱动的发电过程智能化——房方（华电控计院长）（0722） 背景 国家电网公司每天获得的数据量：10TB 国家电网公司数据类型： 用户偏好数据，清洁能源数据，未来气象数据，手机app数据…… 数据分析与诊断技术 结构化数据：实时数据（发电机、汽轮机、变压器……） 非实时数据（故障类别、日志……） 非结构化数据：实时数据（音频文件、图像、视频文件……） 非实时数据（技术资料、图片文件……） 发一度...

0725 卷积神经网络 卷积神经网络——王文中 多通道卷积： 图像的通道有3层，则卷积核的个数有3个，分别在每个通道做卷积，卷积结束后进行加和 设计一个卷积神经网络需要确定的结构参数 卷积层 a) 每一层卷积核的数目n（确定了该层输出的特征图的通道数目） b) 每一层卷积核的大小f c) 每一层卷积的跨度s d) 每一层卷积的非线性相应函数ReLU Pooling层 a) Pooling区域...

0724 深度学习基础 深度学习基础——王文中 假设空间： 算法根据训练数据在假设空间（有许多函数假设）中找到最好的假设，能够近似的表达最能符合训练数据的假设。 线性分类器： 传统：直接将特征用于数据分类 神经网络：将特征先进行Logistic Regression非线性变换，训练出新的特征后，再将新的特征用于线性变换 深度学习：对原始数据（原始输入特征）做多层次非线性变换，得到新的特征。...

0723 机器学习与深度学习基础 机器学习基础——（中科类脑） 数学基础 向量的L1范数：数据之间的度量能够产生数据的稀疏性 向量的内积用距离表示： (x-y)^T (x-y) 矩阵的二范数是矩阵的奇异值之和：〖||A||〗_F 矩阵的乘法即为矩阵内的向量内积的过程 张量(tensor)： 如果一组数组中的元素分布在若干维坐标的规则网络中，就将其称为张量，例如一幅图，有3个通道，是3维张量...

第14期 问答与对话-技术与系统 0714 基于深度学习的机器阅读理解以及问答系统 会议内容：机器阅读理解以及不同类型的问答系统和方法 主讲人：崔一鸣（科大讯飞）唐都钰（微软亚洲研究院）段楠（微软亚洲研究院） 主讲内容：基于深度学习的机器阅读理解，覆盖了目前主流的机器阅读理解任务，并对每个任务具有代表性的数据集和经典模型进行了详细的介绍；对于不同的问答系统和方法进行了介绍。 印象较深的内容： 问...

第十三期 问答与对话——理论与基础 0712 面向自然语言处理的深度学习基础 会议内容：深度学习基础理论与实践 主讲人：邱锡鹏（复旦大学）颜航（复旦大学） 主讲内容：主要介绍深度学习的基础知识以及卷积神经网络、循环神经网络、注意力机制等型，并且介绍了开源工具fastNLP，利用fastNLP来讲述如何实现具体的自然语言模型。 印象较深的内容： 多分类问题：处理多分类问题时有三种方法，但前两种“一...

我大概花了一周的时间读完了这本书，内容不多，但是却很难让人短时间内读完，我花在这本书上的时间，就像一块打碎的镜子，我只能用一点破碎零散的镜片去慢慢的啃下来这本书，因为在我眼里，这本书实在是太黑暗了。 看完这本书，我勉强找到了几个能让我觉得在他们的世界里还是有美好的事物存在的，一个是房思琪和刘怡婷彼此真挚而热烈的友谊，她们虽然没有血缘之亲，但是却共享着同一个灵魂，两个人的思维、见地、爱好与生活彼此交...