這門課程是斯坦福大學計算機科學系開設的 2021 春季課程，共分 10 節完成，每周一節。首節課程開始于 2021 年 3 月 30 日。
課程主頁：//web.stanford.edu/class/cs520/
課程概況
知識圖譜逐漸成為互聯網上組織世界結構化知識的有力抽象化方式，它能夠捕捉企業間關鍵實體之間的關系，并整合來自多個數據源的信息。知識圖譜還開始在機器學習和自然語言處理領域發揮重要作用，它不僅可以納入世界知識作為所提取知識的目標知識表征，還能用來解釋學習到的內容。
然而，有關知識圖譜的專門課程相對較少。不過，對此感興趣的讀者不用著急，斯坦福春季課程 CS520《知識圖譜》目前已經結束，并放出了全部授課視頻。
斯坦福 CS520《知識圖譜》課程聚集了知識圖譜不同分支的研究者和業界從業者。它將展示 AI、數據庫系統以及 HCI 的最新研究與以知識圖譜為中心的集成智能系統的協同發展。
這門課程的組織者是：Vinay K. Chaudhri、Naren Chittar 和 Michael Genesereth。
其中 Vinay K. Chaudhri 是斯坦福國際研究院（SRI International）人工智能中心主管。研究方向是大型知識庫系統的科學研究與工程開發，涉及知識表征和推理、問答、知識獲取和創新應用。他在 SRI 參與的 CALO 項目促進了蘋果 SIRI 的開發。在斯坦福大學，他講授「知識圖譜和推理」課程，還是期刊《應用本體論》（Applied Ontology）和《人工智能雜志》的編委會成員。Chaudhri 博士的專長是智能文檔、知識工程、邏輯教育和問答。
Naren Chittar 是數學科學、機器學習、搜索和推薦系統領域的專家。他創辦的大規模趨勢預測和 AI 支持虛擬智能體 Minhash 被 Salesforce 收購。Naren Chittar 擁有多項推薦系統、圖像搜索、圖像質量和語音識別領域的專利，并發表了大量論文。
Michael Genesereth 是斯坦福大學計算機科學系教授、斯坦福大學法學院客座教授。他在 MIT 獲得物理學理學學士，并在哈佛大學獲得應用數學博士學位。Genesereth 最著名的工作是計算邏輯及其在企業管理、計算法和全局游戲策略中的應用。他既是 Teknowledge、CommerceNet、Mergent Systems 和 Symbium 的創始人之一，也是斯坦福邏輯研究組（Stanford Logic Group）負責人、斯坦福法律信息中心 CodeX 的創始人和研究主管。
課程內容：
每節課程的主要內容和授課講師具體如下：
Class 1：什么是知識圖譜？
Class 2：What are some Knowledge Graph data models?
Class 3：How to design the schema of a Knowledge Graph?
Class 4：How to create a Knowledge Graph from Data?
Class 5：How to create a Knowledge Graph from Text?
Class 6：What are some inference algorithms for Knowledge Graphs?
Class 7：How do users interact with a Knowledge Graph?
Class 8：How to evolve a Knowledge Graph?
Class 9：What are some high value use cases of Knowledge Graphs?
Class 10：How are Knowledge Graphs related to AI?
付費5元查看完整內容
相關內容
知識圖譜（Knowledge Graph），在圖書情報界稱為知識域可視化或知識領域映射地圖，是顯示知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯系。
知識圖譜是通過將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法與計量學引文分析、共現分析等方法結合，并利用可視化的圖譜形象地展示學科的核心結構、發展歷史、前沿領域以及整體知識架構達到多學科融合目的的現代理論。它能為學科研究提供切實的、有價值的參考。
問答系統
·
問答（QA）是自然語言處理中最早的核心問題之一，并且在許多現實世界的應用（例如搜索引擎和個人助理）中發揮了重要作用。開放域問答在最近幾年重獲關注，它通常基于大量非結構化文檔的收集，旨在自動回答人類以自然語言形式提出的問題。
//web.stanford.edu/class/cs224n/index.html#schedule
付費5元查看完整內容
知識圖譜推理
·
業界和學界對知識圖譜的關注主要集中于兩大領域，分別是知識圖譜的構建和知識圖譜的應用。前者聚焦于通過對結構化、非結構化數據的整合，實現統一形式的數據存儲；后者則著眼于通過算法對海量知識圖譜數據進行學習與挖掘，從而推理出新的知識，服務于具體行業應用。知識圖譜推理在其中發揮了重要作用，被譽為知識圖譜領域的皇冠。
CS224W圖機器學習課程講述了《知識圖譜推理》最新進展PPT。
付費5元查看完整內容
【導讀】本文為大家帶來了一份斯坦福大學的最新課程CS224W——圖機器學習，主講人是斯坦福大牛Jure Leskovec，他是斯坦福大學計算機學院的副教授，也是圖表示學習方法 node2vec 和 GraphSAGE 作者之一。
近年來，圖神經網絡（GNN）成為網絡表示學習和分析的熱點研究問題，其特點是將以神經網絡為代表深度學習技術用于網絡結構的建模與計算。圖神經網絡能夠考慮網絡中的節點、邊及其附帶的標簽、屬性和文本等信息，能夠更好地利用網絡結構進行精細建模和深度推理，已經被廣泛用于自然語言處理、社會網絡分析、推薦系統等領域。這個課程應該是近年來第一次全面總結圖機器學習相關的課程，課程設置非常新穎也非常全面，包括近年來火熱的圖神經網絡的局限和應用等等，課程全部的PPT 也已經放到網頁上，希望做這方面研究的童鞋多多學習！
原始鏈接： //web.stanford.edu/class/cs224w/
1 課程介紹
網絡是建模復雜的社會、技術和生物系統的基本工具。結合在線社交網絡的出現和生物科學中大規模數據的可用性，本課程著重分析大規模網絡，這些大型網絡提供了一些計算、算法和建模方面的挑戰。通過研究學生潛在的網絡結構和相互聯系，向他們介紹機器學習技術和數據挖掘工具，這些工具有助于揭示社會、技術和自然世界的真知灼見。
復雜數據可以表示為對象之間的關系圖。這種網絡是模擬社會、技術和生物系統的基本工具。本課程著重于大量圖的分析所特有的計算、算法和建模挑戰。通過研究基礎圖結構及其特征，向學生介紹機器學習技術和數據挖掘工具，有助于揭示對各種網絡的見解。
主題包括: 表示學習和圖神經網絡;萬維網的算法;知識圖推理;影響力最大化;疾病爆發檢測，社會網絡分析。
2 講師介紹
Jurij Leskovec
主講人是圖網絡領域的大牛Jure Leskovec，是斯坦福大學計算機學院的副教授，也是圖表示學習方法 node2vec 和 GraphSAGE 作者之一。在谷歌學術搜索（Google Scholar）上，Jure擁有接近4.5萬的論文引用數量，H指數為84。
Leskovec的研究重點是對大型社會和信息網絡進行分析和建模，以研究跨社會，技術和自然世界的現象。他專注于網絡結構、網絡演化、信息傳播、影響和病毒在網絡上的傳播的統計建模。他所研究的問題是由大規模數據、網絡和其他在線媒體引起的。他也致力于文本挖掘和機器學習的應用。
個人主頁：
3 課程目錄
- 01：課程介紹和圖機器學習（Introduction; Machine Learning for Graphs）
- 02：傳統圖機器學習方法（Traditional Methods for ML on Graphs）
- 03：鏈接分析：PageRank（Link Analysis: PageRank）
- 04：節點嵌入（Node Embeddings）
- 05：標簽傳播節點分類（Label Propagation for Node Classification）
- 06：圖神經網絡模型（Graph Neural Networks 1: GNN Model）
- 07：圖神經網絡：設計空間（Graph Neural Networks 2: Design Space）
- 08：圖神經網絡應用（Applications of Graph Neural Networks）
- 09：圖神經網絡理論（Theory of Graph Neural Networks）
- 10：圖神經網絡嵌入（Knowledge Graph Embeddings）
- 11：知識圖譜推理（Reasoning over Knowledge Graphs）
- 12：基于GNNs的頻繁子圖挖掘（Frequent Subgraph Mining with GNNs）
- 13：網絡社區結構（Community Structure in Networks）
- 14：傳統圖生成式模型（Traditional Generative Models for Graphs）
- 15：深度圖生成式模型（Deep Generative Models for Graphs）
- 16：GNNs可擴展（Scaling Up GNNs）
- 17：動態圖學習（ Learning on Dynamic Graphs）
- 18：計算生物學GNNs（GNNs for Computational Biology）
- 19：GNNs科學應用（GNNs for Science）
- 20：GNNs工業應用 (Industrial Applications of GNNs)
4 課程材料預覽
Graph Representation Learning by William L. Hamilton Networks, Crowds, and Markets: Reasoning About a Highly Connected World by David Easley and Jon Kleinberg Network Science by Albert-László Barabási
付費5元查看完整內容
醫療保健是人工智能最令人興奮的應用領域之一，在醫學圖像分析、基于電子健康記錄的預測和精確醫療等領域具有變革潛力。本課程將深入探討醫療領域人工智能的最新進展，特別關注醫療問題的深度學習方法。我們將從神經網絡基礎開始，然后在各種醫療保健數據(包括圖像、文本、多模態和時間序列數據)的背景下研究前沿的深度學習模型。在本課程的后半部分，我們將討論在社會應用(如醫療保健)中整合人工智能所面臨的開放挑戰，包括可解釋性、健壯性、隱私性和公平性。本課程旨在為來自不同背景的學生提供醫療領域人工智能前沿研究的概念理解和實踐基礎。
//web.stanford.edu/class/biods220/index.html
付費5元查看完整內容
知識圖譜逐漸成為互聯網上組織世界結構化知識的有力抽象化方式，它能夠捕捉企業間關鍵實體之間的關系，并整合來自多個數據源的信息。知識圖譜還開始在機器學習和自然語言處理領域發揮重要作用，它不僅可以納入世界知識作為所提取知識的目標知識表征，還能用來解釋學習到的內容。
然而，有關知識圖譜的專門課程相對較少。不過，對此感興趣的讀者不用著急，斯坦福春季課程 CS520《知識圖譜》目前已經結束，并放出了全部授課視頻。
斯坦福 CS520《知識圖譜》課程聚集了知識圖譜不同分支的研究者和業界從業者。它將展示 AI、數據庫系統以及 HCI 的最新研究與以知識圖譜為中心的集成智能系統的協同發展。
這門課程的組織者是：Vinay K. Chaudhri、Naren Chittar 和 Michael Genesereth。
-
Class 1：什么是知識圖譜？（授課者：Denny Vrande?i?、Jans Aasman、Mikhail Galkin）
-
Class 2：如何創建知識圖譜？（授課者：Juan Sequeda、Chris Ré、Xiao Ling）
-
Class 3：高級知識圖譜有哪些？（授課者：Mike Tung、Cogan Shimizu、Marie-Laure Mugnier）
-
Class 4：知識圖譜推理算法有哪些？（授課者：An Hai Doan、Yuxiao Dong、Georg Gottlob）
-
Class 5：知識圖譜如何演化？（授課者：Héctor Pérez-Urbina、José Manuel Gómez-Pérez、Mike Uschold）
-
Class 6：用戶如何與知識圖譜進行交互？（授課者：Amit Prakash、Chaomei Chen、Leilani Gilpin）
-
Class 7：工業界最流行的圖引擎有哪些？（授課者：Philip Rathle、Brad Bebee、Matei Zaharia）
-
Class 8：知識圖譜在機器學習中發揮哪些作用？（授課者：Jure Leskovec、Luna Dong、Robert offman）
-
Class 9：知識圖譜的高價值用例有哪些？（授課者：Jay Yu、Apoorv Saxena、David Newman）
-
Class 10：知識圖譜領域領域有哪些開放性研究問題？（授課者：Richard Socher、Mark Musen、RV Guha）
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191