对课程的学习心得做一个小结，也可以是学习笔记
从一开始对机器学习一无所知，到现在看了老师们的网课视频，对机器学习也有一点点了解了
下面是我把网课做的思维导图（在整合的过程中，回忆知识）
- 第一章节
- 第二章节
- 第三章节
笔记的话ppt十分详细了
检索一些文献或者网页资讯，记录机器学习等人工智能领域的前沿技术介绍、展望、应用，了解我们国家的先进或不足，存在的卡脖子技术等（选取一种技术方向即可）
人工智能的前沿技术有机器视觉，语音识别，推荐算法，NLP，知识图谱，强化学习等。
-
知识图谱
介绍：知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。知识图谱，本质上，是一种揭示实体之间关系的语义网络。知识图谱是由一条条知识组成，每条知识表示为一个SPO三元组(Subject-Predicate-Object)。
通俗的说知识图谱主要目标是用来描述真实世界中存在的各种实体和概念，以及他们之间的强关系，我们用关系去描述两个实体之间的关联，例如姚明和火箭队之间的关系，他们的属性，我们就用“属性--值对“来刻画它的内在特性，比如说我们的人物，他有年龄、身高、体重属性。知识图谱可以通过人为构建与定义，去描述各种概念之间的弱关系，例如：“忘了订单号”和“找回订单号”之间的关系。
知识图谱从语义角度出发，通过描述客观世界中概念、实体及其关系，从而让计算机具备更好地组织、管理和理解互联网上海量信息的能力。更具体的说，在人类与互联网世界交互的过程中，产生了繁杂庞大的信息，这些信息一般被图片声音文字视频这些数据载体保存。我们希望计算机可以分析阅读理解这些数据，精准挖掘找到数据背后隐藏的有价值的知识，在用户需要的时候提供知识服务。
应用：
1.智能搜索
用户的查询输入后，搜索引擎不仅仅去寻找关键词，而是首先进行语义的理解。比如，对查询分词之后，对查询的描述进行归一化，从而能够与知识库进行匹配。查询的返回结果，是搜索引擎在知识库中检索相应的实体之后，给出的完整知识体系。
2.深度问答
能够以准确简洁的自然语言为用户提供问题的解答。多数问答系统更倾向于将给定的问题分解为多个小的问题，然后逐一去知识库中抽取匹配的答案，并自动检测其在时间与空间上的吻合度等，最后将答案进行合并，以直观的方式展现给用户。eg：苹果智能手机助手Siri
3.社交网络
Facebook于 2013 年推出了 Graph Search 产品，其核心技术就是通过知识图谱将人、地点、事情等联系在一起，并以直观的方式支持精确的自然语言查询，例如输入查询式：“我朋友喜欢的餐厅”“住在纽约并且喜欢篮球和中国电影的朋友”等，知识图谱会帮助用户在庞大的社交网络中找到与自己最具相关性的人、照片、地点和兴趣等。Graph Search 提供的上述服务贴近个人的生活，满足了用户发现知识以及寻找最具相关性的人的需求。
展望：
知识图谱肯定不是人工智能的最终答案，但知识图谱这种综合各项计算机技术的应用方向，一定是人工智能未来的形式之一。在未来的几年时间内，知识图谱毫无疑问将是人工智能的前沿研究问题。知识图谱的重要性不仅在于它是一个全局知识库，更是支撑智能搜索和深度问答等智能应用的基础，而且在于它是一把钥匙，能够打开人类的知识宝库，为许多相关学科领域开启新的发展机会。从这个意义上来看，知识图谱不仅是一项技术，更是一项战略资产。
我国先进和不足：
从工业界来说，阿里和美团目前都在大力推进知识图谱+推荐系统的结合，知识图谱在大规模推荐系统中的应用场景非常广阔。从学术界来说，知识图谱+推荐系统其实做的还不多，方法也基本都是统计学习那一套，还是类似于黑盒模型。从推理的角度来做知识图谱+推荐系统，无论是学术上还是实际部署中，都是一个非常有前景的方向。