01 人工智能之數學基礎（約6小時）
1.微積分
2.線性代數
3.概率論與數理統計
02 數據庫基礎——關系型數據庫（約8小時）
1.SQL入門及安裝
2.數據表及字段操作
3.SQL查詢、鏈接
4.SQL商業應用案例
03 數據庫基礎——非關系型數據庫（約5小時）
1.MongoDB簡介
2.MongoDB的常用操作
3.MongoDB的使用
4.Python操作MongoDB
04 人工智能之Python基礎篇（約5小時）
1.Python的安裝與環境配置
2.Python的基礎與規范
3.Python的基本對象類型
4.Python語句
05 人工智能之Python進階篇（約5小時）
1.函數
2.類與對象
3.庫與模塊
4.文件
5.錯誤與異常
06 人工智能之機器學習基礎篇（約10小時）
1.Python機器學習算法庫Scikit-Learn入門介紹
2.Python統計分析基礎
3.SVD分解與主成分分析
4.線性回歸算法實現
5.嶺回歸、Lasso和彈性網
6.判別分析
7.梯度下降算法原理與Scikit-Learn實現
8.邏輯回歸算法原理與Scikit-Learn實現
9.貝葉斯算法原理與Scikit-Learn實現
10.案例：泰坦尼克號生存預測
07 人工智能之機器學習進階篇（約20小時）
1.KNN Z近鄰元素分類器
2.時間序列模型
3.EM算法
4.聚類分析
5.決策樹模型的基本原理與Scikit-Learn實現
6.集成算法入門
7.集成算法的Scikit-Learn實現
8.感知機模型基本原理
9.支持向量機基本原理與Scikit-Learn實現
10.XgBoost
11.案例：上市公司股價預測
12.案例：客戶風險評級
13.大型案例：上市公司營收狀況預測
08 人工智能之復雜網絡分析（約10小時）
1.圖論
2.復雜網絡的拓撲結構性質
3.更多類型的網絡
4.復雜網絡的演化
5.復雜網絡的功能
6.案例：北京市快速軌道交通的有效性
7.案例：社交網絡數據分析
09 深度學習框架Tensorflow（約7小時）
1.開發環境搭建
2.Tensorflow基本數據結構
3.TensorFlow實現代碼結構和開發步驟——回歸問題
4.TensorFlow深度學習基礎--神經網絡——分類問題
5.手寫數字識別的突破---卷積神經網絡Tensorflow實現
10 人工智能之深度學習基礎篇（約15小時）
1.AI概述和Tensorflow基礎
2.神經網絡結構
3.卷積神經網絡
4.RNN和LSTM
收 起獲取詳細課程大綱
11 人工智能之深度學習進階篇（約15小時）
1.神經網絡算法基礎(1)
2.神經網絡算法基礎(2)
3.遷移學習和強化學習
4.自然語言處理（NLP）
12 識文斷字：人工智能實戰之文本分析（約6小時）
1.文本分析簡介
2.文本數據預處理
3.文本分析應用與Python語言實作
13 火眼金睛：人工智能實戰之圖像識別（約6小時）
1.深度學習與圖像識別及經典數據集
2.圖像識別的突破--卷積神經網絡簡介
3.使用卷積神經網絡對經典數據集cifar進行分類識別
4.使用自己的數據集訓練卷積神經網絡
14 耳聽八方：人工智能實戰之語音識別（約5小時）
1.語音識別介紹
2.語音技術分析
3.本地語音識別
4.網絡語音識別
15 運籌帷幄：人工智能實戰之對抗生成網絡（約5小時）
11.GAN簡介
2.GAN原型詳解
3.DCGAN
4.DiscoGAN
5.半監督學習
6.知識匯總與作業
16 冰雪聰明：人工智能實戰之智能問答系統（約5小時）
1.從與機器的溝通方式開始
2.對話：問題的理解與答案的生成
3.詞典：關鍵詞檢索
4.專家：指定領域的問答助手
5.百科全書：開放式的問答系統