人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
课程大纲目录
01-复杂系统
02-大数据与机器学习
03-人工智能的三个阶段
04-高等数学—元素和极限
05-复杂网络经济学应用
06-机器学习与监督算法
07-阿尔法狗与强化学习算法
08-高等数学—两个重要的极限定理
09-高等数学—导数
10-贝叶斯理论
11-高等数学—泰勒展开
12-高等数学—偏导数
13-高等数学—积分
14-高等数学—正态分布
15-朴素贝叶斯和最大似然估计
16-线
17-数据科学和统计学（上）
18-线代数—矩阵、等价类和行列式
19-Python基础课程（上）
20-线代数—特征值与特征向量
21-监督学习框架
22-Python基础课程（下）
23-PCA、降维方法引入
24-数据科学和统计学（下）
25-Python操作数据库、 Python爬虫
26-线分类器
27-Python进阶（上）
28-Scikit-Learn
29-熵、逻辑斯蒂回归、SVM引入
30-Python进阶（下）
31-决策树
32-数据呈现基础
33-云计算初步
34-D-Park实战
35-第四范式分享
36-决策树到随机森林
37-数据呈现进阶
38-强化学习（上）
39-强化学习（下）
40-SVM和网络引入
41-集成模型总结和GDBT理解及其衍生应用
42-网络
43-监督学习－回归
44-监督学习－分类
45-网络基础与卷积网络
46-时间序列预测
47-人工智能金融应用
48-计算机视觉深度学习入门目的篇
49-计算机视觉深度学习入门结构篇
50-计算机视觉学习入门优化篇
51-计算机视觉深度学习入门数据篇
52-计算机视觉深度学习入门工具篇
53-个化推荐算法
54-Pig和Spark巩固
55-人工智能与设计
56-网络
57-线动力学
58-订单流模型
59-区块链一场革命
60-统计物理专题（一）
61-统计物理专题（二）
62-复杂网络简介
63-ABM简介及金融市场建模
64-用伊辛模型理解复杂系统
65-金融市场的复杂性
66-广泛出现的幂律分布
67-自然启发算法
68-机器学习的方法
69-模型可视化工程管理
70-Value Iteration Networks
70-最新回放
71-线动力学系统（上）
72-线动力学系统（下）
73-自然语言处理导入
74-复杂网络上的物理传输过程
75-RNN及LSTM
76-漫谈人工智能创业
77-学习其他主题
78-课程总结