如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。

基础语法 ：Python简史、应用场景；Python当前发展、开发环境搭建 注释、输入和输出、变量与常量、Python数据类型、类型转换、运算符和表达式、条件控制语句 循环语句、break和continue控制语句、循环嵌套 字符串介绍、字符串的输出/输入、下标和切片、字符串常见操作 列表、深拷贝/浅拷贝、元组、字典、集合操作、推导式 函数的概念、函数的定义和调用；函数参数、关键字参数、不定长参数；函数的返回值、函数的嵌套调用、函数应用案例、递归函数、匿名函数；变量作用域、全局变量和局部变量、命名空间、闭包 异常概述、Try/except、Finally、Raise、with语句 Python模块基本使用、搜索路径、DIY自己的模块、包、常用模块 前期**学习常量变量的使用，运算符的使用，流程控制的使用，函数的定义和使用，容器处理方法，字符串处理方法，日期时间处理方法等，掌握Python编程语言基础内容；中期主要涉及OOP基础知识，学习后应该能自己处理OOP问题，具有初步软件工程知识并树立模块化编程思想
面向对象与设计模式： 面向对象编程介绍、类和对象、类的定义、对象的创建、self的作用、对象成员访问控制权限 单继承、多继承；实例属性和类属性；多态 魔法函数概述、构造类魔法函数、运算类魔法函数 装饰器、修饰符、迭代器、生成器 单例模式、策略模式、观察者模式
文件系统： 文件介绍、文件的打开与关闭、文件的读写
网络编程： 网络通信过程及tcp协议、udp协议、**协议；套接字、数据报套接字编程、广播和组播；poll方法和epoll方法
多任务 ：进程、进程池、进程内的通信；GIL全局解释锁、线程、多线程数据同步、互斥锁、死锁、ThreadLocal、异步、协程
数据结构+算法 ：数据结构的存储方式、逻辑结构与物理结构；线性表、线性表的顺序存取和链式存取、双向链表；栈和队列、循环队列；树、二叉树、满二叉树、构建二叉搜索树 查找算法：二分法查找；排序算法：冒泡排序、直接插入排序、选择排序、排序

静态页面|： HTML简介、基本语法、常用标签、表单元素 CSS简介、基本语法、选择器、常用样式、DIV+CSS布局 HTML5简介、视频、音频、HTML5表单；CSS3简介、常用样式
页面框架： JavaScript简介、基本语法、变量、数据类型、运算符、流程控制、函数、数组、DOM操作、BOM操作、事件编程、内置对象、正则表达式等 jQuery简介、基本语法、常用选择器、jQuery事件、jQuery操作DOM、jQuery遍历、 Ajax、jQuery操作HTML、CSS，jQuery遍历等 Vue.js基础、模块化、单文件组件、路由、与服务器通信、状态管理、单元测试、生产发布
数据库 ：Mysql简介、常用操作、设计及复杂查询、事务、存储过程、触发器、日志、数据恢复、mysql优化、Python操作mysql
Linux操作系统： 常见Linux操作系统的介绍、Ubuntu操作系统使用、Ubuntu软件安装与卸载 文件和目录操作命令、文件属性修改命令、查找与检索命令、压缩包管理、其他命令、常用服务器ftp/ssh、编辑器vim/sublime/gedit/pycharm
服务器集群架构： Docker、Nginx、集群、高可用网络、keepalive、zookeeper

爬虫与数据： 爬虫原理与数据爬取；B/S和C/S架构；Get/Post请求模式；网络请求模块：urllib和requests；代理服务器和伪造网络请求头；加密数据破解 结构化数据与非结构化数据提取、Fiddler代理器 数据提取模块：正则、xpath 反爬虫策略；Selenium/PhantomJS；模拟用户行为：登录状态、按钮点击、JS页面元素获取等操作
Scrapy框架： Scrapy框架原理；自定义数据模型、请求中间件；爬虫去重；日志；下载中间件结合Selenium；代理服务器
Mongodb+Redis Mongodb简介、安装、常见操作、高级特性以及在Python中操作Mongodb代码实现
Scrapy-redis框架： 爬虫分布式原理解析；Scrapy-redis分布式组件；定制化的爬虫采集系统；处理数据的抓取和解析存储

数据分析-基础内容： 常用的随机变量的数字特征、根据随机变量的分布求解随机变量函数的数字特征
数据分析-模块学习： Numpy数值计算基础、Pandas统计分析、获取数据与特征工程、模型训练
数据分析-数据清洗 ：检测处理重复、缺失、异常值；离散化连续型数据；特征选择、构建新特征等特征工程方法；熟悉数据预处理方法
数据分析-特征工程和结果可视化 ：Python绘图基本语法、参数设置、分析特征内部数据分布与分散情况；掌握常用的几种Python可视化的方法
人工智能—机器学习： map函数、filter函数、sorted函数、eval()、exec()函数 关联算法-掌握Apriori算法与FP-growth算法原理，熟悉频繁项的挖掘与常用剪枝策略、与关联规则 分类算法—掌握决策树算法、随机森林、KNN 、SVM及朴素贝叶斯算法原理，熟悉集成学习(Bagging、Boosing)对于分类算法的优化过程，掌握数据降维方法应用 聚类算法—掌握Kmeans，理解聚类算法与分类算法的区别，理解聚类算法的优缺点 回归算法—主流回归模型，线性回归，逻辑回归 LR 及其变种和扩展算法；梯度下降，逻辑回归优化问题的求解
人工智能—深度学习 ：基于PaddlePaddle深度学习框架讲解 深度学习正则化概述，模型拟合与过拟合问题 神经网络算法—垃圾邮件与反欺诈 图像识别技术—手写数字识别 强化深度学习—AlphaGo相关技术
人工智能-拓展课程 ：人工智能-拓展课程

人工智能的一个比较流行的定义，也是该领域较早的定义，是由约翰·麦卡锡（JOHN MCCARTHY）在1956年的达特矛斯会议（DARTMOUTH CONFERENCE）上提出的：人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能性。总体来讲，对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。