课程背景简介，项目成果演示，知识点和软件简介，让大家对接下来的学习心中有数

• 1-1 课程整体介绍及导学
  

人工智能、神经网络、机器学习、深度学习、激活函数、过拟合、卷积神经网络、循环神经网络等知识的循序渐进讲解。培养大家对课程的兴趣，了解人工智能前景，对人工智能抱持正确态度

• 2-1 什么是人工智能
  
• 2-2 人工智能前景
  
• 2-3 人工智能需要的基本数学知识
  
• 2-4 人工智能简史
• 2-5 AI、机器学习和深度学习的关联
• 2-6 什么是机器学习
• 2-7 面对AI，我们应有的态度
• 2-8 什么是过拟合
• 2-9 什么是深度学习
  

TensorFlow是什么，TensorFlow原理和前景，TensorFlow和其他框架的对比（例如 Theano，ScikitLearn，Keras，Caffe2，PyTorch等）。开发环境搭建，并提供讲师已经配置好开发环境的虚拟机镜像

• 3-1 什么是TensorFlow
• 3-2 TensorFlow和其他机器学习库的对比1
• 3-3 如何学习TensorFlow
• 3-4 TensorFlow前景
• 3-5 如何使用课程提供的虚拟机文件
• 3-6 安装VirtualBox
• 3-7 安装Ubuntu
• 3-8 配置Ubuntu系统
• 3-9 安装Python
• 3-10 安装TensorFlow（上）
• 3-11 安装TensorFLow（下）
• 3-12 安装Python类库
  

TensorFlow核心概念，TensorFlow激励函数，TensorFlow构建神经网络，TensorFlow优化器，可视化利器TensorBoard，TensorFlow解决过拟合，TensorFlow实现卷积神经网络和循环神经网络等。通过生动图文原理解释和实例，循序渐进掌握TensorFlow

• 4-1 从HelloWorld开始
• 4-2 TensorFlow的编程模式
• 4-3 TensorFlow的基础结构
• 4-4 图和会话
• 4-5 Python常用库Numpy的使用
• 4-6 什么是Tensor（上）
• 4-7 什么是Tensor（下）
• 4-8 图和会话原理及案例（上）
• 4-9 图和会话原理及案例（下）
• 4-10 可视化利器TensorBoard（上）
• 4-11 可视化利器TensorBoard（下）
• 4-12 酷炫模拟游乐园PlayGround
• 4-13 常用Python库Matplotlib
• 4-14 综合小练习：梯度下降解决线性回归（上）
• 4-15 综合小练习：梯度下降解决线性回归（中）
• 4-16 综合小练习：梯度下降解决线性回归（下）
• 4-17 激活函数（上）
• 4-18 激活函数（下）
• 4-19 动手实现CNN卷积神经网络（一）
• 4-20 动手实现CNN卷积神经网络（二）
• 4-21 动手实现CNN卷积神经网络（三）
• 4-22 动手实现CNN卷积神经网络（四）
• 4-23 动手实现CNN卷积神经网络（五）
• 4-24 动手实现RNN-LSTM循环神经网络（一）：背景和知识点
• 4-25 动手实现RNN-LSTM循环神经网络（二）：编写实用方法(上)
• 4-26 动手实现RNN-LSTM循环神经网络（三）：编写实用方法(中)
• 4-27 动手实现RNN-LSTM循环神经网络（四）：编写实用方法(下)1
• 4-28 动手实现RNN-LSTM循环神经网络（四）：编写实用方法(下)2
• 4-29 动手实现RNN-LSTM循环神经网络（五）：编写神经网络模型(上)
• 4-30 动手实现RNN-LSTM循环神经网络（六）：编写神经网络模型(中)1
• 4-31 动手实现RNN-LSTM循环神经网络（六）：编写神经网络模型(中)2
• 4-32 动手实现RNN-LSTM循环神经网络（七）：编写神经网络模型(下)
• 4-33 动手实现RNN-LSTM循环神经网络（八）：编写训练方法(上)
• 4-34 动手实现RNN-LSTM循环神经网络（九）：编写训练方法(下)
• 4-35 动手实现RNN-LSTM循环神经网络（十）：编写测试方法
• 4-36 动手实现RNN-LSTM循环神经网络（十一）：实际训练和测试
  

结合RNN-LSTM开发能作出动听旋律的炫酷人工智能：背景和知识点简介，开发环境配置，原理讲解，代码实现，训练模型和测试

• 5-1 背景和知识点简介
• 5-2 音乐和数学的联系
• 5-3 什么是MIDI文件
• 5-4 配置开发环境
• 5-5 编写转换MIDI到MP3的方法
• 5-6 Python音乐库Music21的使用和测试方法
• 5-7 编写整个神经网络模型
• 5-8 编写从训练文件获取音符的方法
• 5-9 编写从预测数据来生成音乐的方法
• 5-10 编写训练神经网络的方法（一）
• 5-11 编写训练神经网络的方法（二）
• 5-12 编写训练神经网络的方法（三）
• 5-13 编写神经网络生成音乐的方法（一）
• 5-14 编写神经网络生成音乐的方法（二）
• 5-15 纯TensorFlow版的预告
  

结合DCGAN开发会PS的人工智能。从此P图不用愁，分分钟搞定N多图片的创建：背景和知识点简介，开发环境配置，原理讲解，代码实现，训练模型和测试

• 6-1 背景和知识点简介
• 6-2 配置开发环境
• 6-3 什么是GAN(生成对抗网络)
• 6-4 什么是DCGAN
• 6-5 编写DCGAN中的判别器模型（上）
• 6-6 编写DCGAN中的判别器模型（下）
• 6-7 编写DCGAN中的生成器模型
• 6-8 编写训练神经网络的方法（上）
• 6-9 编写训练神经网络的方法（下）
• 6-10 编写神经网络生成图片的方法
• 6-11 代码完成和测试模型
• 6-12 纯TensorFlow版的预告
  

结合深度强化学习中的A3C实现会开3D赛车的人工智能，学会自动驾驶：背景和知识点简介，开发环境配置，原理讲解，代码实现，训练模型和测试

• 7-1 背景和知识点简介
• 7-2 强化学习的经典实验环境
• 7-3 配置开发环境（1）
• 7-4 配置开发环境（2）
• 7-5 什么是强化学习
• 7-6 什么是Q Learning
• 7-7 Q-Learning 实现机器人走迷宫：创建环境
• 7-8 Q-Learning 实现机器人走迷宫：决策算法（1）
• 7-9 Q-Learning 实现机器人走迷宫：决策算法（2）
• 7-10 Q-Learning 实现机器人走迷宫：游戏主程序
• 7-11 Deep Q Learning 实现迷宫游戏：决策算法（1）
• 7-12 Deep Q Learning 实现迷宫游戏：决策算法（2）
• 7-13 Deep Q Learning 实现迷宫游戏：决策算法（3）
• 7-14 Deep Q Learning 实现迷宫游戏：决策算法(4)和主程序
• 7-15 Policy Gradient 实现 Gym 游戏
• 7-16 A3C 实现 3D 赛车游戏：成果演示
• 7-17 A3C实现3D赛车游戏：讲解A3C和编写环境
• 7-18 A3C实现3D赛车游戏：编写A3C算法和主程序
  

知识点总结，如何学习一门知识，如何深入人工智能和TensorFlow，如何学习数学和英语，TensorFlow还能做什么，等等。

• 8-1 总结陈词和补充
• 8-2 如何学好英语
• 8-3 如何学好数学
• 8-4 如何学习一门技术及课程知识点总结
• 8-5 深入AI和TensorFlow