应该参与或建立的课程。这个列表应该是自我将之前工作的内容总结出来的地方，但我现在有一个想法，等我把InteractiveStudio完成后再来写更好一些。另外是否要走Web based tool flow这个实现路径是值得深思的，毕竟现在都是Web based tools，特别是visulization方向的内容，Tabuleau也在走这条路，值得比较反思。
Updated on 20180912. Work Course has diverted my plan. Now I'm working on myHDL's working library.
针对大数据下数据挖掘、人工智能、深度学习等方向，讲解相关应用编程基础知识
掌握数据描述的方法、统计分析的概念和常用方法，掌握Python时间序列统计分析基础方法
掌握监督学习、非监督学习概念、方法与应用方向，掌握scikit、spark基础建模分析方法
1）人工智能的起源、发展简史、学派之争
2）人工智能、机器学习、深度学习之间的关系
3）机器学习关键技术与数学基础
4）我们应该如何看待数据
5）机器学习的百家争鸣
掌握深度神经网络特性、构造方法与应用，初步打下面向应用的建模方法与数据分析基础
系统性的了解数据治理目标、范围，掌握数据治理方案及思路；了解数据架构基本概念，整体的定位及作用，掌握数据架构设计过程中的输出件、典型设计范例、数据架构模式、数据架构师角色，尤其针对数据分析项目掌握大数据架构（批量/实时），以及项目中人员角色的划分
了解数据集成（ETL）中的主要流程，掌握每个流程中的关键工作，应用场景、配置流程、操作步骤等内容
介绍数据科学实施相关领域的各种方法论及适用场景。 以案例的形式介绍业界的最佳实践。
介绍基础大数据技术平台的设计（包含大数据平台与微服务架构），以及大数据平台与工具作业系统之间的关系
介绍业界成熟的AI平台
介绍可视化概念以及可视化作用，掌握可视化分析方法
了解数据模型设计的原则与规范，以及数据模型在整个数据领域的定位和价值，结合推荐、行为分析应用的数据模型设计具体情况，了解基于模型的数据研发路径
介绍自然语言处理NLP技术发展历程，重点介绍自然语言处理的和新方法与**，应用方向
系统回顾人工智能发展史的基础上，重点介绍人工智能的核心**、基本理论，基本方法与部分应用
- 人工智能概述
- 人工智能基础
- 人工智能历史与现状
- 智能体概念
- 理性主体与任务环境
- 智能体结构与分类
- 局部搜索与群体智能
- 对抗性搜索
- 约束满足问题
- 知识表示
- 逻辑推理
- 贝叶斯网络
- 机器学习的范式
- 分类方法
- 聚类方法
- 回归方法
- 降维方法
- 概率模型与网络模型
- 神经网络
- 深度学习
- 对抗网络