人工智能课程有三个主要分支:
1)认知AI(cognitiveAI)
认知计算是人工智能最受欢迎的分支之一，它负责所有感觉像人类的交互。认知人工智能必须能够轻松处理复杂性和模糊性，同时不断借鉴数据挖掘、自然语言处理和智能自动化的经验。
如今，人们倾向于认为认知人工智能将人工智能做出的最佳决策与人类工作人员做出的监控更困难或不确定事件的决策相结合。这可以帮助扩展人工智能的适用性，生成更快、更可靠的答案。
2)机器学习AI(MachineLearningAI)
机器学习(ML)AI就是那种可以在高速公路上自动驾驶你的特斯拉的人工智能。它仍然处于计算机科学的前沿，但有望在未来对日常工作场所产生巨大影响。机器学习就是在大数据中找到一些“模式”，然后利用这些模式来预测结果，而不需要过多的人工解释，但是这些模式在普通的统计分析中是看不见的。
然而，机器学习需要三个关键因素才能有效:
a)数据，很多数据。
为了教授人工智能新技能，需要向模型中输入大量数据，以实现可靠的输出评分。比如特斯拉已经为自己的车部署了自动转向功能，把自己收集的所有数据、司机的干预措施、成功逃生、误报警等等都发送到总部，以便从错误中吸取教训，逐渐磨砺感官。产生大量输入的好方法是通过传感器:你的硬件是否是内置的，比如雷达、摄像头、方向盘等。(如果是汽车)，或者你更喜欢互联网。蓝牙信标、健康跟踪器、智能家居传感器、公共数据库等。只是通过互联网连接的越来越多的传感器中的一小部分，它们会产生大量的数据(以至于任何正常人都无法处理)。
b)发现。
为了理解数据和克服噪声，机器学习中使用的算法可以将混沌数据排序、切片和转换成可理解的见解。(想吓跑同事，请先听听常用的不同排序算法。)
从数据中学习的算法有两种:无监督算法和有监督算法。
无监督算法只处理数字和原始数据，因此不建立描述性标签和因变量。这个算法的目的是找到一个人们没想到的内部结构。这对于了解市场细分、相关性、离群值等等非常有用。
另一方面，监督算法通过标签和变量知道不同数据集之间的关系，并利用这些关系来预测未来的数据。这可能在气候变化模型、预测分析、内容推荐等方面有用。
c)部署。
机器学习需要从计算机科学实验室进入软件。越来越多的像CRM、Marketing、ERP这样的供应商都在提高嵌入式机器学习的能力或者与提供它的服务紧密结合。
3)深度学习
如果机器学习是尖端的，那么深度学习就是尖端的。这是一个你要发去参加小考的AI。它结合了大数据分析和无监督算法。它的应用通常围绕着巨大的未标记数据集，这些数据集需要被构造成互连的簇。深度学习的灵感来源于我们大脑中的神经网络，所以可以恰当地称之为人工神经网络。
深度学习是许多现代语音和图像识别方法的基础，随着时间的推移，它比过去提供的非学习方法具有更高的准确性。
希望以后深度学习AI可以独立回答客户的查询，通过聊天或者邮件完成订单。或者，他们可以帮助营销人员基于其庞大的数据池提出新产品和规格。又或许有一天他们可以成为职场全能助手，彻底模糊机器人与人类的界限。
人工智能通过其上使用的数据规模得以生存和改进，这意味着随着时间的推移，我们不仅可以看到更好的人工智能，而且它们的发展将集中在那些能够挖掘最大数据集的组织上。
Python还有世界上最大的支持团队，Google，Yahoo！、IBM等。都用Python，而我们熟悉的Dropbox、Pintrest、Mozilla、豆瓣、知乎，也都是用Python写的。除了知名公司，Python还有上千名个人开发者。
Python虽然在国内代替不了Java，但却位列编程语言前五，普及程度不亚于Java。基于这些优势，Python可能在未来的编程语言发展中占据第一位，人工智能将优先选择Python作为开发语言。
学完可以从事人工智能方面的工作。但是人工智能这门课程比较高深，过去只有少数学生从事相关工作。
