在仿真模型代码编写或者人工智能具体的应用场景的实践过程中，都包含着我们对个体或群体假定。算法的构建不仅是一个技术层面的编码，同时还包含了数据工程师对社会场景、个人、群体的认知与假定。在计算社会科学的发展路径中，算法审计是一个重要的研究方向。
大数据是什么？与传统数据有何种区别？为何与智能社会紧密相连？从算法到人工智能，学者面临着算法专利保护的“制度性黑箱”与理解和解释机器学习算法的“意义黑箱”。要试图理解智能社会的两个黑箱，我们不得不重新回到大数据何以作为生产要素的基本命题中，从大数据入手，理解人工智能。
本课程上午是理论课程，围绕如何使用深度学习进行展开，以全连接导入，介绍包括建立模型、损失函数、参数学习等过程；并在此基础上讲述卷积神经网络的特性，详细讲解如何使用卷积层、池化层建立卷积神经网络，如何使用卷积神经网络解决自然语言处理中的文本分类问题。下午为实践课程，针对上午所学理论知识，学会如何使用飞桨搭建DNN模型，并在此基础上，学会如何使用CNN来实现微博谣言检测任务。最后介绍飞桨预训练模型管理工具PaddleHub的使用。
从技术的角度来看，人工智能借助标注数据和先验知识获得快速发展，突出体现于感知智能和认知智能，分别对应以机器学习尤其是深度学习为代表的联结主义和以知识图谱中逻辑表示和推理为代表的符号主义。为推动人工智能在社会科学领域中的理解和应用，发展计算社会科学，开拓大数据与社会科学研究结合的策略视野，最终提高研究的创新水平和工作效率，本课程结合具体案例讲解以下内容：（1）基于深度学习的自然语言处理和图像理解，零算法基础定制高精度AI模型；（2）知识图谱在社会计算中的应用。