用数据让互联网痕迹和互联网记忆永驻。
用信息量更丰富、可拓展性更强的卫星图像和机器学习模型来解析非洲的财富状况。
一个智能经济的时代已经来临。人们在畅想智能化给经济发展带来的无限空间的同时，也常常伴随着诸多担忧甚至恐惧。其中最常见的就是“机器取代人类”、“智能化将造成大量失业”的梦魇。这也让一些人产生困惑：是不是如果大力发展智能经济，就会造成大量失业？如果要稳就业，就要重点投资传统基础设施？大力发展“新型基础设施建设”与“稳就业”这样的政策组合，是不是矛盾的呢？
青年一代在数字科技领域中如何择业？如何在“职前”积累能量？如何在“职后”创造价值？
本课程面向社会科学研究者，采用Python介绍机器学习的基本逻辑（需要学员提前安装Anaconda），主要内容包括三（或四）个部分：1. 机器学习简介：从泰坦尼克号讲起；2. 机器学习初步: 朴素贝叶斯与线性回归；3. 机器学习进阶：支持向量机与随机森林；4. 机器学习扩展：基于Pytorch的神经网络模型（备选）。
人工智能引发的伦理讨论日益进入社会责任的议程，这同样需要在技术层面考量和落实伦理的要求。本课程从案例出发，讲解机器学习中与公平性相关的技术措施，降低出现负面后果的风险。
现有的中心化和分布式机器学习机制所伴随的数据获取成本高、易被攻击、缺少高效数据融合方法等缺点，限制了数据资源的开发以其流通，在很大程度上阻碍了机器学习的广泛落地应用。为解决这些问题，本项目的研究中提出去中心化建模的概念，与传统分布式建模不同，将模型训练分散到海量数据端，建设一个利于机器学习的数据资源可持续开发与流通的生态环境，促进未被利用的海量数据的价值开发，对互联网、大数据、人工智能同实体经济深度融合具有重要的推进作用。
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。
当机器真正拥有了理解能力时，当强人工智能时代到来之时，人如何理解自身和机器？关注着“人”的社会科学又应如何发展？今天的社会学研究者，应当如何处理人工智能和社会学的关系？
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。