| 1 | Introdução | |
| 2 | Regressão Linear | (aula) |
| 3 | Gradiente Descendente | (aula) |
| 4 | Regressão Linear Múltipla e Vetorização | (aula) |
| 5 | Gradiente Descendente: Otimizações e Detalhes | (aula) |
| 6 | Classificação Com Regressão Logística | (aula) |
| 7 | Gradiente Para Regressão Logística | (aula) |
| 8 | Overfitting e Regularização | (aula) |
| 9 | Redes Neurais | (aula) |
| 10 | Forward Propagation e Implementação | (aula) |
| 11 | Implementação Avançada do Forward Propagation | (aula) |
| 12 | Treinamento de Redes Neurais e Funções de Ativação | (aula) |
| 13 | Classificação Multiclasse | (aula) |
| 14 | Backpropagation e Otimização Avançada | (aula) |
| 15 | Treino, Validação e Teste | (aula) |
| 16 | Viés e Variância | (aula) |
| 17 | Processo de Desenvolvimento, Transfer Learning e Datasets Desbalanceados | (aula) |
| 18 | Árvores de Decisão | (aula) |
| 19 | Árvores de Decisão e Ensembles | (aula) |
| 20 | Clusterização | (aula) |
| 21 | Detecção de Anomalias | (aula) |
| 22 | Sistemas de Recomendação: Filtragem Colaborativa | (aula) |
| 23 | Sistemas de Recomendação: Implementação e Filtragem por Conteúdo | (aula) |
| 24 | Análise de Componente Principal | (aula) |
| 25 | Aprendizado Por Reforço | (aula) |
| 26 | Função de Valor Ação-Estado | (aula) |
| 27 | Espaço de Estados Contínuo | (aula) |