第1章｜人工智慧的基礎知識
01 何謂人工智慧？
02 何謂機器學習（ML）？
03 何謂深度學習（DL）？
04 人工智慧與機器學習的普及過程
第2章｜機器學習的基礎知識
05 監督式學習的機制
06 非監督式學習的機制
07 增強學習的機制
08 統計與機器學習的差異
09 機器學習與特徵量
10 擅長與不擅長的領域
11 機器學習的運用範例
第3章｜機器學習的程序與核心技術
12 機器學習的基本工作程序
13 蒐集資料
14 資料變形
15 模型的作成與學習
16 批次學習與線上學習
17 使用測試資料驗證預測結果
18 學習結果的評估基準
19 超參數與模型的調整
20 主動學習
21 相關與因果
22 反饋迴圈
第4章｜機器學習的演算法
23 迴歸分析
24 支援向量機
25 決策樹
26 整體學習
27 整體學習的運用
28 邏輯迴歸
29 貝葉斯模型
30 時序分析與狀態空間模型
31 K 近鄰法（K-NN）與 K 平均法（K-Means）
32 維度縮減與主成分分析
33 最佳化與遺傳演算法
第5章｜深度學習的基礎知識
34 類神經網路與其歷史
35 深度學習與圖像辨識
36 深度學習與自然語言處理
第6章｜深度學習的程序與核心技術
37 誤差反向傳播法的類神經網路學習
38 類神經網路的最佳化
39 梯度消失問題
40 遷移學習
第7章｜深度學習的演算法
41 卷積類神經網路（CNN）
42 遞歸類神經網路（RNN）
43 增強學習與深度學習
44 自動編碼器
45 GAN（生成對抗網路）
46 物體偵測
第8章｜系統開發與開發環境
47 編寫人工智慧的主要程式語言
48 機器學習用資料庫與框架
49 深度學習的框架
50 GPU程式設計與高速化
51 機器學習服務