1回目（Pythonの基礎）：Pythonの環境の構築、numpyによる数値演算、matplotlib、pdbデバッグ、データ構造（リスト、タプル、辞書、numpy.array、pandas.dataframe）、リスト内包表記、関数およびオブジェクト指向などPythonスクリプトの基礎的な記述方法を学びます。 講義資料
2回目（ロジスティック回帰の実装）：人工知能（3セメ）で学んだニューラルネットワークの復習し、ソフトマックス、交差エントロピー、最急降下法などを組み合わせて、2階層のニューラルネットワーク（ロジスティック回帰）を実装することにより、教師あり学習の基本的な実装方法を学びます。
3回目（ニューラルネットワークの実装）：3階層のニューラルネットワークを学習するための勾配の導出とバックプロパゲーションの実装を通し、非線形なモデルの実装方法を学びます。
4回目（ニューラルネットワークの応用）：Amazonの商品レビューの感情分類およびMNISTの手書き文字画像の分類を参考に、各グループでニューラルネットワークを応用する課題を選択し、ニューラルネットワークを応用する実践方法を学びます。
5回目（グループ発表）：各グループごとに、選択した応用課題の概要、応用した結果、工夫したところ、および難しかったところを発表してもらい全体で共有します。
6回目（強化学習の基礎）：強化学習の基礎（教師あり学習との違い、動物の行動学習、定式化）および実用的なQ学習法について学びます。また、ベンチマークツールのopen AI Gymのセットアップを行います。
7回目（Q学習の実装）：Q学習法の実装を通し、強化学習の基本的な実装方法を学びます。また、Mountain Carタスクを用いて、実装したQ学習による強化学習の実験を行います。
8回目（強化学習の応用）：Mountain Carタスクを参考に、各グループで強化学習を応用する課題を選択し、強化学習を応用する実践方法を学びます。
9回目（グループ発表）：各グループごとに、選択した応用課題の概要、応用した結果、工夫したところ、および難しかったところを発表してもらい全体で共有します。