1. 인공지능, 머신러닝, 딥러닝의 개념과 관계
2. 머신러닝의 절차: 기계의 배움에도 순서가 있다
3. 머신러닝의 방법론

4. 딥러닝의 이해
4.1. 알고리즘의 개념
4.2. 딥러닝의 개념
4.3. 딥러닝의 예시: 과자 공장
4.4. 딥러닝의 강점: 규칙이 없는 데이터 다루기

5. 자연어 처리
5.1. 자연어의 개념
5.2. 자연어 처리의 개념
5.3. 자연어 처리의 활용 분야

6. 지도학습 알고리즘의 이해: 분류 분석
6.1. 분류 분석의 특성
6.2. 나이브 베이지안: 스팸 메일에 쓰이는 흔한 제목
6.3. 의사 결정 나무: 어느 교실의 스무고개
6.4. 랜덤 포레스트: 다수결로 하는 스무고개
6.5. K-최근접 이웃: 좋아하는 계절 알아내기
6.6 서포트 벡터 머신: 체육시간의 축구파와 농구파

7. 비지도학습 알고리즘의 이해: 군집 분석
7.1. 군집 분석의 특성
7.2. 군집 분석의 두 가지 방법: 어느 교실의 조 짜기
7.3. 계층적 군집 분석
7.4. 계층적이지 않은 군집 분석

8. 반지도학습의 이해
8.1 반지도학습의 개념
8.2. 반지도학습의 특징
8.3. 반지도학습의 방법: 미술부와 성악부 나누기
8.4. SGAN 알고리즘: 베낀 숙제 잡아내기
8.5. 반지도학습의 사례

9. 강화 학습의 이해
9.1. 강화 학습의 개념
9.2. 강화 학습의 예시
9.3. 마르코프 결정 과정

10. 탐색과 최적화 알고리즘: 최단 경로 찾기
10.1. 탐색과 최적화
10.2. 탐욕 알고리즘
10.3. 다익스트라 알고리즘

11. 머신러닝 이전의 인공지능
11.1. 규칙 기반 인공지능
11.2. 규칙 기반 학습의 특징