A unidade aborda os fundamentos essenciais relacionados ao campo do aprendizado profundo. O conteúdo inclui uma visão histórica do desenvolvimento desse campo, a introdução ao neurônio computacional e a exploração do Modelo de McCulloch e Pitts. São discutidos conceitos como fronteira de decisão linear e introdução ao Perceptron, com ênfase nas funções lógicas AND e XOR. O treinamento do Perceptron, exercícios práticos e dicas são oferecidos para solidificar o entendimento do conceito.
Além disso, a unidade abrange a implementação do Perceptron usando a biblioteca scikit-learn, proporcionando uma abordagem prática e aplicada. Há também uma seção dedicada à implementação manual do Perceptron, oferecendo aos alunos uma compreensão mais aprofundada do funcionamento interno dessa arquitetura. A unidade conclui com uma atividade prática, consolidando os conhecimentos adquiridos ao longo do curso.

A unidade do curso abrange conceitos avançados no campo do aprendizado profundo. Inicia-se com uma exploração das funções de ativação, seguida pelo processo de propagação direta (forward propagation). São discutidas as funções lógicas AND e XOR no contexto das redes neurais multicamadas, assim como a importância da função de custo na avaliação do desempenho do modelo.
A técnica crucial de retropropagação (backpropagation) é apresentada, destacando como os erros são propagados de volta pela rede para ajustar os pesos das conexões. O treinamento em diferentes modos, como em batch, mini-batch e estocático, é abordado para oferecer uma compreensão abrangente das estratégias de treinamento.
A implementação do método perceptron no Python é revisada, proporcionando uma transição suave para a próxima seção, que se concentra na implementação de redes neurais multicamadas usando a biblioteca TensorFlow. Isso inclui uma abordagem prática para criar e treinar modelos de redes neurais multicamadas.
A unidade conclui com uma atividade prática, permitindo aos alunos aplicarem os conhecimentos adquiridos e reforçar a compreensão prática dos tópicos discutidos ao longo da unidade.

A unidade aborda conceitos avançados relacionados ao processamento de dados sequenciais. Começa com uma exploração da recorrência em redes neurais, destacando os desafios associados à explosão e ao desvanecimento dos gradientes durante o treinamento.
Uma solução fundamental para esses desafios é apresentada na forma de Long Short-Term Memory (LSTM), uma arquitetura específica para lidar com dependências de longo prazo em sequências temporais.
A aplicação prática de redes neurais recorrentes é discutida no contexto do processamento de linguagem natural, abrangendo tópicos como pré-processamento de textos e word embeddings para representar palavras de maneira contextual. A unidade inclui uma implementação prática desses conceitos usando a biblioteca TensorFlow.
A unidade conclui com uma atividade, oferecendo aos alunos a oportunidade de aplicar os conhecimentos adquiridos na implementação de redes neurais recorrentes em um cenário prático, reforçando assim a compreensão dos tópicos discutidos ao longo da unidade.

A unidade final foca em técnicas avançadas de processamento de dados, especialmente voltadas para visão computacional. Inicia-se com uma exploração do conceito de convolução, abordando aspectos como padding e stride para controlar a dimensionalidade dos dados.
São discutidos também métodos de pooling para redução de dimensionalidade e arquiteturas de redes neurais convolucionais, considerando aplicações em reconhecimento de imagens. A transferência de aprendizado e o aumento de dados são abordados como estratégias para melhorar o desempenho do modelo.
A arquitetura "You Only Look Once" (YOLO), uma abordagem popular para detecção de objetos em imagens, é introduzida, destacando suas características e aplicabilidade.
A unidade inclui uma implementação prática de redes neurais convolucionais usando a biblioteca TensorFlow, proporcionando aos alunos uma experiência hands-on.
A conclusão da unidade se dá com uma Atividade Final, na qual os alunos podem aplicar e consolidar os conhecimentos adquiridos.