A COVID-19, doença causada pelo vírus SARS-CoV-2, que imita o comportamento de uma pneumonia viral, provavelmente surgiu na província de Hubei, na China, em 2019, espalhando-se de forma global, causando grandes prejuízos de ordem econômica e de saúde para as pessoas (AISHWARYA e KUMAR, 2021). Mundialmente, até agosto de 2021, mais de 200 milhões de pessoas se contaminaram com o Coronavírus, e mais de 4 milhões de mortes foram relatadas, 2% dos casos positivos (WORLDOMETERS, 2021). No Brasil, no mesmo período, há mais de 20 milhões de casos confirmados e mais de 560 mil óbitos (2,8% dos confirmados), com 100% dos municípios contaminados e 99% deles com óbitos (BRASIL.IO, 2021). Ainda segundo a mesma plataforma, o município de Botucatu apresenta 17.886 pessoas que já foram contaminadas pelo vírus e 297 óbitos acumulados. Durante a pandemia, houve uma notável evidência e aumento do uso de tecnologias nas mais diversas áreas, inclusive para monitoramento de casos e contágio. Os modelos de aprendizado de máquina podem ser entendidos como a utilização de algoritmos estatísticos complexos executados em ambiente computacional, com o objetivo de simular o modo de aprendizado humano, desse modo, desenvolvendo ferramentas para resolver problemas de classificação, regressão, clusterização, entre outros (SOUZA FILHO et al., 2021). Diante desses fatos, o objetivo deste trabalho envolve pesquisas que serão efetuadas, confrontando diferentes modelos de aprendizado de máquina existentes, conduzidas no software de código aberto Jupyter Notebook, como interpretador da linguagem Python e de suas bibliotecas. Realizar-se-ão análises de regressão supervisionadas, em que a relação entre a variável independente data e a variável dependente (alvo) casos confirmados será revelada. Dados relativos ao número de infectados serão recolhidos do banco de dados público Brasil.io, alimentado com dados oficiais advindo das secretarias estaduais de saúde entre 04/04/2020 à 16/08/2021 (BRASIL.IO, 2021). Modelos já testados em COVID-19 como Prophet (SATU et al., 2021) e Long Short-Term Memory (LSTM) Artificial Recurrent Neural Network (RNN) (SHAHID et al., 2020) e o Seasonal Autoregressive Integrated Moving Average Exogeneous (SARIMAX), serão avaliados utilizando-se a raiz quadrada média dos erros entre valores reais e os preditos, como principal métrica de comparação. Espera-se dessa maneira, que seja implementada uma forma satisfatória de detecção precoce do número de pessoas novas que poderiam ser infectadas, a fim de auxiliar os pesquisadores a elucidar o processo de dispersão do vírus no município, ao mesmo tempo em que poderá auxiliar o poder público na elaboração de políticas e planejamentos mais eficientes para o enfrentamento da pandemia.