Neste estudo de caso é proposto um algoritmo que serve para minimizar custos energéticos de Data Centers, onde foi aplicado o modelo Deep Q-learning para o aprendizado das Redes Neurais Artificiais num simulador de servidor, visando controlar o aquecimento e resfriamento de um Data Center, para que ele permaneça em uma faixa ideal de temperaturas, economizando a energia máxima, baseando-se na quantidade de usuários conectados, temperatura atmosférica e sobre a taxa de transferência. A linguagem utilizada foi Python 3.6 na IDE Spyder, juntamente com as bibliotecas Keras, Tensor e Numpy para a programação da Inteligência Artificial. O algoritmo foi particionado em cinco partes, que correspondem ao ambiente, o cérebro, o Deep Q-learning, o treinamento e o teste. Em virtude dos testes realizados com estrutura orientada a objetos, podemos muito facilmente, utilizar os objetos criados nesta implementação para um servidor e conectá-lo em outros servidores, para que, no final, acabemos economizando o consumo total de energia de um Data Center inteiro. Este aprendizado de máquina com aplicação e Redes Neurais Artificiais conseguiu obter consistentemente uma redução de 61% na quantidade de energia usada para resfriamento e aquecimento, o que equivale a uma redução considerável na sobrecarga geral de PUE (Power Usage Effectiveness). Tendo em vista que só foi possível atingir esse resultado com a aplicação das técnicas de regularização: Early Stopping e Dropout. Como o algoritmo é uma estrutura de uso geral para entender dinâmicas complexas, uma continuação deste trabalho poderá ser realizada visando oportunidades de implementação em Data Centers reais, em busca de uma economia considerável para as empresas de pequeno e grande porte, e assim, fortalecer o mercado de trabalho gerando empregos em meio a maior índice de desemprego no Brasil, devido à pandemia do COVID-19.