From 11295d270712dd5497f5dc46aededb54e040c2fa Mon Sep 17 00:00:00 2001
From: "localizeflow[bot]" <skytin1004@users.noreply.github.com>
Date: Fri, 6 Feb 2026 08:08:45 +0000
Subject: [PATCH] chore(i18n): sync translations with latest source changes
 (chunk 1/1, 6 changes)

---
 translations/pa/.co-op-translator.json    |   4 +-
 translations/pa/README.md                 | 214 +++++++++++-----------
 translations/pt-BR/.co-op-translator.json |   4 +-
 translations/pt-BR/README.md              | 186 +++++++++----------
 translations/pt-PT/.co-op-translator.json |   4 +-
 translations/pt-PT/README.md              | 180 +++++++++---------
 6 files changed, 296 insertions(+), 296 deletions(-)

diff --git a/translations/pa/.co-op-translator.json b/translations/pa/.co-op-translator.json
index 631ab62f2..f04801d99 100644
--- a/translations/pa/.co-op-translator.json
+++ b/translations/pa/.co-op-translator.json
@@ -540,8 +540,8 @@
     "language_code": "pa"
   },
   "README.md": {
-    "original_hash": "da2ceed62f16a0820259556e3a873c95",
-    "translation_date": "2026-01-29T18:16:50+00:00",
+    "original_hash": "2f594ee136e3127a47f56d80055227bc",
+    "translation_date": "2026-02-06T08:05:08+00:00",
     "source_file": "README.md",
     "language_code": "pa"
   },
diff --git a/translations/pa/README.md b/translations/pa/README.md
index d6e4bd180..83145f142 100644
--- a/translations/pa/README.md
+++ b/translations/pa/README.md
@@ -8,78 +8,77 @@
 [![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
 [![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
 
-### 🌐 ਬਹੁ-ਭਾਸ਼ਾ ਸਮਰਥਨ
+### 🌐 ਬਹੁ-ਭਾਸ਼ਾਈ ਸਮਰਥਨ
 
-#### GitHub ਐਕਸ਼ਨ ਰਾਹੀਂ ਸਮਰਥਿਤ (ਆਟੋਮੇਟਿਕ ਅਤੇ ਸਦਾ ਅਪ-ਟੂ-ਡੇਟ)
+#### GitHub ਐਕਸ਼ਨ ਰਾਹੀਂ ਸਮਰਥਿਤ (ਆਪੋ-ਆਪ ਅਪਡੇਟ ਅਤੇ ਹਮੇਸ਼ਾ ਅਪਡੇਟਦਾਰ)
 
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
 [Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](./README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
 
-> **ਕੀ ਤੁਹਾਨੂੰ ਇੱਥੋਂ ਲੋਕਲ ਕਲੋਨ ਕਰਨਾ ਹੈ?**
+> **ਕੀ ਤੁਹਾਨੂੰ ਲੋਕਲ ਡਾਊਨਲੋਡ ਕਰਨਾ ਪਸੰਦ ਹੈ?**
 
-> ਇਸ ਰਿਪੋਜ਼ਿਟਰੀ ਵਿੱਚ 50+ ਭਾਸ਼ਾਵਾਂ ਦੇ ਅਨੁਵਾਦ ਸ਼ਾਮਿਲ ਹਨ ਜੋ ਡਾਊਨਲੋਡ ਆਕਾਰ ਵਧਾਉਂਦੇ ਹਨ। ਅਨੁਵਾਦਾਂ ਦੇ ਬਿਨਾਂ ਕਲੋਨ ਕਰਨ ਲਈ sparse checkout ਦੀ ਵਰਤੋਂ ਕਰੋ:  
+> ਇਸ ਰਿਪੋਜ਼ਿਟਰੀ ਵਿੱਚ 50+ ਭਾਸ਼ਾ ਅਨੁਵਾਦ ਸ਼ਾਮਲ ਹਨ ਜੋ ਡਾਊਨਲੋਡ ਦਾ ਸਾਈਜ਼ ਬਹੁਤ ਵਧਾਉਂਦੇ ਹਨ। ਬਿਨਾਂ ਅਨੁਵਾਦਾਂ ਦੇ ਕਲੋਨ ਕਰਨ ਲਈ, ਸਪਾਰਸ ਚੈਕਆਉਟ ਦੀ ਵਰਤੋਂ ਕਰੋ:
 > ```bash
 > git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
 > cd ML-For-Beginners
 > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
 > ```
-> ਇਹ ਤੁਹਾਨੂੰ ਪਾਠਕ੍ਰਮ ਪੂਰਾ ਕਰਨ ਲਈ ਲੋੜੀਦਾ ਸਾਰਾ ਕੁਝ ਬੜੀ ਤੇਜ਼ੀ ਨਾਲ ਡਾਊਨਲੋਡ ਕਰਦਾ ਹੈ।  
+> ਇਸ ਨਾਲ ਤੁਹਾਨੂੰ ਇਹ ਸਾਰੀ ਚੀਜ਼ਾਂ ਮਿਲਦੀਆਂ ਹਨ ਜੋ ਕੋਰਸ ਨੂੰ ਤੇਜ਼ ਅਤੇ ਪੂਰਾ ਕਰਨ ਲਈ ਲੋੜੀਦੀਆਂ ਹਨ।
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
 
-#### ਸਾਡੇ ਸਮੁਦਾਇ ਵਿਚ ਸ਼ਾਮਲ ਹੋਵੋ
+#### ਸਾਡੇ ਸਮੁਦਾਇ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਵੋ
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-ਸਾਡੇ ਕੋਲ ਇੱਕ Discord 'Learn with AI' ਸੀਰੀਜ਼ ਚੱਲ ਰਹੀ ਹੈ, ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਅਤੇ ਸਾਡੀ ਸੇਰਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ [Learn with AI Series](https://aka.ms/learnwithai/discord) 18 - 30 ਸਤੰਬਰ, 2025 ਤੋਂ। ਤੁਹਾਨੂੰ GitHub Copilot ਦੀ ਵਰਤੋਂ ਲਈ ਡਾਟਾ ਸਾਇੰਸ ਵਿੱਚ ਟਿੱਪਸ ਅਤੇ ਟ੍ਰਿਕਸ ਮਿਲਣਗੇ।
+ਸਾਡੇ ਕੋਲ ਇੱਕ Discord 'Learn with AI' ਸੀਰੀਜ਼ ਚੱਲ ਰਹੀ ਹੈ, ਹੋਰ ਜਾਣੋ ਅਤੇ ਸਾਨੂੰ [Learn with AI Series](https://aka.ms/learnwithai/discord) ’ਤੇ 18 - 30 ਸਤੰਬਰ, 2025 ਨੂੰ ਮਿਲੋ। ਤੁਹਾਨੂੰ GitHub Copilot ਨਾਲ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਸਲਾਹਾਂ ਅਤੇ ਟਿੱਪਣੀਆਂ ਮਿਲਣਗੀਆਂ।
 
 ![Learn with AI series](../../translated_images/pa/3.9b58fd8d6c373c20.webp)
 
-# ਸ਼ੁਰੂਆਤੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ - ਇੱਕ ਕੋਰਸ ਕਰਿਕੁਲਮ
+# ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ - ਇੱਕ ਕੋਰਸ
 
-> 🌍 ਦੁਨੀਆ ਦੇ ਵੱਖ-ਵੱਖ ਸੱਭਿਆਚਾਰਾਂ ਰਾਹੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਖੋਜ ਕਰਦੇ ਹੋਏ ਦੁਨੀਆ ਭਰ ਦਾ ਸਫਰ ਕਰੋ 🌍
+> 🌍 ਸੰਸਾਰ ਦੇ ਵੱਖ-ਵੱਖ ਸੱਭਿਆਚਾਰਾਂ ਰਾਹੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਖੋਜ ਕਰਦੇ ਹੋਏ ਦੁਨੀਆ ਦੀ ਯਾਤਰਾ ਕਰੋ 🌍
 
-ਮਾਈਕ੍ਰੋਸੌਫਟ ਦੇ ਕਲਾਉਡ ਐਡਵੋਕੇਟਸ ਖੁਸ਼ ਹਨ ਕਿ ਉਹ 12 ਹਫ਼ਤੇ, 26 ਪਾਠਾਂ ਤੇ مشتمل ਇੱਕ ਕਰਿਕੁਲਮ ਪ੍ਰਦਾਨ ਕਰ ਰਹੇ ਹਨ ਜੋ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਬਾਰੇ ਹੈ। ਇਸ ਕਰਿਕੁਲਮ ਵਿੱਚ, ਤੁਸੀਂ ਵੇਖੋਗੇ ਕਿ ਕੁਝ ਕਹਿੰਦੇ ਹਨ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ, ਜੋ ਮੁੱਖ ਤੌਰ 'ਤੇ Scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਸਾਡੇ [AI for Beginners' ਕਰਿਕੁਲਮ](https://aka.ms/ai4beginners) ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਪਾਠ [Data Science for Beginners' ਕਰਿਕੁਲਮ](https://aka.ms/ds4beginners) ਨਾਲ ਵੀ ਜੋੜੋ।
+Microsoft ਦੇ Cloud Advocates ਖੁਸ਼ ਹਨ ਕਿ ਉਹ 12 ਹਫਤੇ, 26 ਪਾਠਾਂ ਦਾ ਕੋਰਸ ਪੇਸ਼ ਕਰਦੇ ਹਨ ਜੋ ਸਿਰਫ਼ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਬਾਰੇ ਹੈ। ਇਸ ਕੋਰਸ ਵਿੱਚ, ਤੁਸੀਂ ਕਈ ਵਾਰੀ ਕਹਿਣ ਵਾਲੀ **ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਬਾਰੇ ਸਿੱਖੋਗੇ, ਜੋ ਮੁੱਖ ਤੌਰ ਤੇ Scikit-learn ਲਾਇਬਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਦਾ ਹੈ, ਜਿਸਨੂੰ ਸਾਡੀ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਨੂੰ ਸਾਡੀ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ਨਾਲ ਵੀ ਜੋੜੋ।
 
-ਸਾਡੇ ਨਾਲ ਦੁਨੀਆ ਭਰ ਦਾ ਸਫਰ ਕਰੋ ਜਿੱਥੇ ਅਸੀਂ ਕਲਾਸਿਕ ਤਕਨੀਕਾਂ ਨੂੰ ਵਿਸ਼ਵ ਭਰ ਦੇ ਡੇਟਾ 'ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਹਰ ਪਾਠ ਵਿੱਚ ਪ੍ਰੀ ਅਤੇ ਪੋਸਟ-ਪਾਠ ਕੁਇਜ਼, ਲਿਖਤੀ ਹਿੱਦਾਇਤਾਂ, ਹੱਲ, ਅਸਾਈਨਮੈਂਟ ਆਦਿੱ ਗਿੱਠੇ ਹਨ। ਸਾਡੀ ਪ੍ਰੋਜੈਕਟ ਆਧਾਰਤ ਪਾਠ ਸਿੱਖਣ ਦਾ ਤਰੀਕਾ ਹੈ ਜੋ ਕੰਮ ਕਰਦੇ ਹੋਏ ਸਿੱਖਣ ਨੂੰ ਸਰਗਰਮ ਰਖਦਾ ਹੈ, ਇਕ ਪ੍ਰਮਾਣਤ ਤਰੀਕਾ।
+ਸਾਡੇ ਨਾਲ ਦੁਨੀਆ ਭਰ ਦੀ ਯਾਤਰਾ ਕਰੋ ਜਦੋਂ ਅਸੀਂ ਇਹ ਕਲਾਸਿਕ ਤਕਨੀਕਾਂ ਸੰਸਾਰ ਦੇ ਕਈ ਖੇਤਰਾਂ ਦੇ ਡਾਟੇ 'ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਹਰ ਪਾਠ ਵਿੱਚ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਕਵੀਜ਼, ਲਿਖਤੀ ਹੁਕਮ, ਸਲੂਸ਼ਨ, ਅਸਾਈਨਮੈਂਟ ਅਤੇ ਹੋਰ ਹਨ। ਸਾਡੀ ਪ੍ਰੋਜੈਕਟ-ਮੁੱਖ ਪਾਠਯਕ੍ਰਮ ਦੇ ਨਾਲ ਤੁਸੀਂ ਬਣਾਉਂਦੇ ਹੋਏ ਸਿੱਖੋਗੇ, ਜੋ ਨਵੀਆਂ ਕੌਸ਼ਲਾਂ ਲਈ ਇੱਕ ਪਰਖਿਆ ਹੋਇਆ ਤਰੀਕਾ ਹੈ।
 
-**✍️ ਸਾਡੇ ਲੇਖਕਾਂ ਨੂੰ ਭਾਰੀ ਸ਼ੁਕਰਗੁਜ਼ਾਰੀ** ਜ਼ੇਨ ਲੂਪਰ, ਸਟੀਫ਼ਨ ਹਾਓਵਲ, ਫ੍ਰਾਂਸੇਸਕਾ ਲਾਜ਼ੇਰੀ, ਟੋਮੋਮੀ ਇਮੁਰਾ, ਕੈਸੀ ਬ੍ਰੇਵਿਊ, ਡਿਮਿਟਰੀ ਸੋਸ਼ਨਿਕੋਵ, ਕ੍ਰਿਸ ਨੋਰਿੰਗ, ਅਨੀਰਬਾਨ ਮੁਖਰਜੀ, ਓਰਨੈਲਾ ਅਲਟੂਨਯਨ, ਰੂਥ ਯਾਕੂਬੂ ਅਤੇ ਐਮੀ ਬੋਇਡ
+**✍️ ਸਾਡੇ ਲੇਖਕਾਂ ਨੂੰ ਦਿਲੋਂ ਧੰਨਵਾਦ** ਜੇਨ ਲੂਪਰ, ਸਟੀਫਨ ਹੋਵਲ, ਫ੍ਰਾਂਚੇਸਕਾ ਲਾਜ਼ੇਰੀ, ਟੋਮੇਮੀ ਇਮੁਰਾ, ਕੈਸੀ ਬਰੇਵਿਉ, ਡਿਮਿਟਰੀ ਸੋਸ਼ਨੀਕੋਵ, ਕ੍ਰਿਸ ਨੋਰਿੰਗ, ਅਨੀਰਬਨ ਮੁਖਰਜੀ, ਓਰੇਨਲਾ ਅਲਟੁਨਯਾਨ, ਰੁਥ ਯਾਕੁਬੂ ਅਤੇ ਐਮੀ ਬੋਇਡ
 
-**🎨 ਸਾਡੇ ਇਲਾਸਟਰਟਰਾਂ ਨੂੰ ਵੀ ਧੰਨਵਾਦ** ਟੋਮੋਮੀ ਇਮੁਰਾ, ਦਾਸਾਨੀ ਮਾਡਿਪੱਲੀ ਅਤੇ ਜੇਨ ਲੂਪਰ
+**🎨 ਸਾਡੇ ਚਿੱਤਰਕਾਰਾਂ ਨੂੰ ਵੀ ਧੰਨਵਾਦ** ਟੋਮੇਮੀ ਇਮੁਰਾ, ਦੁਸਾਨੀ ਮਾਦਿਪੱਲੀ, ਅਤੇ ਜੇਨ ਲੂਪਰ
 
-**🙏 ਖਾਸ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ ਮਾਈਕ੍ਰੋਸੌਫਟ ਸਟੂਡੈਂਟ ਅੈਂਬੈਸਡਰ ਲੇਖਕਾਂ, ਸਮੀਖਿਆਕਾਰਾਂ ਅਤੇ ਸਮੱਗਰੀ ਯੋਗਦਾਨਕਾਰਾਂ ਨੂੰ**, ਖਾਸ ਕਰਕੇ ਰਿਸ਼ਿਤ ਡਾਗਲੀ, ਮੁਹੰਮਦ ਸਾਕਿਬ ਖਾਨ ਇਨਾਨ, ਰੋਹਨ ਰਾਜ, ਅਲੇਕਜ਼ਾਂਦਰੂ ਪੇਟਰੈਸਕੂ, ਅਭਿਸ਼ੇਕ ਜੈਸਵਾਲ, ਨਾਵਰੀਨ ਤਬਾਸ਼ਮ, ਇਓਅਨ ਸਾਮੁਇਲਾ, ਅਤੇ ਸਨਿਗਧਾ ਅਗਰਵਾਲ 
+**🙏 ਖ਼ਾਸ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ Microsoft ਸਟੂਡੈਂਟ ਐਮਬੈਸਡਰ ਲੇਖਕਾਂ, ਸਮੀਖਿਆਕਾਰਾਂ ਅਤੇ ਸਮੱਗਰੀ ਯੋਗਦਾਨਕਾਰਾਂ**, ਖ਼ਾਸ ਕਰਕੇ ਰਿਸ਼ਿਤ ਦਾਗਲੀ, ਮੁਹੰਮਦ ਸਕਿਬ ਖਾਨ ਇਨਾਨ, ਰੋਹਨ ਰਾਜ, ਅਲੈਕਜ਼ੈਂਡਰੂ ਪੇਟਰੇਸਕੂ, ਅਭਿਸ਼ੇਕ ਜੈਸਵਾਲ, ਨਾਵਰੀਨ ਤਬਾਸ਼ੁਮ, ਈਆਨ ਸਮੂਇਲਾ, ਅਤੇ ਸਨਿੱਘਦਾ ਅਗਰਵਾਲ
 
-**🤩 ਵਾਧੂ ਸ਼ੁਕਰਗੁਜ਼ਾਰੀ ਮਾਈਕ੍ਰੋਸੌਫਟ ਸਟੂਡੈਂਟ ਅੈਂਬੈਸਡਰਜ਼ ਐਰਿਕ ਵਾਂਜਾਊ, ਜਸਲੀਨ ਸੋੰਢੀ ਅਤੇ ਵੀਦੁਸ਼ੀ ਗੁਪਤਾ ਨੂੰ ਸਾਡੇ R ਪਾਠ ਲਈ!**
+**🤩 ਵਾਧੂ ਸ਼ੁਕਰਾਨਾ Microsoft ਸਟੂਡੈਂਟ ਐਮਬੈਸਡਰਜ਼ ਏਰਿਕ ਵੰਜਾਊ, ਜਸਲੀਨ ਸੋਂਧੀ ਅਤੇ ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ ਨੂੰ ਸਾਡੇ R ਪਾਠਾਂ ਲਈ!**
 
-# ਸ਼ੁਰੂਆਤ ਕਰਨਾ
+# ਸ਼ੁਰੂਆਤ
 
-ਇਹ ਕਦਮ ਫਾਲੋ ਕਰੋ:
-1. **ਰਿਪੋਜ਼ਿਟਰੀ ਨੂੰ ਫੋਰਕ ਕਰੋ**: ਇਸ ਪੰਨੇ ਦੇ ਉਪਰ-ਸੱਜੇ ਕੋਨੇ ਵਿੱਚ "Fork" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
-2. **ਰਿਪੋਜ਼ਿਟਰੀ ਕਲੋਨ ਕਰੋ**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
+ਇਹ ਕਦਮ ਅਪਣਾਓ:
+1. **ਰਿਪੋਜ਼ਿਟਰੀ ਫੋਰਕ ਕਰੋ**: ਇਸ ਪੇਜ ਦੇ ਸੱਜੇ-ਉੱਪਰ ਵਾਲੇ "Fork" ਬਟਨ ’ਤੇ ਕਲਿੱਕ ਕਰੋ।
+2. **ਰਿਪੋ ਕਲੋਨ ਕਰੋ**:   `git clone https://github.com/microsoft/ML-For-Beginners.git`
 
-> [ਇਸ ਕੋਰਸ ਦੀਆਂ ਸਾਰੀਆਂ ਵਾਧੂ ਸੰਸਾਧਨਾਂ ਲਈ ਸਾਡੇ Microsoft Learn ਕलेकਸ਼ਨ ਵਿਚ ਖੋਜੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਡੇ Microsoft Learn ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਸਾਰੇ ਵਾਧੂ ਸਾਧਨ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
 
-> 🔧 **ਸਹਾਇਤਾ ਚਾਹੀਦੀ ਹੈ?** ਸਾਡੇ [Troubleshooting Guide](TROUBLESHOOTING.md) ਵਿੱਚ ਇੰਸਟਾਲੇਸ਼ਨ, ਸੈੱਟਅਪ ਅਤੇ ਪਾਠ ਚਲਾਉਣ ਦੇ ਆਮ ਮੁੱਦਿਆਂ ਦੇ ਸਮਾਧਾਨ ਹਨ।
+> 🔧 **ਮਦਦ ਚਾਹੀਦੀ ਹੈ?** ਸਾਡੇ [Troubleshooting Guide](TROUBLESHOOTING.md) ’ਚ ਇੰਸਟਾਲੇਸ਼ਨ, ਸੈੱਟਅਪ ਅਤੇ ਪਾਠ ਚੱਲਾਉਣ ਨਾਲ ਸੰਬੰਧਿਤ ਆਮ ਸਮੱਸਿਆਵਾਂ ਲਈ ਸਮਾਧਾਨ ਚੈੱਕ ਕਰੋ।
 
+**[ਵਿਦਿਆਰਥੀ](https://aka.ms/student-page)**, ਇਸ ਕੁਰਸ ਨੂੰ ਵਰਤਣ ਲਈ, ਪੂਰੀ ਰਿਪੋਜ਼ਿਟਰੀ ਆਪਣੇ GitHub ਖਾਤੇ ਵਿੱਚ ਫੋਰਕ ਕਰੋ ਅਤੇ ਧਿਆਨ ਨਾਲ ਅਭਿਆਸ ਕਰੋਂ:
 
-**[ਵਿਦਿਆਰਥੀ](https://aka.ms/student-page)**, ਇਸ ਕਰਿਕੁਲਮ ਨੂੰ ਵਰਤਣ ਲਈ, ਪੂਰੇ ਰਿਪੋ ਨੂੰ ਆਪਣੇ GitHub ਖਾਤੇ 'ਤੇ ਫੋਰਕ ਕਰੋ ਅਤੇ ਅਭਿਆਸ ਆਪਣੇ ਅੰਦਰ ਜਾਂ ਗਰੁੱਪ ਨਾਲ ਖਤਮ ਕਰੋ:
-
-- ਪ੍ਰੀ-ਲੈਕਚਰ ਕੁਇਜ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ।
-- ਲੈਕਚਰ ਪੜ੍ਹੋ ਅਤੇ ਸਰਗਰਮੀ ਪੂਰੀ ਕਰੋ, ਹਰ ਗਿਆਨ ਚੈਕ ਤੇ ਰੋਕ ਕੇ ਸੋਚ-ਵਿਚਾਰ ਕਰੋ।
-- ਕੋਡ ਸਲੂਸ਼ਨ ਚਲਾਉਣ ਦੀ ਬਜਾਏ ਪਾਠ ਨੂੰ ਸਮਝ ਕੇ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ; ਹਾਲਾਂਕਿ ਜਿਹੜਾ ਕੋਡ `/solution` ਫੋਲਡਰ ਵਿੱਚ ਹਰ ਪ੍ਰੋਜੈਕਟ-ਕੇਂਦ੍ਰਿਤ ਪਾਠ ਵਿੱਚ ਹੈ, ਉਹ ਉਪਲਬਧ ਹੈ।
-- ਪੋਸਟ-ਲੈਕਚਰ ਕੁਇਜ਼ ਲਵੋ।
-- ਚੈਲੰਜ ਪੂਰਾ ਕਰੋ।
+- ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵੀਜ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ।
+- ਲੈਕਚਰ ਪੜ੍ਹੋ ਅਤੇ ਗਤੀਵਿਧੀਆਂ ਪੂਰੀਆਂ ਕਰੋ, ਹਰ ਗਿਆਨ ਜਾਂਚ ’ਤੇ ਠਹਿਰੋ ਤੇ ਸੋਚੋ।
+- ਪਾਠ ਸਮਝ ਕੇ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਕੋਡ ਚਲਾਉਣ ਦੀ ਨਾ; ਫਿਰ ਵੀ ਕੋਡ `/solution` ਫੋਲਡਰ ਵਿੱਚ ਉਪਲਬਧ ਹੈ ਪ੍ਰੋਜੈਕਟ-ਕੇਂਦਰਤ ਪਾਠਾਂ ਲਈ।
+- ਪੋਸਟ-ਲੈਕਚਰ ਕਵੀਜ਼ ਦਿਓ।
+- ਚੈਲੇਂਜ ਪੂਰਾ ਕਰੋ।
 - ਅਸਾਈਨਮੈਂਟ ਪੂਰਾ ਕਰੋ।
-- ਪਾਠ ਗਰੁੱਪ ਖਤਮ ਕਰਨ ਤੋਂ ਬਾਅਦ, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ਤੇ ਜਾਓ ਅਤੇ موزوں PAT ਰੁਬ੍ਰਿਕ ਭਰ ਕੇ "ਲੌਡ ਸਿੱਖੋ"। 'PAT' ਮਤਲਬ ਪ੍ਰਗਟੀ ਦਰਜ਼ਾ ਟੂਲ ਹੈ ਜੋ ਤੁਹਾਡੇ ਸਿੱਖਣ ਲਈ ਇੱਕ ਰੁਬ੍ਰਿਕ ਹੈ। ਤੁਸੀਂ ਹੋਰ PATs 'ਤੇ ਵੀ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਅਸੀਂ ਸਾਰਿਆਂ ਨੂੰ ਇਕੱਠੇ ਸਿੱਖਣਾ ਮਿਲੇ।
+- ਇੱਕ ਲੇਖਾ ਗਰੁੱਪ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ’ਤੇ ਜਾਓ ਅਤੇ ‘ਲਰਨ ਆਉਟ ਲਾਊਡ’ ਕਰ ਨੂੰ ਯੋਗ ‘PAT ਰੂਬ੍ਰਿਕ’ ਭਰੋ। ‘PAT’ ਇੱਕ ਪ੍ਰਗਤੀ ਅੰਕਣ ਸੰਦ ਹੈ ਜੋ ਤੁਸੀਂ ਆਪਣੇ ਸਿੱਖਣ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਭਰਦੇ ਹੋ। ਤੁਸੀਂ ਹੋਰ PATs ਨੂੰ ਵੀ ਰੀਐਕਟ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਅਸੀਂ ਇਕੱਠੇ ਸਿੱਖੀਏ।
 
-> ਅਗਲੇ ਪਾਠ ਲਈ, ਅਸੀਂ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ ਇਹਨਾਂ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ਮਾਡਿਊਲਾਂ ਅਤੇ ਸਿੱਖਣ ਰਸਤੇ ਦੀ ਪਾਲਣਾ ਕਰੋ।
+> ਹੋਰ ਅਧਿਐਨ ਲਈ, ਅਸੀਂ ਇਹ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ਮਾਡਿਊਲ ਤੇ ਸਿਖਲਾਈ ਪਾਥਾਂ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ।
 
-**ਅਧਿਆਪਕ**, ਅਸੀਂ [ਕੁਝ ਸੁਝਾਵ](for-teachers.md) ਦਿੱਤੇ ਹਨ ਕਿ ਕਿਵੇਂ ਇਹ ਕਰਿਕੁਲਮ ਵਰਤਣਾ ਹੈ।
+**ਅਧਿਆਪਕ**, ਸਾਡੀ ਇਸ ਕੁਰਸ ਬਾਰੇ ਕੁਝ [ਸੁਝਾਵਾਂ](for-teachers.md) ਵੀ ਹਨ ਜੋ ਤੁਸੀਂ ਵਰਤ ਸਕਦੇ ਹੋ।
 
 ---
 
 ## ਵੀਡੀਓ ਵਾਕਥਰੂ
 
-ਕੁਝ ਪਾਠ ਛੋਟੇ ਵੀਡੀਓ ਰੂਪ ਵਿੱਚ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ ਇਹਨਾਂ ਨੂੰ ਪਾਠਾਂ ਵਿੱਚ ਸਿੱਧਾ ਦੇਖ ਸਕਦੇ ਹੋ ਜਾਂ [Microsoft Developer YouTube ਚੈਨਲ 'ਤੇ ML for Beginners ਪਲੇਲਿਸਟ](https://aka.ms/ml-beginners-videos) ’ਤੇ ਚਲਾਉਣ ਲਈ ਹੇਠਾਂ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+ਕੁਝ ਪਾਠ ਛੋਟੀ ਵੀਡੀਓ ਦੇ ਰੂਪ ਵਿੱਚ ਉਪਲੱਬਧ ਹਨ। ਇਹ ਤੁਹਾਨੂੰ ਪਾਠਾਂ ਵਿੱਚ ਇਨ-ਲਾਈਨ ਮਿਲਣਗੀਆਂ ਜਾ [Microsoft Developer YouTube ਚੈਨਲ ’ਤੇ ML for Beginners ਪਲੇਲਿਸਟ](https://aka.ms/ml-beginners-videos) ‘ਤੇ ਵੀ।
 
 [![ML for beginners banner](../../translated_images/pa/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
 
@@ -89,86 +88,87 @@
 
 [![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU)
 
-**ਗਿਫ ਤਿਆਰ ਕੀਤਾ** [ਮੋਹਿਤ ਜੈਸਲ](https://linkedin.com/in/mohitjaisal)
+**ਗਿਫ਼ -** [ਮੋਹਿਤ ਜੈਸਲ](https://linkedin.com/in/mohitjaisal)
 
-> 🎥 ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਬਣਾਉਣ ਵਾਲੇ ਲੋਕਾਂ ਬਾਰੇ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਉਪਰੋਕਤ ਤਸਵੀਰ ’ਤੇ ਕਲਿੱਕ ਕਰੋ!
+> 🎥 ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ ‘ਤੇ ਕਲਿੱਕ ਕਰੋ ਪ੍ਰੋਜੈਕਟ ਬਾਰੇ ਵੀਡੀਓ ਅਤੇ ਇਸਨੂੰ ਬਣਾਉਣ ਵਾਲਿਆਂ ਨੂੰ ਦੇਖਣ ਲਈ!
 
 ---
 
-## ਪੈਡਾਗੋਜੀ
+## ਪੇਡਾਗੋਜ਼ੀ
 
-ਅਸੀਂ ਇਸ ਕਰਿਕੁਲਮ ਦਾ ਨਿਰਮਾਣ ਕਰਦੇ ਸਮੇਂ ਦੋ ਮੁੱਖ ਅਸੂਲ ਚੁਣੇ ਹਨ: ਇਹ ਹੱਥਾਂ-ਵਿੱਚ-ਹੱਥ ਹੋ ਕੇ **ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ** ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ **ਅਕਸਰ ਕੁਇਜ਼** ਸ਼ਾਮਿਲ ਹਨ। ਇਸ ਦੇ ਨਾਲ, ਇਸ ਕਰਿਕੁਲਮ ਵਿੱਚ ਇੱਕ ਸਾਂਝਾ **ਥੀਮ** ਵੀ ਹੈ ਜੋ ਇਸਨੂੰ ਏਕਜੁਟਤਾ ਦਿੰਦਾ ਹੈ।
+ਇਸ ਕੋਰਸ ਬਣਾਉਂਦੇ ਸਮੇਂ ਅਸੀਂ ਦੋ ਅਹੰਕਾਰਪੂਰਨ ਸਿਧਾਂਤ ਚੁਣੇ ਹਨ: ਹੋਵੇ ਹੱਥ-ਨਾਲ ਕੀਤੇ ਜਾਣ ਵਾਲੇ **ਪ੍ਰੋਜੈਕਟ-ਆਧਾਰਿਤ** ਅਤੇ ਘਣਘੋਰ **ਕਵੀਜ਼**। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਸ ਕੋਰਸ ਵਿੱਚ ਇੱਕ ਸਾਂਝਾ **ਥੀਮ** ਹੈ ਜੋ ਇਸਨੂੰ ਇਕੱਠਾ ਕਰਦੀ ਹੈ।
 
-ਸਮੱਗਰੀ ਨੂੰ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਜੋੜ ਕੇ, ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਪ੍ਰਕਿਰਿਆ ਹੋਰ ਦਿਲਚਸਪ ਬਣਾਈ ਜਾਂਦੀ ਹੈ ਅਤੇ ਧਾਰਨਾ ਨੂੰ ਜ਼ਿਆਦਾ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ। ਖ਼ਾਸ ਕਰਕੇ, ਇੱਕ ਨਿਮਨ-ਦਾਅਵਾ ਵਾਲਾ ਕੁਇਜ਼ ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਵਿਦਿਆਰਥੀ ਨੂੰ ਵਿਸ਼ੇ ਸਿੱਖਣ ਲਈ ਮਨ-ਮੱਨ ਕਰਾਉਂਦਾ ਹੈ, ਅਤੇ ਦੂਜਾ ਕੁਇਜ਼ ਕਲਾਸ ਦੇ ਬਾਅਦ ਹੋਰ ਧਾਰਨਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ। ਇਸ ਕਰਿਕੁਲਮ ਨੂੰ ਲਚਕੀਲਾ ਅਤੇ ਮਨੋਰੰਜਕ ਬਣਾਇਆ ਗਿਆ ਹੈ ਜੋ ਪੂਰਾ ਜਾਂ ਹਿੱਸੇ ਵਜੋਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟ ਛੋਟੇ-ਛੋਟੇ ਅਤੇ 12 ਹਫ਼ਤਿਆਂ ਦੇ ਅੰਤ ਤੱਕ ਬਹੁਤ ਜਟਿਲ ਹੋ ਜਾਂਦੇ ਹਨ। ਇਸ ਕਰਿਕੁਲਮ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਅਰਜ਼ੀਆਂ ਤੇ ਇੱਕ ਪੋਸਟਸਕ੍ਰਿਪਟ ਵੀ ਸ਼ਾਮਿਲ ਹੈ, ਜੋ ਵਾਧੂ ਕ੍ਰੈਡਿਟ ਜਾਂ ਚਰਚਾ ਲਈ ਬਨੀਅਾਦ ਦਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ।
+ਇਹ ਗੱਲ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਸਮੱਗਰੀ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਮਿਲਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਧੀਆ ਅਤੇ ਮਨੋਰੰਜਕ ਬਣਦੀ ਹੈ ਅਤੇ ਧਾਰਣਾ ਨਿਭ ਰਹੀ ਹੈ। ਇੱਕ ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਲੋ-ਸਟੇਕਸ ਕਵੀਜ਼ ਸਿੱਖਣ ਦੇ ਮਨੋਰਥ ਨੂੰ ਸੈੱਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਕਲਾਸ ਤੋਂ ਬਾਅਦ ਦੂਜਾ ਕਵੀਜ਼ ਪੁਨਰਾਨੁਸ੍ਰਿਤੀ ਨੂੰ ਯਕੀਨੀ ਬਨਾਊਂਦਾ ਹੈ। ਇਹ ਕੋਰਸ ਲਚਕੀਲਾ ਅਤੇ ਮਨੋਰੰਜਕ ਹੈ ਜੋ ਪੂਰਾ ਜਾਂ ਹਿੱਸਾ ਵਜੋਂ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟ ਛੋਟੇ-ਛੋਟੇ ਹੋ ਕੇ 12 ਹਫ਼ਤਿਆਂ ਦੇ ਅੰਤ ਤੱਕ ਮੁਸ਼ਕਲ ਹੁੰਦੇ ਹਨ। ਇਹ ਕੋਰਸ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ML ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਾਰੇ ਇੱਕ ਪੋਸਟਸਕ੍ਰਿਪਟ ਸਮੇਤ ਹੈ ਜੋ ਵਾਧੂ ਸ੍ਰੇਡੀ ਕਰੈਡਿਟ ਜਾਂ ਚਰਚਾ ਦੇ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
 
-> ਸਾਡਾ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), ਅਤੇ [Troubleshooting](TROUBLESHOOTING.md) ਮੈਨੂਅਲ ਵੇਖੋ। ਅਸੀਂ ਤੁਹਾਡੇ конструктив ਫੀਡਬੈਕ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ!
+> ਸਾਡਾ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), ਅਤੇ [Troubleshooting](TROUBLESHOOTING.md) ਗਾਈਡਲਾਈਨਜ਼ ਵੇਖੋ। ਅਸੀਂ ਤੁਹਾਡੇ ਸਦਭਾਵਪੂਰਕ ਪ੍ਰਤੀਕਿਰਿਆ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ!
 
 ## ਹਰ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੈ
 
-- ਵਿਕਲਪੀ ਸਕੇਚਨੋਟ
-- ਵਿਕਲਪੀ ਸਹਾਇਕ ਵੀਡੀਓ
+- ਵਿਕਲਪਿਕ ਸਕੈਚਨੋਟ
+- ਵਿਕਲਪਿਕ ਸਹਾਇਕ ਵੀਡੀਓ
 - ਵੀਡੀਓ ਵਾਕਥਰੂ (ਕੁਝ ਪਾਠਾਂ ਲਈ)
-- [ਪ੍ਰੀ-ਲੈਕਚਰ ਵਰਮਅੱਪ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+- [ਪ੍ਰੀ-ਲੈਕਚਰ ਵਾਰਮਅਪ ਕਵੀਜ਼](https://ff-quizzes.netlify.app/en/ml/)
 - ਲਿਖਤੀ ਪਾਠ
-- ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਪਾਠਾਂ ਲਈ, ਪਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਵਧੇਰੇ-ਵਧੇਰੇ ਹਦਾਇਤਾਂ
-- ਗਿਆਨ ਚੈੱਕ
-- ਇੱਕ ਚੈਲੰਜ
+- ਪ੍ਰੋਜੈਕਟ-ਆਧਾਰਿਤ ਪਾਠਾਂ ਲਈ, ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਵਿਵਰਣਾਤਮਕ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼
+- ਗਿਆਨ ਜਾਂਚਾਂ
+- ਚੈਲੇਂਜ
 - ਸਹਾਇਕ ਪੜ੍ਹਾਈ
 - ਅਸਾਈਨਮੈਂਟ
-- [ਪੋਸਟ-ਲੈਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
-
-> **ਭਾਸ਼ਾਵਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਇਹ ਪਾਠ ਮੁੱਖਤੌਰ 'ਤੇ Python ਵਿੱਚ ਲਿਖੇ ਗਏ ਹਨ, ਪਰ ਬਹੁਤ ਸਾਰੇ R ਵਿੱਚ ਵੀ ਉਪਲਬਧ ਹਨ। R ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ, `/solution` ਫੋਲਡਰ ਵਿੱਚ ਜਾਓ ਅਤੇ R ਪਾਠਾਂ ਨੂੰ ਲੱਭੋ। ਇਹਨਾਂ ਵਿੱਚ .rmd ਐਕਸਟੈਂਸ਼ਨ ਹੁੰਦਾ ਹੈ ਜੋ **R Markdown** ਫਾਇਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ `code chunks` (R ਜਾਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਦੇ) ਅਤੇ ਇੱਕ `YAML ਹੈਡਰ` ਰੱਖਦਾ ਹੈ (ਜੋ PDF ਵਰਗੇ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਫਾਰਮੈਟ ਕਰਦਾ ਹੈ) ਇੱਕ `Markdown ਡੌਕਯੂਮੈਂਟ` ਵਿੱਚ ਮਿਲ ਕੇ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਇੱਕ ਸਰਵੋਤਮ ਲੇਖਕ ਫਰੇਮਵਰਕ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੁਹਾਡੇ ਕੋਡ, ਇਸਦਾ ਨਤੀਜਾ ਅਤੇ ਤੁਹਾਡੇ ਵਿਚਾਰਾਂ ਨੂੰ ਇੱਕਸਾਥ ਕਰਦਾ ਹੈ ਅਤੇ ਤੁਸੀਂ Markdown ਵਿੱਚ ਲਿਖ ਸਕਦੇ ਹੋ। ਇਸ ਤੋਂ ਇਲਾਵਾ, R Markdown ਡੌਕਯੂਮੈਂਟ PDF, HTML ਜਾਂ Word ਵਰਗੇ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
-> **ਕਵਿਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੀਆਂ ਕਵਿਜ਼ਾਂ [Quiz App ਫੋਲਡਰ](../../quiz-app) ਵਿੱਚ ਹਨ, ਹਰ ਇੱਕ ਵਿੱਚ ਤਿੰਨ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਨਾਲ ਕੁੱਲ 52 ਕਵਿਜ਼ ਹਨ। ਇਹਨਾਂ ਨੂੰ ਪਾਠਾਂ ਵਿੱਚ ਲਿੰਕ ਕੀਤਾ ਗਿਆ ਹੈ ਪਰ ਕਵਿਜ਼ ਐਪ ਲੋਕਲ ਤੌਰ 'ਤੇ ਚਲਾਈ ਜਾ ਸਕਦੀ ਹੈ; ਲੋਕਲ ਤੌਰ 'ਤੇ ਹੋਸਟ ਕਰਨ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੌਇ ਕਰਨ ਲਈ `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੇ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।
-
-| ਪਾਠ ਅੰਕ |                              ਵਿਸ਼ਾ                              |                     ਪਾਠ ਸਮੂਹ                      | ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼                                                                                                               |                                                           ਲਿੰਕ ਕੀਤਾ ਪਾਠ                                                            |                         ਲੇਖਕ                         |
-| :------: | :------------------------------------------------------------: | :-----------------------------------------------: | --------------------------------------------------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
-|    01    |                  ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ                    |        [Introduction](1-Introduction/README.md)         | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੁਢਲੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਿੱਖੋ                                                                              |                                              [Lesson](1-Introduction/1-intro-to-ML/README.md)                                              |                       ਮੁਹੰਮਦ                         |
-|    02    |                  ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ                   |        [Introduction](1-Introduction/README.md)         | ਇਸ ਖੇਤਰ ਦੇ ਇਤਿਹਾਸ ਨੂੰ ਸਮਝੋ                                                                                                |                                              [Lesson](1-Introduction/2-history-of-ML/README.md)                                             |                     ਜੈਨ ਅਤੇ ਐਮੀ                      |
-|    03    |                   ਨਿਆਇਕਤਾ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ                |        [Introduction](1-Introduction/README.md)         | ਨਿਆਇਕਤਾ ਦੇ ਸੌਂਦਰਵਿਕ ਮੁੱਦੇ ਕੀ ਹਨ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਤੇ ਲਾਗੂ ਕਰਨ ਸਮੇਂ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੇ ਚਾਹੀਦੇ ਹਨ?              |                                               [Lesson](1-Introduction/3-fairness/README.md)                                                |                         ਟੋਮੋਮੀ                        |
-|    04    |                  ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀਆਂ ਤਕਨੀਕਾਂ                |        [Introduction](1-Introduction/README.md)         | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਖੋਜਕਰਤਾ ਕਿਹੜੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਨ?                                                   |                                           [Lesson](1-Introduction/4-techniques-of-ML/README.md)                                            |                   ਕ੍ਰਿਸ ਅਤੇ ਜੈਨ                     |
-|    05    |                    ਰਿਗ੍ਰੈਸ਼ਨ ਦਾ ਪਰਿਚਯ                      |           [Regression](2-Regression/README.md)          | ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ                                                               |         [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)            |      ਜੈਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
-|    06    |                ਉੱਤਰ ਅਮਰੀਕੀ ਕੱਦੂ ਦੀ ਕੀਮਤਾਂ 🎃               |           [Regression](2-Regression/README.md)          | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਡਾਟਾ ਨੂੰ ਵੇਖੋ ਅਤੇ ਸਾਫ਼ ਕਰੋ                                                                                |          [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html)          |      ਜੈਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
-|    07    |                ਉੱਤਰ ਅਮਰੀਕੀ ਕੱਦੂ ਦੀ ਕੀਮਤਾਂ 🎃               |           [Regression](2-Regression/README.md)          | ਰੇਖੀ ਅਤੇ ਬਹੁਪਦ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ                                                                                        |        [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)        |      ਜੈਨ ਅਤੇ ਦਿਮਿਤਰੀ • ਐਰਿਕ ਵਾਂਜਾਊ       |
-|    08    |                ਉੱਤਰ ਅਮਰੀਕੀ ਕੱਦੂ ਦੀ ਕੀਮਤਾਂ 🎃               |           [Regression](2-Regression/README.md)          | ਇੱਕ ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ                                                                                           |     [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)      |      ਜੈਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
-|    09    |                        ਇੱਕ ਵੈੱਬ ਐਪ 🔌                       |              [Web App](3-Web-App/README.md)              | ਆਪਣਾ ਪ੍ਰਸ਼ਿੱਖਤ ਮਾਡਲ ਵਰਤਣ ਲਈ ਵੈੱਬ ਐਪ ਬਣਾਓ                                                                                 |                                                [Python](3-Web-App/1-Web-App/README.md)                                                   |                         ਜੈਨ                          |
-|    10    |                    ਵੈਰਗੀਕਰਨ ਦਾ ਪਰਿਚਯ                      |         [Classification](4-Classification/README.md)    | ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸਾਫ਼, ਤਿਆਰ ਕਰੋ ਅਤੇ ਵੇਖੋ; ਵੈਰਗੀਕਰਨ ਦਾ ਪਰਿਚਯ                                                                | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ਜੈਨ ਅਤੇ ਕੈਸੀ • ਐਰਿਕ ਵਾਂਜਾਊ |
-|    11    |              ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜           |         [Classification](4-Classification/README.md)    | ਕਲਾਸੀਫਾਇਰਜ਼ ਦਾ ਪਰਿਚਯ                                                                                                     | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ਜੈਨ ਅਤੇ ਕੈਸੀ • ਐਰਿਕ ਵਾਂਜਾਊ |
-|    12    |              ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜           |         [Classification](4-Classification/README.md)    | ਹੋਰ ਕਲਾਸੀਫਾਇਰਜ਼                                                                                                           | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ਜੈਨ ਅਤੇ ਕੈਸੀ • ਐਰਿਕ ਵਾਂਜਾਊ |
-|    13    |              ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜           |         [Classification](4-Classification/README.md)    | ਆਪਣੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਸਿਫਾਰਸ਼ੀ ਵੈੱਬ ਐਪ ਬਣਾਓ                                                                     |                                              [Python](4-Classification/4-Applied/README.md)                                              |                         ਜੈਨ                          |
-|    14    |                    ਗੂੰਦਿਆਂ ਦਾ ਪਰਿਚਯ                       |           [Clustering](5-Clustering/README.md)          | ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸਾਫ਼, ਤਿਆਰ ਕਰੋ ਅਤੇ ਵੇਖੋ; ਗੂੰਦਿਆਂ ਦਾ ਪਰਿਚਯ                                                                   |         [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html)         |      ਜੈਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
-|    15    |             ਨਾਈਜੇਰੀਆਈ ਸੰਗੀਤਕ ਰੁਚੀਆਂ ਦੀ ਖੋਜ 🎧           |           [Clustering](5-Clustering/README.md)          | K-Means ਗੂੰਦਿਆਂ ਦੀ ਵਿਧੀ ਦਾ ਪਤਾ ਲਗਾਓ                                                                                        |           [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html)           |      ਜੈਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
-|    16    |             ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ ਦਾ ਪਰਿਚਯ ☕️             |       [Natural language processing](6-NLP/README.md)    | ਇੱਕ ਸਾਦਾ ਬੋਟ ਬਣਾ ਕੇ NLP ਦੀਆਂ ਬੁਨਿਆਦੀਆਂ ਸਿੱਖੋ                                                                              |                                             [Python](6-NLP/1-Introduction-to-NLP/README.md)                                              |                       ਸਟੀਫਨ                        |
-|    17    |                    ਆਮ NLP ਕਾਰਜ ☕️                         |       [Natural language processing](6-NLP/README.md)    | ਭਾਸ਼ਾ ਦੀਆਂ ਰਚਨਾਵਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਲੋੜੀਂਦੇ ਆਮ ਕਾਰਜਾਂ ਦੀ ਸਮਝ ਵਧਾਓ                                                           |                                                    [Python](6-NLP/2-Tasks/README.md)                                                     |                       ਸਟੀਫਨ                        |
-|    18    |             ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ♥️              |       [Natural language processing](6-NLP/README.md)    | ਜੇਨ ਆਸਟਿਨ ਨਾਲ ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ                                                                                |                                            [Python](6-NLP/3-Translation-Sentiment/README.md)                                             |                       ਸਟੀਫਨ                        |
-|    19    |                ਯੂਰਪ ਦੇ ਪ੍ਰੇਮਮਈ ਹੋਟਲ ♥️                    |       [Natural language processing](6-NLP/README.md)    | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ 1                                                                                   |                                               [Python](6-NLP/4-Hotel-Reviews-1/README.md)                                                |                       ਸਟੀਫਨ                        |
-|    20    |                ਯੂਰਪ ਦੇ ਪ੍ਰੇਮਮਈ ਹੋਟਲ ♥️                    |       [Natural language processing](6-NLP/README.md)    | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ 2                                                                                   |                                               [Python](6-NLP/5-Hotel-Reviews-2/README.md)                                                |                       ਸਟੀਫਨ                        |
-|    21    |               ਸਮੇਂ ਦੀ ਲੜੀ ਭਵਿੱਖਵਾਣੀ ਦਾ ਪਰਿਚਯ              |             [Time series](7-TimeSeries/README.md)        | ਸਮੇਂ ਦੀ ਲੜੀ ਭਵਿੱਖਵਾਣੀ ਦਾ ਪਰਿਚਯ                                                                                             |                                             [Python](7-TimeSeries/1-Introduction/README.md)                                              |                    ਫਰਾਂਸਿਸਕਾ                       |
-|    22    | ⚡️ ਵਿਸ਼ਵ ਬਿਜਲੀ ਖਪਤ ⚡️ - ARIMA ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਭਵਿੱਖਵਾਣੀ |             [Time series](7-TimeSeries/README.md)        | ARIMA ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਭਵਿੱਖਵਾਣੀ                                                                                            |                                                 [Python](7-TimeSeries/2-ARIMA/README.md)                                                 |                    ਫਰਾਂਸਿਸਕਾ                       |
-|    23    | ⚡️ ਵਿਸ਼ਵ ਬਿਜਲੀ ਖਪਤ ⚡️ - SVR ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਭਵਿੱਖਵਾਣੀ  |             [Time series](7-TimeSeries/README.md)        | Support Vector Regressor ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਭਵਿੱਖਵਾਣੀ                                                                           |                                                  [Python](7-TimeSeries/3-SVR/README.md)                                                  |                     ਅਨੀਰਬਨ                         |
-|    24    |            ਰੀਇੰਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ                    |          [Reinforcement learning](8-Reinforcement/README.md)   | Q-Learning ਨਾਲ ਰੀਇੰਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ                                                                                |                                             [Python](8-Reinforcement/1-QLearning/README.md)                                              |                      ਦਿਮਿਤਰੀ                         |
-|    25    |                  ਪੀਟਰ ਨੂੰ ਭੇਦੀਆ ਤੋਂ ਬਚਾਓ! 🐺                 |          [Reinforcement learning](8-Reinforcement/README.md)   | ਰੀਇੰਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਜਿਮ                                                                                                  |                                                [Python](8-Reinforcement/2-Gym/README.md)                                                 |                      ਦਿਮਿਤਰੀ                         |
-|  ਪੋਸਟਸਕ੍ਰਿਪਟ  |            ਅਸਲੀ ਦੁਨੀਆ ਦੇ ML ਸਹੂਲਤਾਂ ਅਤੇ ਇਸ਼ਤੇਮਾਲ             |          [ML in the Wild](9-Real-World/README.md)         | ਪ੍ਰਾਚੀਨ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਦਿਲਚਸਪ ਅਤੇ ਖੁਲਾਸਾ ਕਰਦੇ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਇਸ਼ਤੇਮਾਲ                                                        |                                             [Lesson](9-Real-World/1-Applications/README.md)                                              |                         ਟੀਮ                          |
-|  ਪੋਸਟਸਕ੍ਰਿਪਟ  |               RAI ਡੈਸ਼ਬੋਰਡ ਨਾਲ ML ਮਾਡਲ ਡਿਬੱਗਿੰਗ              |          [ML in the Wild](9-Real-World/README.md)         | ਜ਼ਿੰਮੇਵਾਰ AI ਡੈਸ਼ਬੋਰਡ ਕੰਪੋਨੈਂਟ ਦੀ ਵਰਤੋਂ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਮਾਡਲ ਡਿਬੱਗਿੰਗ                                                   |                                             [Lesson](9-Real-World/2-Debugging-ML-Models/README.md)                                              |                       ਰੁਥ ਯਾਕੁਬੂ                |
-
-> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤ ਮਾਈਕ੍ਰੋਸੌਫਟ ਲਰਨ ਕਲੈਕਸ਼ਨ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
-
-## ਅਫਲਾਈਨ ਪਹੁੰਚ
-
-ਤੁਸੀਂ ਇਹ ਦਸਤਾਵੇਜ਼ੀਕਰਨ [Docsify](https://docsify.js.org/#/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ। ਇਸ ਰੀਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ, [Docsify ਇੰਸਟਾਲ ਕਰੋ](https://docsify.js.org/#/quickstart) ਆਪਣੇ ਲੋਕਲ ਮਸ਼ੀਨ 'ਤੇ, ਤੇ ਫਿਰ ਇਸ ਰੀਪੋ ਦੇ ਰੂਟ ਫੋਲਡਰ ਵਿੱਚ `docsify serve` ਟਾਈਪ ਕਰੋ। ਵੈੱਬਸਾਈਟ ਤੁਹਾਡੇ ਲੋਕਲਹੋਸਟ `localhost:3000` ਤੇ ਪੋਰਟ 3000 'ਤੇ ਚਲਾਈ ਜਾਵੇਗੀ।
+- [ਪੋਸਟ-ਲੈਕਚਰ ਕਵੀਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+
+> **ਭਾਸ਼ਾਵਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਇਹ ਪਾਠ ਮੁੱਖ ਤੌਰ ’ਤੇ ਪਾਇਥਨ ਵਿੱਚ ਲਿਖੇ ਗਏ ਹਨ, ਪਰ ਕਈ R ਵਿੱਚ ਵੀ ਉਪਲਬਧ ਹਨ। R ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ, `/solution` ਫੋਲਡਰ ਵਿੱਚ R ਪਾਠ ਖੋਜੋ। ਇਹਨਾਂ ਵਿੱਚ .rmd ਫਾਈਲ ਹੁੰਦੀ ਹੈ ਜੋ **R Markdown** ਫਾਈਲ ਨੁਮਾਇੰਦਗੀ ਕਰਦੀ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ 'ਕੋਡ ਚੰਕ' (R ਜਾਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ) ਅਤੇ ਇੱਕ 'YAML ਹੈਡਰ' (ਜੋ PDF ਵਰਗੀਆਂ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਫਾਰਮੈਟ ਕਰਨ ਦਾ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਦਿੰਦਾ ਹੈ) ਨੂੰ ਸ਼ਾਮਿਲ ਕਰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਇੱਕ ਉਦਾਹਰਨੀ ਲੇਖਕ ਫਰੇਮਵਰਕ ਟੂਲ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਆਪਣਾ ਕੋਡ, ਉਸ ਦਾ ਨਤੀਜਾ, ਅਤੇ ਆਪਣੇ ਵਿਚਾਰ ਮਾਰਕਡਾਊਨ ਫਾਈਲ ਵਿੱਚ ਲਿਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, R Markdown ਦਸਤਾਵੇਜ਼ PDF, HTML ਜਾਂ Word ਵਰਗੇ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਰੈਂਡਰ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
+> **ਕੁਇਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੇ ਕੁਇਜ਼ [Quiz App folder](../../quiz-app) ਵਿੱਚ ਹਨ, ਜੋ ਕਿ ਹਰ ਇੱਕ ਵਿੱਚ ਤਿੰਨ ਪ੍ਰਸ਼ਨਾਂ ਵਾਲੇ 52 ਕੁਇਜ਼ਾਂ ਦਾ ਸਮੂਹ ਹੈ। ਇਹਨਾਂ ਨੂੰ ਪਾਠਾਂ ਦੇ ਅੰਦਰੋਂ ਲਿੰਕ ਕੀਤਾ ਗਿਆ ਹੈ ਪਰ ਕੁਇਜ਼ ਐਪ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ; ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਹੋਸਟ ਜਾਂ ਏਜ਼ਯੂਰ 'ਤੇ ਡਿਪਲੋਏ ਕਰਨ ਲਈ `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੇ ਹੁਕਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।
+
+| ਪਾਠ ਨੰਬਰ |                             ਵਿਸ਼ਾ                              |                   ਪਾਠ ਸਮੂਹ                   | ਸਿੱਖਣ ਦੇ ਉਦਦੇਸ਼                                                                                                             |                                                              ਲਿੰਕਡ ਪਾਠ                                                               |                        ਲੇਖਕ                        |
+| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
+|      01       |                ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ                |      [Introduction](1-Introduction/README.md)       | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਲ ਧਾਰਣਾ ਨੂੰ ਸਿੱਖੋ                                                                                |                                             [Lesson](1-Introduction/1-intro-to-ML/README.md)                                             |                       ਮੁਹੰਮਦ                       |
+|      02       |                ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ                 |      [Introduction](1-Introduction/README.md)       | ਇਸ ਖੇਤਰ ਦਾ ਇਤਿਹਾਸ ਜਾਣੋ                                                                                         |                                            [Lesson](1-Introduction/2-history-of-ML/README.md)                                            |                     ਜੇਨ ਅਤੇ ਐਮੀ                      |
+|      03       |                 ਨਿਆਂ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ                  |      [Introduction](1-Introduction/README.md)       | ਨਿਆਂ ਨਾਲ ਜੁੜੇ ਮਹੱਤਵਪੂਰਣ ਦਰਸ਼ਨਸ਼ਾਸਤਰਕ ਮੁੱਦੇ ਕੀ ਹਨ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਐਮਐਲ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੌਰਾਨ ਸੋਚਣੇ ਚਾਹੀਦੇ ਹਨ? |                                              [Lesson](1-Introduction/3-fairness/README.md)                                               |                        ਟੋਮੋਮੀ                        |
+|      04       |                ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਤਕਨੀਕਾਂ                 |      [Introduction](1-Introduction/README.md)       | ਐਮਐਲ ਖੋਜਕਾਰ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਕਿਹੜੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ?                                                                       |                                          [Lesson](1-Introduction/4-techniques-of-ML/README.md)                                           |                    ਕ੍ਰਿਸ ਅਤੇ ਜੇਨ                     |
+|      05       |                   ਰਿਗ੍ਰੈਸ਼ਨ ਦਾ ਪਰਿਚਯ                   |        [Regression](2-Regression/README.md)         | ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ                                                                  |         [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)         |      ਜੇਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
+|      06       |                ਉੱਤਰ ਅਮਰੀਕੀ ਕਦੂਆਂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃                |        [Regression](2-Regression/README.md)         | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਡਾਟਾ ਨੂੰ ਵੇਖੋ ਅਤੇ ਸਾਫ ​​ਕਰੋ                                                                                  |          [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html)          |      ਜੇਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
+|      07       |                ਉੱਤਰ ਅਮਰੀਕੀ ਕਦੂਆਂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃                |        [Regression](2-Regression/README.md)         | ਰੇਖੀਅ ਅਤੇ ਪਾਲੀਨੋਮੀਅਲ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ                                                                                   |        [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)        |      ਜੇਨ ਅਤੇ ਦਮੀਤਰੀ • ਐਰਿਕ ਵਾਂਜਾਊ       |
+|      08       |                ਉੱਤਰ ਅਮਰੀਕੀ ਕਦੂਆਂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃                |        [Regression](2-Regression/README.md)         | ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ                                                                                               |     [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)      |      ਜੇਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
+|      09       |                          ਇੱਕ ਵੈੱਬ ਐਪ 🔌                          |           [Web App](3-Web-App/README.md)            | ਆਪਣੇ ਟਰੇਨ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਵੈੱਬ ਐਪ ਬਣਾਓ                                                                                       |                                                 [Python](3-Web-App/1-Web-App/README.md)                                                  |                         ਜੇਨ                          |
+|      10       |                 ਵਰਗੀਕਰਨ ਦਾ ਪਰਿਚਯ                 |    [Classification](4-Classification/README.md)     | ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸਾਫ ​​ਕਰੋ, ਤਿਆਰ ਕਰੋ ਅਤੇ ਵੇਖੋ; ਵਰਗੀਕਰਨ ਦਾ ਪਰਿਚਯ                                                            | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html)  | ਜੇਨ ਅਤੇ ਕੈਸੀ • ਐਰਿਕ ਵਾਂਜਾਊ |
+|      11       |             ਸੁਆਦਿਲੇ ਐਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਭੋਜਨ 🍜             |    [Classification](4-Classification/README.md)     | ਵਰਗੀਕਰਨ ਵਾਲੇ ਦੇ ਉਪਕਰਨਾਂ ਦਾ ਪਰਿਚਯ                                                                                                     | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ਜੇਨ ਅਤੇ ਕੈਸੀ • ਐਰਿਕ ਵਾਂਜਾਊ |
+|      12       |             ਸੁਆਦਿਲੇ ਐਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਭੋਜਨ 🍜             |    [Classification](4-Classification/README.md)     | ਹੋਰ ਵਰਗੀ ਕਰਤਾ                                                                                                                | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ਜੇਨ ਅਤੇ ਕੈਸੀ • ਐਰਿਕ ਵਾਂਜਾਊ |
+|      13       |             ਸੁਆਦਿਲੇ ਐਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਭੋਜਨ 🍜             |    [Classification](4-Classification/README.md)     | ਆਪਣੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਰਿਕਮੇਂਡਰ ਵੈੱਬ ਐਪ ਬਣਾਓ                                                                                    |                                              [Python](4-Classification/4-Applied/README.md)                                              |                         ਜੇਨ                          |
+|      14       |                   ਕੁਲਸੇ ਵਿੱਚ ਪਰਿਚਯ                   |        [Clustering](5-Clustering/README.md)         | ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸਾਫ ​​ਕਰੋ, ਤਿਆਰ ਕਰੋ ਅਤੇ ਵੇਖੋ; ਕੁਲਸੇ ਵਿੱਚ ਪਰਿਚਯ                                                                |         [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html)         |      ਜੇਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
+|      15       |              ਨਾਈਜੀਰੀਆਈ ਸੰਗੀਤਕ ਰੁਚੀਆਂ ਦੀ ਖੋਜ 🎧              |        [Clustering](5-Clustering/README.md)         | K-Means ਕੁਲਸੇ ਤਰੀਕੇ ਦੀ ਖੋਜ ਕਰੋ                                                                                           |           [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html)           |      ਜੇਨ • ਐਰਿਕ ਵਾਂਜਾਊ       |
+|      16       |        ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਪਰਿਚਯ ☕️         |   [Natural language processing](6-NLP/README.md)    | ਇੱਕ ਸਧਾਰਣ ਬੋਟ ਬਣਾ ਕੇ NLP ਬਾਰੇ ਮੂਲ ਗੱਲਾਂ ਸਿੱਖੋ                                                                             |                                             [Python](6-NLP/1-Introduction-to-NLP/README.md)                                              |                       ਸਟੀਫਨ                        |
+|      17       |                      ਆਮ NLP ਕਾਰਜ ☕️                      |   [Natural language processing](6-NLP/README.md)    | ਭਾਸ਼ਾਈ ਢਾਂਚਿਆਂ ਨਾਲ ਨਜਿੱਠਣ ਵੇਲੇ ਲੋੜੀਂਦੇ ਆਮ ਕੰਮਾਂ ਨੂੰ ਸਮਝ ਕੇ ਆਪਣੀ NLP ਜਾਣਕਾਰੀ ਵਿਚ ਗਹਿਰਾਈ ਲਿਆਓ                          |                                                    [Python](6-NLP/2-Tasks/README.md)                                                     |                       ਸਟੀਫਨ                        |
+|      18       |             ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ♥️              |   [Natural language processing](6-NLP/README.md)    | ਜੇਨ ਆਸਟਨ ਨਾਲ ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ                                                                             |                                            [Python](6-NLP/3-Translation-Sentiment/README.md)                                             |                       ਸਟੀਫਨ                        |
+|      19       |                  ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️                  |   [Natural language processing](6-NLP/README.md)    | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 1                                                                                         |                                               [Python](6-NLP/4-Hotel-Reviews-1/README.md)                                                |                       ਸਟੀਫਨ                        |
+|      20       |                  ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️                  |   [Natural language processing](6-NLP/README.md)    | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 2                                                                                         |                                               [Python](6-NLP/5-Hotel-Reviews-2/README.md)                                                |                       ਸਟੀਫਨ                        |
+|      21       |            ਸਮੇਂ ਦੀ ਲੜੀ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁਰੂਆਤ             |        [Time series](7-TimeSeries/README.md)        | ਸਮੇਂ ਦੀ ਲੜੀ ਅਨੁਮਾਨ ਦਾ ਪਰਿਚਯ                                                                                         |                                             [Python](7-TimeSeries/1-Introduction/README.md)                                              |                      ਫ੍ਰਾਂਸੇਸਕਾ                       |
+|      22       | ⚡️ ਦੁਨੀਆ ਦੀ ਬਿਜਲੀ ਵਰਤੋਂ ⚡️ - ARIMA ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਅਨੁਮਾਨ |        [Time series](7-TimeSeries/README.md)        | ARIMA ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਅਨੁਮਾਨ                                                                                              |                                                 [Python](7-TimeSeries/2-ARIMA/README.md)                                                 |                      ਫ੍ਰਾਂਸੇਸਕਾ                       |
+|      23       |  ⚡️ ਦੁਨੀਆ ਦੀ ਬਿਜਲੀ ਵਰਤੋਂ ⚡️ - SVR ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਅਨੁਮਾਨ  |        [Time series](7-TimeSeries/README.md)        | Support Vector Regressor ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਅਨੁਮਾਨ                                                                           |                                                  [Python](7-TimeSeries/3-SVR/README.md)                                                  |                       ਅਨੀਰਬਾਨ                        |
+|      24       |             ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ             | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning ਨਾਲ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ                                                                          |                                             [Python](8-Reinforcement/1-QLearning/README.md)                                              |                        ਦਮੀਤਰੀ                        |
+|      25       |                 ਪੀਟਰ ਨੂੰ ਬੰਦੇ ਤੋਂ ਬਚਾਓ! 🐺                  | [Reinforcement learning](8-Reinforcement/README.md) | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਜਿਮ                                                                                                      |                                                [Python](8-Reinforcement/2-Gym/README.md)                                                 |                        ਦਮੀਤਰੀ                        |
+|  ਅੰਤਿਮ ਟਿੱਪਣੀ   |            ਅਸਲ ਦੁਨੀਆ ਦੇ ਐਮਐਲ ਸਥਿਤੀਆਂ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ            |      [ML in the Wild](9-Real-World/README.md)       | ਰਵਾਇਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਦਿਲਚਸਪ ਅਤੇ ਖੁਲਾਸਾ ਕਰਨ ਵਾਲੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਐਪਲੀਕੇਸ਼ਨ                                                               |                                             [Lesson](9-Real-World/1-Applications/README.md)                                              |                         ਟੀਮ                         |
+|  ਅੰਤਿਮ ਟਿੱਪਣੀ   |            RAI ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਨਾਲ ਐਮਐਲ ਮਾਡਲ ਡੀਬੱਗਿੰਗ          |      [ML in the Wild](9-Real-World/README.md)       | ਜ਼ਿੰਮੇਵਾਰ AI ਡੈਸ਼ਬੋਰਡ ਕੰਪੋਨੈਂਟਸ ਦੀ ਵਰਤੋਂ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ                                                              |                                             [Lesson](9-Real-World/2-Debugging-ML-Models/README.md)                                              |                         ਰੁਥ ਯਾਕੁਬੂ                       |
+
+> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤ ਸਾਡੇ ਮਾਇਕ੍ਰੋਸਾਫਟ ਲਰਨ ਸੰਕਲਨ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+
+## ਆਫਲਾਈਨ ਪਹੁੰਚ
+
+ਤੁਸੀਂ [Docsify](https://docsify.js.org/#/) ਦੀ ਵਰਤੋਂ ਕਰ ਕੇ ਇਸ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਆਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ। ਇਸ ਰੇਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ, ਆਪਣੇ ਸਥਾਨਕ ਮਸ਼ੀਨ 'ਤੇ [Docsify ਇੰਸਟਾਲ ਕਰੋ](https://docsify.js.org/#/quickstart), ਅਤੇ ਫਿਰ ਇਸ ਰੇਪੋ ਦੇ ਮੂਲ ਫੋਲਡਰ ਵਿੱਚ `docsify serve` ਟਾਈਪ ਕਰੋ। ਵੈੱਬਸਾਈਟ ਤੁਹਾਡੇ ਸਥਾਨਕ ਹੋਸਟ `localhost:3000` 'ਤੇ ਪੋਰਟ 3000 'ਤੇ ਸਰਵ ਕੀਤੀ ਜਾਵੇਗੀ।
 
 ## PDF ਫਾਈਲਾਂ
 
-ਕਰੀਕੁਲਮ ਦੀ ਇੱਕ PDF ਲੰਕਾਂ ਸਮੇਤ [ਇੱਥੇ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ਲੱਭੋ।
+ਇਸ ਪਾਠਕ੍ਰਮ ਦਾ PDF ਵਰਜਨ ਲਿੰਕਾਂ ਸਮੇਤ [ਅੱਥੇ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ਲੱਭੋ।
+
 
-## 🎒 ਹੋਰ ਕੋਰਸز
+## 🎒 ਹੋਰ ਕੋਰਸ
 
-ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਵੀ ਬਣਾਉਂਦੀ ਹੈ! ਇਹਨਾਂ ਨੂੰ ਦੇਖੋ:
+ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਵੀ ਬਣਾਉਂਦੀ ਹੈ! ਚੈੱਕ ਕਰੋ:
 
 <!-- CO-OP TRANSLATOR OTHER COURSES START -->
 ### LangChain
 [![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
 [![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
-
+[![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
 ---
 
 ### Azure / Edge / MCP / Agents
@@ -180,43 +180,43 @@
 ---
  
 ### Generative AI Series
-[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+[![ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ ਜੇਨੇਰੇਟਿਵ ਏਆਈ](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![ਜੇਨੇਰੇਟਿਵ ਏਆਈ (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
+[![ਜੇਨੇਰੇਟਿਵ ਏਆਈ (ਜਾਵਾ)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[![ਜੇਨੇਰੇਟਿਵ ਏਆਈ (ਜਾਵਾਸਕ੍ਰਿਪਟ)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
 
 ---
  
 ### ਮੁੱਖ ਸਿੱਖਿਆ
-[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
-[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
-[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
-[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
-[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
-[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
+[![ਡੇਟਾ ਸਾਇੰਸ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
+[![ਏਆਈ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
+[![ਸਾਈਬਰਸੁਰੱਖਿਆ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
+[![ਵੈੱਬ ਡਿਵੈਲਪਮੈਂਟ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
+[![ਆਈਓਟੀ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
+[![ਐਕਸਆਰ ਡਿਵੈਲਪਮੈਂਟ ਨਵੇਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
 
 ---
  
-### ਕੋਪਾਇਲਟ ਸੀਰੀਜ਼
-[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
-[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
-[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+### ਕੋਪਾਇਲਟ ਸਿਰੀਜ਼
+[![ਏਆਈ ਜੋੜੀ ਪ੍ਰੋਗਰਾਮਿੰਗ ਲਈ ਕੋਪਾਇਲਟ](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[![C#/.NET ਲਈ ਕੋਪਾਇਲਟ](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
+[![ਕੋਪਾਇਲਟ ਸਫਰ](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
 <!-- CO-OP TRANSLATOR OTHER COURSES END -->
 
 ## ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕਰਨਾ
 
-ਜੇ ਤੁਸੀਂ ਅਟਕ ਜਾਂਦੇ ਹੋ ਜਾਂ AI ਐਪਸ ਬਣਾਉਣ ਬਾਰੇ ਕੋਈ ਵੀ ਸਵਾਲ ਹੈ, ਤਾਂ MCP ਬਾਰੇ ਚਰਚਾ ਵਿੱਚ ਸਾਥੀ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ ਤਜਰਬੇਕਾਰ ਡਿਵੈਲਪਰਾਂ ਨਾਲ ਸ਼ਾਮਲ ਹੋਵੋ। ਇਹ ਇੱਕ ਸਮਰਥਕ ਭਾਈਚਾਰਾ ਹੈ ਜਿੱਥੇ ਸਵਾਲਾਂ ਦਾ ਸਵਾਗਤ ਹੈ ਅਤੇ ਗਿਆਨ ਖੁਲ ਕੇ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+ਜੇ ਤੁਸੀਂ ਅਟਕ ਜਾਂਦੇ ਹੋ ਜਾਂ ਏਆਈ ਐਪਸ ਬਣਾਉਣ ਬਾਰੇ ਕੋਈ ਸਵਾਲ ਹੋਵੇ, ਤਾਂ MCP ਬਾਰੇ ਵਿਚਾਰ-ਚਰਚਾ ਵਿੱਚ ਸਾਥੀ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ ਮਾਹਰ ਡਿਵੈਲਪਰਾਂ ਨਾਲ ਜੁੜੋ। ਇਹ ਇੱਕ ਸਹਾਇਕ ਸਮੁਦਾਇ ਹੈ ਜਿੱਥੇ ਸਵਾਲ ਕਬੂਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਗਿਆਨ ਖੁੱਲ੍ਹ ਕੇ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਫੀਡਬੈਕ ਜਾਂ ਨਿਰਮਾਣ ਦੌਰਾਨ ਕੋਈ ਤਰੁਟੀਆਂ ਹਨ ਤਾਂ ਜਾਓ:
+ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਫੀਡਬੈਕ ਹੈ ਜਾਂ ਬਣਾਉਣ ਦੌਰਾਨ ਗਲਤੀਆਂ ਆ ਰਹੀਆਂ ਹਨ ਤਾਂ ਦੌਰਾ ਕਰੋ:
 
 [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
 ---
 
 <!-- CO-OP TRANSLATOR DISCLAIMER START -->
-**ਛੁਟਕਾਰਾ ਸੂਚਨਾ**:  
-ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਨਾਲ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਅਤ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਜਾਣੂ ਰਹੋ ਕਿ ਆਟੋਮੈਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮਰੱਥਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਸત્તਾਪ੍ਰਾਪਤ ਸਰੋਤ ਮੰਨਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਨਾਲ ਪੈਦਾਸ਼ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਸਮਝਾਂ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
+**ਅਸਵੀਕਾਰਿਆ ਗਿਆ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਸਵੈਚਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਸਪਸ਼ਟਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੀ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜ਼ਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਕਾਰਨ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
 <!-- CO-OP TRANSLATOR DISCLAIMER END -->
\ No newline at end of file
diff --git a/translations/pt-BR/.co-op-translator.json b/translations/pt-BR/.co-op-translator.json
index 404bcb02f..045afa8b6 100644
--- a/translations/pt-BR/.co-op-translator.json
+++ b/translations/pt-BR/.co-op-translator.json
@@ -540,8 +540,8 @@
     "language_code": "pt-BR"
   },
   "README.md": {
-    "original_hash": "da2ceed62f16a0820259556e3a873c95",
-    "translation_date": "2026-01-29T18:20:17+00:00",
+    "original_hash": "2f594ee136e3127a47f56d80055227bc",
+    "translation_date": "2026-02-06T08:08:34+00:00",
     "source_file": "README.md",
     "language_code": "pt-BR"
   },
diff --git a/translations/pt-BR/README.md b/translations/pt-BR/README.md
index cdc9f7edb..3fb30ff21 100644
--- a/translations/pt-BR/README.md
+++ b/translations/pt-BR/README.md
@@ -1,77 +1,77 @@
-[![Licença GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
-[![Contribuidores GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
-[![Issues GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
-[![Pull requests GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
-[![PRs Bem-vindos](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
+[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
+[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
+[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
 
-[![Observadores GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
-[![Forks GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
-[![Estrelas GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
+[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
+[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
 
 ### 🌐 Suporte Multilíngue
 
 #### Suportado via GitHub Action (Automatizado e Sempre Atualizado)
 
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
-[Árabe](../ar/README.md) | [Bengali](../bn/README.md) | [Búlgaro](../bg/README.md) | [Birmanês (Myanmar)](../my/README.md) | [Chinês (Simplificado)](../zh-CN/README.md) | [Chinês (Tradicional, Hong Kong)](../zh-HK/README.md) | [Chinês (Tradicional, Macau)](../zh-MO/README.md) | [Chinês (Tradicional, Taiwan)](../zh-TW/README.md) | [Croata](../hr/README.md) | [Tcheco](../cs/README.md) | [Dinamarquês](../da/README.md) | [Holandês](../nl/README.md) | [Estoniano](../et/README.md) | [Finlandês](../fi/README.md) | [Francês](../fr/README.md) | [Alemão](../de/README.md) | [Grego](../el/README.md) | [Hebraico](../he/README.md) | [Hindi](../hi/README.md) | [Húngaro](../hu/README.md) | [Indonésio](../id/README.md) | [Italiano](../it/README.md) | [Japonês](../ja/README.md) | [Kannada](../kn/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malaio](../ms/README.md) | [Malaiala](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeriano](../pcm/README.md) | [Norueguês](../no/README.md) | [Persa (Farsi)](../fa/README.md) | [Polonês](../pl/README.md) | [Português (Brasil)](./README.md) | [Português (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romeno](../ro/README.md) | [Russo](../ru/README.md) | [Sérvio (Cirílico)](../sr/README.md) | [Eslovaco](../sk/README.md) | [Esloveno](../sl/README.md) | [Espanhol](../es/README.md) | [Suaíli](../sw/README.md) | [Sueco](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tâmil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandês](../th/README.md) | [Turco](../tr/README.md) | [Ucraniano](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
+[Árabe](../ar/README.md) | [Bengali](../bn/README.md) | [Búlgaro](../bg/README.md) | [Birmanês (Myanmar)](../my/README.md) | [Chinês (Simplificado)](../zh-CN/README.md) | [Chinês (Tradicional, Hong Kong)](../zh-HK/README.md) | [Chinês (Tradicional, Macau)](../zh-MO/README.md) | [Chinês (Tradicional, Taiwan)](../zh-TW/README.md) | [Croata](../hr/README.md) | [Tcheco](../cs/README.md) | [Dinamarquês](../da/README.md) | [Holandês](../nl/README.md) | [Estoniano](../et/README.md) | [Finlandês](../fi/README.md) | [Francês](../fr/README.md) | [Alemão](../de/README.md) | [Grego](../el/README.md) | [Hebraico](../he/README.md) | [Hindi](../hi/README.md) | [Húngaro](../hu/README.md) | [Indonésio](../id/README.md) | [Italiano](../it/README.md) | [Japonês](../ja/README.md) | [Kannada](../kn/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malaio](../ms/README.md) | [Malaiala](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigeriano Pidgin](../pcm/README.md) | [Norueguês](../no/README.md) | [Persa (Farsi)](../fa/README.md) | [Polonês](../pl/README.md) | [Português (Brasil)](./README.md) | [Português (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romeno](../ro/README.md) | [Russo](../ru/README.md) | [Sérvio (Cirílico)](../sr/README.md) | [Eslovaco](../sk/README.md) | [Esloveno](../sl/README.md) | [Espanhol](../es/README.md) | [Suaíli](../sw/README.md) | [Sueco](../sv/README.md) | [Tagalo (Filipino)](../tl/README.md) | [Tâmil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandês](../th/README.md) | [Turco](../tr/README.md) | [Ucraniano](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
 
-> **Prefere clonar localmente?**
+> **Prefere Clonar Localmente?**
 
-> Este repositório inclui mais de 50 traduções de idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use sparse checkout:
+> Este repositório inclui mais de 50 traduções que aumentam significativamente o tamanho do download. Para clonar sem as traduções, use checkout esparso:
 > ```bash
 > git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
 > cd ML-For-Beginners
 > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
 > ```
-> Isso fornece tudo que você precisa para completar o curso com download muito mais rápido.
+> Isso lhe dará tudo o que você precisa para completar o curso com um download muito mais rápido.
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
 
 #### Junte-se à Nossa Comunidade
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-Estamos realizando uma série Discord sobre aprender com IA, saiba mais e junte-se a nós em [Série Aprenda com IA](https://aka.ms/learnwithai/discord) de 18 a 30 de setembro de 2025. Você receberá dicas e truques de como usar o GitHub Copilot para Ciência de Dados.
+Estamos com uma série de aprendizado com IA no Discord, saiba mais e junte-se a nós em [Learn with AI Series](https://aka.ms/learnwithai/discord) de 18 a 30 de setembro de 2025. Você receberá dicas sobre como usar o GitHub Copilot para Ciência de Dados.
 
-![Série Aprenda com IA](../../translated_images/pt-BR/3.9b58fd8d6c373c20.webp)
+![Learn with AI series](../../translated_images/pt-BR/3.9b58fd8d6c373c20.webp)
 
 # Aprendizado de Máquina para Iniciantes - Um Currículo
 
-> 🌍 Viaje pelo mundo enquanto exploramos Aprendizado de Máquina através das culturas mundiais 🌍
+> 🌍 Viaje ao redor do mundo enquanto exploramos Aprendizado de Máquina através das culturas do mundo 🌍
 
-Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, totalmente dedicado ao **Aprendizado de Máquina**. Neste currículo, você aprenderá sobre o que às vezes é chamado de **aprendizado de máquina clássico**, usando principalmente a biblioteca Scikit-learn e evitando deep learning, que é abordado em nosso [currículo AI para Iniciantes](https://aka.ms/ai4beginners). Combine estas lições com nosso [currículo Ciência de Dados para Iniciantes](https://aka.ms/ds4beginners), também!
+Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, totalmente sobre **Aprendizado de Máquina**. Neste currículo, você aprenderá sobre o que às vezes é chamado de **aprendizado de máquina clássico**, usando principalmente a biblioteca Scikit-learn e evitando aprendizado profundo, que é abordado em nosso [currículo de IA para iniciantes](https://aka.ms/ai4beginners). Combine essas lições com nosso ['Currículo de Ciência de Dados para Iniciantes'](https://aka.ms/ds4beginners), também!
 
-Viaje conosco pelo mundo enquanto aplicamos essas técnicas clássicas a dados de diversas regiões. Cada lição inclui testes antes e depois da aula, instruções escritas para completar a lição, uma solução, um desafio, e mais. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma forma comprovada de fixar novos conhecimentos.
+Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de diversas áreas do globo. Cada lição inclui questionários pré e pós-lição, instruções escritas para completar a lição, uma solução, uma tarefa e mais. Nossa pedagogia baseada em projetos permite que você aprenda construindo, uma maneira comprovada de fixar novas habilidades.
 
-**✍️ Agradecimentos sinceros aos nossos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
+**✍️ Nosso sincero agradecimento aos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
 
-**🎨 Agradecimentos também aos nossos ilustradores** Tomomi Imura, Dasani Madipalli, e Jen Looper
+**🎨 Agradecimentos também aos nossos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
 
-**🙏 Agradecimentos especiais 🙏 aos nossos autores, revisores e colaboradores do Microsoft Student Ambassador**, especialmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, e Snigdha Agarwal
+**🙏 Agradecimentos especiais 🙏 aos autores, revisores e colaboradores de conteúdo embaixadores estudantis Microsoft**, notadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
 
-**🤩 Gratidão extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, e Vidushi Gupta pelas nossas lições em R!**
+**🤩 Gratidão extra aos Embaixadores Estudantis Microsoft Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas lições em R!**
 
 # Começando
 
 Siga estes passos:
-1. **Faça um Fork do Repositório**: Clique no botão "Fork" no canto superior direito desta página.
+1. **Fork do Repositório**: Clique no botão "Fork" no canto superior direito desta página.
 2. **Clone o Repositório**:   `git clone https://github.com/microsoft/ML-For-Beginners.git`
 
-> [encontre todos os recursos adicionais para este curso em nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> [encontre todos os recursos adicionais deste curso em nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
 
-> 🔧 **Precisa de ajuda?** Consulte nosso [Guia de Solução de Problemas](TROUBLESHOOTING.md) para soluções comuns com instalação, configuração e execução das aulas.
+> 🔧 **Precisa de ajuda?** Verifique nosso [Guia de Solução de Problemas](TROUBLESHOOTING.md) para soluções comuns em instalação, configuração e execução das lições.
 
 
-**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça fork do repositório completo para a sua conta do GitHub e complete os exercícios sozinho ou em grupo:
+**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça o fork do repositório inteiro para sua conta no GitHub e complete os exercícios sozinho ou em grupo:
 
-- Comece com um quiz pré-aula.
+- Comece com um questionário pré-aula.
 - Leia a aula e complete as atividades, pausando e refletindo em cada verificação de conhecimento.
-- Tente criar os projetos compreendendo as lições ao invés de apenas executar o código da solução; embora esse código esteja disponível nas pastas `/solution` em cada lição orientada por projeto.
-- Faça o quiz pós-aula.
+- Tente criar os projetos compreendendo as lições ao invés de apenas rodar o código da solução; entretanto, esse código está disponível nas pastas `/solution` de cada lição orientada a projeto.
+- Faça o questionário pós-aula.
 - Complete o desafio.
-- Entregue o assignment.
-- Após completar um grupo de aulas, visite o [Fórum de Discussões](https://github.com/microsoft/ML-For-Beginners/discussions) e “aprenda em voz alta” preenchendo a rubrica PAT apropriada. Um 'PAT' é uma Ferramenta de Avaliação de Progresso (Progress Assessment Tool) que é uma rubrica que você preenche para aprofundar seu aprendizado. Você também pode reagir a outras PATs para aprendermos juntos.
+- Complete a tarefa.
+- Após completar um grupo de lições, visite o [Fórum de Discussão](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprenda em voz alta" preenchendo a rubrica PAT apropriada. Um 'PAT' é uma Ferramenta de Avaliação de Progresso, uma rubrica que você preenche para avançar seu aprendizado. Você também pode reagir a outros PATs para aprendermos juntos.
 
-> Para estudos adicionais, recomendamos seguir estes módulos e trilhas de aprendizado do [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
+> Para estudo adicional, recomendamos seguir estes módulos e trilhas de aprendizagem do [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
 
 **Professores**, incluímos [algumas sugestões](for-teachers.md) sobre como usar este currículo.
 
@@ -79,104 +79,104 @@ Siga estes passos:
 
 ## Vídeos explicativos
 
-Algumas lições estão disponíveis em formato de vídeo curto. Você pode encontrá-los integrados nas lições, ou na [playlist ML for Beginners no canal Microsoft Developer no YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo.
+Algumas das lições estão disponíveis em vídeo curto. Você pode encontrá-los embutidos nas lições ou na [playlist ML for Beginners no canal Microsoft Developer no YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo.
 
-[![Banner ML para iniciantes](../../translated_images/pt-BR/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
+[![ML for beginners banner](../../translated_images/pt-BR/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
 
 ---
 
 ## Conheça a Equipe
 
-[![Vídeo promocional](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU)
+[![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU)
 
 **Gif por** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
 
-> 🎥 Clique na imagem acima para um vídeo sobre o projeto e as pessoas que o criaram!
+> 🎥 Clique na imagem acima para ver um vídeo sobre o projeto e as pessoas que o criaram!
 
 ---
 
 ## Pedagogia
 
-Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que seja **baseado em projetos práticos** e que inclua **quizzes frequentes**. Além disso, este currículo tem um **tema comum** para dar coerência.
+Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que seja **baseado em projetos práticos** e que inclua **questionários frequentes**. Além disso, este currículo tem um **tema** comum para dar coesão.
 
-Garantindo que o conteúdo esteja alinhado com projetos, o processo se torna mais envolvente para os alunos, aumentando a retenção dos conceitos. Além disso, um quiz de baixa pressão antes da aula define a intenção do estudante para aprender o tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido, podendo ser feito em sua totalidade ou em partes. Os projetos começam pequenos e se tornam progressivamente mais complexos até o fim do ciclo de 12 semanas. O currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito adicional ou base para discussão.
+Garantindo que o conteúdo se alinhe com projetos, o processo se torna mais envolvente para os alunos e a retenção dos conceitos será aumentada. Além disso, um questionário de baixa pressão antes da aula define a intenção do estudante para aprender o tema, enquanto um segundo questionário após a aula assegura retenção adicional. Este currículo foi projetado para ser flexível e divertido, podendo ser feito inteiro ou em partes. Os projetos começam pequenos e tornam-se cada vez mais complexos ao longo do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou base para discussão.
 
-> Encontre nosso [Código de Conduta](CODE_OF_CONDUCT.md), diretrizes sobre [Contribuição](CONTRIBUTING.md), [Tradução](TRANSLATIONS.md) e [Solução de Problemas](TROUBLESHOOTING.md). Agradecemos seu feedback construtivo!
+> Encontre nosso [Código de Conduta](CODE_OF_CONDUCT.md), [Contribuindo](CONTRIBUTING.md), [Tradução](TRANSLATIONS.md) e [Solução de Problemas](TROUBLESHOOTING.md). Agradecemos seu feedback construtivo!
 
 ## Cada lição inclui
 
 - sketchnote opcional
 - vídeo suplementar opcional
-- vídeo explicativo (algumas lições apenas)
-- [quiz pré-aula](https://ff-quizzes.netlify.app/en/ml/)
+- vídeo explicativo (algumas lições somente)
+- [questionário pré-aula](https://ff-quizzes.netlify.app/en/ml/)
 - lição escrita
-- para lições baseadas em projeto, guias passo a passo de como construir o projeto
+- para lições baseadas em projeto, guias passo a passo para construir o projeto
 - verificações de conhecimento
 - um desafio
-- leitura suplementar
-- assignment
-- [quiz pós-aula](https://ff-quizzes.netlify.app/en/ml/)
-
-> **Uma nota sobre os idiomas**: Estas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá para a pasta `/solution` e procure as lições em R. Elas incluem a extensão .rmd que representa um arquivo **R Markdown**, que pode ser definido como uma integração de `blocos de código` (em R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar saídas como PDF) em um `documento Markdown`. Assim, serve como um excelente framework para autoria em ciência de dados, pois permite combinar seu código, sua saída e suas anotações em Markdown. Além disso, documentos R Markdown podem ser convertidos para formatos de saída como PDF, HTML ou Word.
-> **Uma nota sobre quizzes**: Todos os quizzes estão contidos na [pasta Quiz App](../../quiz-app), totalizando 52 quizzes com três perguntas cada. Eles estão vinculados dentro das lições, mas o aplicativo de quiz pode ser executado localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implantar no Azure.
-
-| Número da Aula |                             Tema                              |                   Agrupamento de Aula                   | Objetivos de Aprendizagem                                                                                                         |                                                              Aula Vinculada                                                               |                        Autor                        |
-| :------------: | :-----------------------------------------------------------: | :-----------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: |
-|      01        |               Introdução ao aprendizado de máquina           |      [Introdução](1-Introduction/README.md)             | Aprenda os conceitos básicos por trás do aprendizado de máquina                                                                   |                                             [Aula](1-Introduction/1-intro-to-ML/README.md)                                             |                       Muhammad                     |
-|      02        |               A História do aprendizado de máquina           |      [Introdução](1-Introduction/README.md)             | Aprenda a história por trás deste campo                                                                                            |                                            [Aula](1-Introduction/2-history-of-ML/README.md)                                            |                     Jen e Amy                      |
-|      03        |               Justiça e aprendizado de máquina                |      [Introdução](1-Introduction/README.md)             | Quais são as importantes questões filosóficas sobre justiça que os estudantes devem considerar ao construir e aplicar modelos ML? |                                              [Aula](1-Introduction/3-fairness/README.md)                                               |                        Tomomi                      |
-|      04        |               Técnicas para aprendizado de máquina            |      [Introdução](1-Introduction/README.md)             | Quais técnicas os pesquisadores de ML usam para construir modelos de ML?                                                         |                                          [Aula](1-Introduction/4-techniques-of-ML/README.md)                                           |                    Chris e Jen                     |
-|      05        |                  Introdução à regressão                        |        [Regressão](2-Regression/README.md)               | Comece com Python e Scikit-learn para modelos de regressão                                                                         |         [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)         |      Jen • Eric Wanjau     |
-|      06        |               Preços da abóbora na América do Norte 🎃        |        [Regressão](2-Regression/README.md)               | Visualize e limpe dados em preparação para ML                                                                                      |          [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html)          |      Jen • Eric Wanjau     |
-|      07        |               Preços da abóbora na América do Norte 🎃        |        [Regressão](2-Regression/README.md)               | Construa modelos de regressão linear e polinomial                                                                                 |        [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)        |      Jen e Dmitry • Eric Wanjau     |
-|      08        |               Preços da abóbora na América do Norte 🎃        |        [Regressão](2-Regression/README.md)               | Construa um modelo de regressão logística                                                                                         |     [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)      |      Jen • Eric Wanjau     |
-|      09        |                          Um App Web 🔌                        |           [App Web](3-Web-App/README.md)                 | Construa um aplicativo web para usar seu modelo treinado                                                                          |                                                 [Python](3-Web-App/1-Web-App/README.md)                                                  |                         Jen                        |
-|      10        |                Introdução à classificação                      |    [Classificação](4-Classification/README.md)           | Limpe, prepare e visualize seus dados; introdução à classificação                                                                 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html)  | Jen e Cassie • Eric Wanjau |
-|      11        |             Culinárias deliciosas asiáticas e indianas 🍜       |    [Classificação](4-Classification/README.md)           | Introdução a classificadores                                                                                                      | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau |
-|      12        |             Culinárias deliciosas asiáticas e indianas 🍜       |    [Classificação](4-Classification/README.md)           | Mais classificadores                                                                                                              | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau |
-|      13        |             Culinárias deliciosas asiáticas e indianas 🍜       |    [Classificação](4-Classification/README.md)           | Construa um app web recomendador usando seu modelo                                                                                 |                                              [Python](4-Classification/4-Applied/README.md)                                              |                         Jen                        |
-|      14        |                   Introdução ao agrupamento                     |        [Agrupamento](5-Clustering/README.md)             | Limpe, prepare e visualize seus dados; Introdução ao agrupamento                                                                  |         [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html)         |      Jen • Eric Wanjau     |
-|      15        |              Explorando gostos musicais nigerianos 🎧          |        [Agrupamento](5-Clustering/README.md)             | Explore o método de agrupamento K-Means                                                                                           |           [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html)           |      Jen • Eric Wanjau     |
-|      16        |        Introdução ao processamento de linguagem natural ☕️      |   [Processamento de linguagem natural](6-NLP/README.md)  | Aprenda o básico sobre PLN construindo um bot simples                                                                             |                                             [Python](6-NLP/1-Introduction-to-NLP/README.md)                                              |                       Stephen                      |
-|      17        |                      Tarefas comuns de PLN ☕️                  |   [Processamento de linguagem natural](6-NLP/README.md)  | Aprofunde seu conhecimento de PLN entendendo tarefas comuns quando lidar com estruturas de linguagem                            |                                                    [Python](6-NLP/2-Tasks/README.md)                                                     |                       Stephen                      |
-|      18        |             Tradução e análise de sentimento ♥️                 |   [Processamento de linguagem natural](6-NLP/README.md)  | Tradução e análise de sentimento com Jane Austen                                                                                  |                                            [Python](6-NLP/3-Translation-Sentiment/README.md)                                             |                       Stephen                      |
-|      19        |                  Hotéis românticos da Europa ♥️                 |   [Processamento de linguagem natural](6-NLP/README.md)  | Análise de sentimento com avaliações de hotéis 1                                                                                 |                                               [Python](6-NLP/4-Hotel-Reviews-1/README.md)                                                |                       Stephen                      |
-|      20        |                  Hotéis românticos da Europa ♥️                 |   [Processamento de linguagem natural](6-NLP/README.md)  | Análise de sentimento com avaliações de hotéis 2                                                                                 |                                               [Python](6-NLP/5-Hotel-Reviews-2/README.md)                                                |                       Stephen                      |
-|      21        |            Introdução à previsão de séries temporais            |        [Séries temporais](7-TimeSeries/README.md)        | Introdução à previsão de séries temporais                                                                                        |                                             [Python](7-TimeSeries/1-Introduction/README.md)                                              |                      Francesca                     |
-|      22        | ⚡️ Consumo de energia mundial ⚡️ - previsão com ARIMA          |        [Séries temporais](7-TimeSeries/README.md)        | Previsão de séries temporais com ARIMA                                                                                            |                                                 [Python](7-TimeSeries/2-ARIMA/README.md)                                                 |                      Francesca                     |
-|      23        |  ⚡️ Consumo de energia mundial ⚡️ - previsão com SVR          |        [Séries temporais](7-TimeSeries/README.md)        | Previsão de séries temporais com Regressor de Vetor de Suporte                                                                    |                                                  [Python](7-TimeSeries/3-SVR/README.md)                                                  |                       Anirban                      |
-|      24        |             Introdução ao aprendizado por reforço               | [Aprendizado por reforço](8-Reinforcement/README.md)     | Introdução ao aprendizado por reforço com Q-Learning                                                                              |                                             [Python](8-Reinforcement/1-QLearning/README.md)                                              |                        Dmitry                      |
-|      25        |                Ajude Peter a evitar o lobo! 🐺                  | [Aprendizado por reforço](8-Reinforcement/README.md)     | Ambiente Gym para aprendizado por reforço                                                                                        |                                                [Python](8-Reinforcement/2-Gym/README.md)                                                 |                        Dmitry                      |
-|  Pós-escrito   |            Cenários e aplicações reais de ML                    |      [ML na prática](9-Real-World/README.md)              | Aplicações reais interessantes e reveladoras de ML clássico                                                                       |                                             [Aula](9-Real-World/1-Applications/README.md)                                              |                         Equipe                      |
-|  Pós-escrito   |           Depuração de modelos em ML usando dashboard RAI      |      [ML na prática](9-Real-World/README.md)              | Depuração de modelos em ML usando componentes do dashboard Responsible AI                                                        |                                             [Aula](9-Real-World/2-Debugging-ML-Models/README.md)                                              |                         Ruth Yakubu                   |
+- leitura complementar
+- tarefa
+- [questionário pós-aula](https://ff-quizzes.netlify.app/en/ml/)
+
+> **Uma nota sobre idiomas**: Estas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá para a pasta `/solution` e procure as lições em R. Elas incluem uma extensão .rmd que representa um arquivo **R Markdown**, que pode ser definido simplesmente como a incorporação de `blocos de código` (de R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar saídas, como PDF) em um `documento Markdown`. Como tal, serve como um framework de autoria exemplar para ciência de dados pois permite que você combine seu código, sua saída e seus pensamentos, escrevendo-os em Markdown. Além disso, documentos R Markdown podem ser renderizados para formatos de saída como PDF, HTML ou Word.
+> **Uma nota sobre os quizzes**: Todos os quizzes estão contidos na [pasta Quiz App](../../quiz-app), totalizando 52 quizzes de três perguntas cada. Eles são vinculados dentro das lições, mas o aplicativo de quiz pode ser executado localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implantar no Azure.
+
+| Número da Lição |                            Tópico                             |                 Agrupamento de Lições                 | Objetivos de Aprendizagem                                                                                                       |                                                          Lição Vinculada                                                          |                     Autor                      |
+| :-------------: | :------------------------------------------------------------: | :---------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :---------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------: |
+|       01        |                Introdução ao aprendizado de máquina           |      [Introdução](1-Introduction/README.md)          | Aprenda os conceitos básicos por trás do aprendizado de máquina                                                                 |                                           [Lição](1-Introduction/1-intro-to-ML/README.md)                                           |                    Muhammad                   |
+|       02        |                A História do aprendizado de máquina           |      [Introdução](1-Introduction/README.md)          | Aprenda a história subjacente a este campo                                                                                      |                                          [Lição](1-Introduction/2-history-of-ML/README.md)                                          |                 Jen e Amy                      |
+|       03        |                 Justiça e aprendizado de máquina              |      [Introdução](1-Introduction/README.md)          | Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao criar e aplicar modelos de ML?     |                                            [Lição](1-Introduction/3-fairness/README.md)                                             |                     Tomomi                     |
+|       04        |                Técnicas para aprendizado de máquina           |      [Introdução](1-Introduction/README.md)          | Quais técnicas os pesquisadores de ML usam para construir modelos de ML?                                                       |                                         [Lição](1-Introduction/4-techniques-of-ML/README.md)                                          |                 Chris e Jen                     |
+|       05        |                  Introdução à regressão                        |        [Regressão](2-Regression/README.md)            | Comece com Python e Scikit-learn para modelos de regressão                                                                     |       [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)        |           Jen • Eric Wanjau                   |
+|       06        |                  Preços de abóboras na América do Norte 🎃    |        [Regressão](2-Regression/README.md)            | Visualize e limpe dados em preparação para ML                                                                                   |        [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html)         |           Jen • Eric Wanjau                   |
+|       07        |                  Preços de abóboras na América do Norte 🎃    |        [Regressão](2-Regression/README.md)            | Construa modelos de regressão linear e polinomial                                                                              |       [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)       |     Jen e Dmitry • Eric Wanjau                |
+|       08        |                  Preços de abóboras na América do Norte 🎃    |        [Regressão](2-Regression/README.md)            | Construa um modelo de regressão logística                                                                                      |     [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)     |           Jen • Eric Wanjau                   |
+|       09        |                         Um App Web 🔌                         |           [App Web](3-Web-App/README.md)               | Crie um app web para usar seu modelo treinado                                                                                  |                                               [Python](3-Web-App/1-Web-App/README.md)                                               |                      Jen                       |
+|       10        |                 Introdução à classificação                     |    [Classificação](4-Classification/README.md)        | Limpe, prepare e visualize seus dados; introdução à classificação                                                             |   [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html)  |        Jen e Cassie • Eric Wanjau             |
+|       11        |             Culinárias deliciosas asiáticas e indianas 🍜     |    [Classificação](4-Classification/README.md)        | Introdução aos classificadores                                                                                                  |   [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |        Jen e Cassie • Eric Wanjau             |
+|       12        |             Culinárias deliciosas asiáticas e indianas 🍜     |    [Classificação](4-Classification/README.md)        | Mais classificadores                                                                                                            |   [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |        Jen e Cassie • Eric Wanjau             |
+|       13        |             Culinárias deliciosas asiáticas e indianas 🍜     |    [Classificação](4-Classification/README.md)        | Crie um app web recomendador usando seu modelo                                                                                  |                                             [Python](4-Classification/4-Applied/README.md)                                               |                      Jen                       |
+|       14        |                   Introdução ao clustering                     |        [Clustering](5-Clustering/README.md)            | Limpe, prepare e visualize seus dados; Introdução ao clustering                                                                |         [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html)          |           Jen • Eric Wanjau                   |
+|       15        |               Explorando gostos musicais nigerianos 🎧         |        [Clustering](5-Clustering/README.md)            | Explore o método de clustering K-Means                                                                                         |           [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html)           |           Jen • Eric Wanjau                   |
+|       16        |        Introdução ao processamento de linguagem natural ☕️    |    [Processamento de linguagem natural](6-NLP/README.md) | Aprenda o básico sobre PLN construindo um bot simples                                                                          |                                          [Python](6-NLP/1-Introduction-to-NLP/README.md)                                               |                    Stephen                    |
+|       17        |                      Tarefas comuns de PLN ☕️                 |    [Processamento de linguagem natural](6-NLP/README.md) | Aprofunde seu conhecimento em PLN entendendo tarefas comuns necessárias ao lidar com estruturas linguísticas                   |                                                    [Python](6-NLP/2-Tasks/README.md)                                                    |                    Stephen                    |
+|       18        |             Tradução e análise de sentimento ♥️                |    [Processamento de linguagem natural](6-NLP/README.md) | Tradução e análise de sentimento com Jane Austen                                                                              |                                           [Python](6-NLP/3-Translation-Sentiment/README.md)                                            |                    Stephen                    |
+|       19        |                  Hotéis românticos da Europa ♥️                |    [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 1                                                                              |                                              [Python](6-NLP/4-Hotel-Reviews-1/README.md)                                               |                    Stephen                    |
+|       20        |                  Hotéis românticos da Europa ♥️                |    [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 2                                                                              |                                              [Python](6-NLP/5-Hotel-Reviews-2/README.md)                                               |                    Stephen                    |
+|       21        |            Introdução à previsão de séries temporais           |        [Séries temporais](7-TimeSeries/README.md)      | Introdução à previsão de séries temporais                                                                                      |                                              [Python](7-TimeSeries/1-Introduction/README.md)                                              |                  Francesca                    |
+|       22        | ⚡️ Consumo de Energia Mundial ⚡️ - previsão de séries com ARIMA |        [Séries temporais](7-TimeSeries/README.md)      | Previsão de séries temporais com ARIMA                                                                                        |                                                  [Python](7-TimeSeries/2-ARIMA/README.md)                                                  |                  Francesca                    |
+|       23        |  ⚡️ Consumo de Energia Mundial ⚡️ - previsão de séries com SVR  |        [Séries temporais](7-TimeSeries/README.md)      | Previsão de séries temporais com Support Vector Regressor                                                                     |                                                   [Python](7-TimeSeries/3-SVR/README.md)                                                  |                   Anirban                     |
+|       24        |             Introdução ao aprendizado por reforço              | [Aprendizado por reforço](8-Reinforcement/README.md)  | Introdução ao aprendizado por reforço com Q-Learning                                                                           |                                              [Python](8-Reinforcement/1-QLearning/README.md)                                              |                   Dmitry                      |
+|       25        |                  Ajude Peter a evitar o lobo! 🐺               | [Aprendizado por reforço](8-Reinforcement/README.md)  | Aprendizado por reforço Gym                                                                                                    |                                                 [Python](8-Reinforcement/2-Gym/README.md)                                                  |                   Dmitry                      |
+|  Posfácio      |            Cenários e aplicações do aprendizado de máquina no mundo real            |      [ML in the Wild](9-Real-World/README.md)          | Aplicações interessantes e reveladoras do ML clássico                                                                          |                                              [Lição](9-Real-World/1-Applications/README.md)                                               |                     Equipe                     |
+|  Posfácio      |            Depuração de modelos em ML usando o dashboard RAI            |      [ML in the Wild](9-Real-World/README.md)          | Depuração de modelos em aprendizado de máquina usando componentes do dashboard Responsible AI                                 |                                             [Lição](9-Real-World/2-Debugging-ML-Models/README.md)                                              |                  Ruth Yakubu                   |
 
 > [encontre todos os recursos adicionais para este curso em nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
 
 ## Acesso offline
 
-Você pode executar esta documentação offline usando [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) em sua máquina local e então, na pasta raiz deste repositório, digite `docsify serve`. O site será servido na porta 3000 em seu localhost: `localhost:3000`.
+Você pode executar esta documentação offline usando o [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) em sua máquina local e então, na pasta raiz deste repositório, digite `docsify serve`. O site será servido na porta 3000 em seu localhost: `localhost:3000`.
 
 ## PDFs
 
 Encontre um pdf do currículo com links [aqui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
 
 
-## 🎒 Outros Cursos
+## 🎒 Outros Cursos 
 
 Nossa equipe produz outros cursos! Confira:
 
 <!-- CO-OP TRANSLATOR OTHER COURSES START -->
 ### LangChain
-[![LangChain4j para iniciantes](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
-[![LangChain.js para iniciantes](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
-
+[![LangChain4j para Iniciantes](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
+[![LangChain.js para Iniciantes](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[![LangChain para Iniciantes](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
 ---
 
 ### Azure / Edge / MCP / Agentes
-[![AZD para iniciantes](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![Edge AI para iniciantes](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![MCP para iniciantes](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![Agentes de IA para iniciantes](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![AZD para Iniciantes](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![Edge AI para Iniciantes](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![MCP para Iniciantes](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![Agentes de IA para Iniciantes](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
 
 ---
  
@@ -188,7 +188,7 @@ Nossa equipe produz outros cursos! Confira:
 
 ---
  
-### Aprendizado Básico
+### Aprendizado Central
 [![ML para Iniciantes](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
 [![Ciência de Dados para Iniciantes](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
 [![IA para Iniciantes](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@@ -200,24 +200,24 @@ Nossa equipe produz outros cursos! Confira:
 ---
  
 ### Série Copilot
-[![Copilot para Programação Emparelhada com IA](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[![Copilot para Programação Emparelhada de IA](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
 [![Copilot para C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
 [![Aventura Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
 <!-- CO-OP TRANSLATOR OTHER COURSES END -->
 
-## Obter Ajuda
+## Obtendo Ajuda
 
-Se você travar ou tiver alguma dúvida sobre como criar aplicativos de IA. Junte-se a outros aprendizes e desenvolvedores experientes nas discussões sobre MCP. É uma comunidade de apoio onde perguntas são bem-vindas e o conhecimento é compartilhado livremente.
+Se você ficar preso ou tiver alguma dúvida sobre como criar aplicativos de IA. Junte-se a outros aprendizes e desenvolvedores experientes nas discussões sobre MCP. É uma comunidade acolhedora onde perguntas são bem-vindas e o conhecimento é compartilhado livremente.
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-Se você tiver feedback de produto ou erros enquanto estiver construindo, visite:
+Se você tiver feedback sobre o produto ou encontrar erros durante o desenvolvimento, visite:
 
 [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
 ---
 
 <!-- CO-OP TRANSLATOR DISCLAIMER START -->
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações errôneas decorrentes do uso desta tradução.
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, é recomendada a tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
 <!-- CO-OP TRANSLATOR DISCLAIMER END -->
\ No newline at end of file
diff --git a/translations/pt-PT/.co-op-translator.json b/translations/pt-PT/.co-op-translator.json
index c645163b0..cdcb1d603 100644
--- a/translations/pt-PT/.co-op-translator.json
+++ b/translations/pt-PT/.co-op-translator.json
@@ -540,8 +540,8 @@
     "language_code": "pt-PT"
   },
   "README.md": {
-    "original_hash": "da2ceed62f16a0820259556e3a873c95",
-    "translation_date": "2026-01-29T18:18:45+00:00",
+    "original_hash": "2f594ee136e3127a47f56d80055227bc",
+    "translation_date": "2026-02-06T08:06:40+00:00",
     "source_file": "README.md",
     "language_code": "pt-PT"
   },
diff --git a/translations/pt-PT/README.md b/translations/pt-PT/README.md
index 7a6931de8..c2b3ee11f 100644
--- a/translations/pt-PT/README.md
+++ b/translations/pt-PT/README.md
@@ -1,36 +1,36 @@
 [![Licença GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
 [![Contribuidores GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
-[![Problemas GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
-[![Pedidos de Pull GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[![Issues GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[![Pull requests GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
 [![PRs Bem-vindos](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
 
 [![Observadores GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
-[![Bifurcações GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[![Forks GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
 [![Estrelas GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
 
 ### 🌐 Suporte Multilíngue
 
-#### Suportado via GitHub Action (Automatizado & Sempre Atualizado)
+#### Suportado via Ação do GitHub (Automatizado e Sempre Atualizado)
 
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
-[Árabe](../ar/README.md) | [Bengali](../bn/README.md) | [Búlgaro](../bg/README.md) | [Birmanês (Myanmar)](../my/README.md) | [Chinês (Simplificado)](../zh-CN/README.md) | [Chinês (Tradicional, Hong Kong)](../zh-HK/README.md) | [Chinês (Tradicional, Macau)](../zh-MO/README.md) | [Chinês (Tradicional, Taiwan)](../zh-TW/README.md) | [Croata](../hr/README.md) | [Checo](../cs/README.md) | [Dinamarquês](../da/README.md) | [Holandês](../nl/README.md) | [Estónio](../et/README.md) | [Finlandês](../fi/README.md) | [Francês](../fr/README.md) | [Alemão](../de/README.md) | [Grego](../el/README.md) | [Hebraico](../he/README.md) | [Hindi](../hi/README.md) | [Húngaro](../hu/README.md) | [Indonésio](../id/README.md) | [Italiano](../it/README.md) | [Japonês](../ja/README.md) | [Canarim (Kannada)](../kn/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malaio](../ms/README.md) | [Malaiala](../ml/README.md) | [Marata](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeriano](../pcm/README.md) | [Norueguês](../no/README.md) | [Persa (Farsi)](../fa/README.md) | [Polaco](../pl/README.md) | [Português (Brasil)](../pt-BR/README.md) | [Português (Portugal)](./README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romeno](../ro/README.md) | [Russo](../ru/README.md) | [Sérvio (Cirílico)](../sr/README.md) | [Eslovaco](../sk/README.md) | [Esloveno](../sl/README.md) | [Espanhol](../es/README.md) | [Suaíli](../sw/README.md) | [Sueco](../sv/README.md) | [Tagalo (Filipino)](../tl/README.md) | [Tâmil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandês](../th/README.md) | [Turco](../tr/README.md) | [Ucraniano](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
+[Árabe](../ar/README.md) | [Bengali](../bn/README.md) | [Búlgaro](../bg/README.md) | [Birmanês (Myanmar)](../my/README.md) | [Chinês (Simplificado)](../zh-CN/README.md) | [Chinês (Tradicional, Hong Kong)](../zh-HK/README.md) | [Chinês (Tradicional, Macau)](../zh-MO/README.md) | [Chinês (Tradicional, Taiwan)](../zh-TW/README.md) | [Croata](../hr/README.md) | [Checo](../cs/README.md) | [Dinamarquês](../da/README.md) | [Holandês](../nl/README.md) | [Estónio](../et/README.md) | [Finlandês](../fi/README.md) | [Francês](../fr/README.md) | [Alemão](../de/README.md) | [Grego](../el/README.md) | [Hebraico](../he/README.md) | [Hindi](../hi/README.md) | [Húngaro](../hu/README.md) | [Indonésio](../id/README.md) | [Italiano](../it/README.md) | [Japonês](../ja/README.md) | [Kannada](../kn/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malaio](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeriano](../pcm/README.md) | [Norueguês](../no/README.md) | [Persa (Farsi)](../fa/README.md) | [Polaco](../pl/README.md) | [Português (Brasil)](../pt-BR/README.md) | [Português (Portugal)](./README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romeno](../ro/README.md) | [Russo](../ru/README.md) | [Sérvio (Cirílico)](../sr/README.md) | [Eslovaco](../sk/README.md) | [Esloveno](../sl/README.md) | [Espanhol](../es/README.md) | [Suaíli](../sw/README.md) | [Sueco](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandês](../th/README.md) | [Turco](../tr/README.md) | [Ucraniano](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
 
 > **Prefere Clonar Localmente?**
 
-> Este repositório inclui mais de 50 traduções de idiomas, o que aumenta significativamente o tamanho de download. Para clonar sem traduções, utilize o sparse checkout:
+> Este repositório inclui mais de 50 traduções em várias línguas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use checkout esparso:
 > ```bash
 > git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
 > cd ML-For-Beginners
 > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
 > ```
-> Isto oferece tudo o que precisa para completar o curso com um download muito mais rápido.
+> Isto fornece tudo o que precisa para completar o curso com um download muito mais rápido.
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
 
 #### Junte-se à Nossa Comunidade
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-Temos uma série Discord de aprendizagem com IA em curso, saiba mais e junte-se a nós em [Série Aprender com IA](https://aka.ms/learnwithai/discord) de 18 a 30 de setembro de 2025. Receberá dicas e truques de como usar o GitHub Copilot para Ciência de Dados.
+Temos uma série de aprendizagem sobre IA em curso no Discord, saiba mais e junte-se a nós em [Série Aprender com IA](https://aka.ms/learnwithai/discord) de 18 a 30 de setembro de 2025. Receberá dicas e truques de utilização do GitHub Copilot para Ciência de Dados.
 
 ![Série Aprender com IA](../../translated_images/pt-PT/3.9b58fd8d6c373c20.webp)
 
@@ -38,47 +38,48 @@ Temos uma série Discord de aprendizagem com IA em curso, saiba mais e junte-se
 
 > 🌍 Viaje pelo mundo enquanto exploramos Aprendizagem Automática por meio das culturas do mundo 🌍
 
-Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas e 26 lições, inteiramente sobre **Aprendizagem Automática**. Neste currículo, irá aprender sobre o que por vezes é chamado de **aprendizagem automática clássica**, utilizando principalmente a biblioteca Scikit-learn e evitando o deep learning, que é abordado no nosso [currículo AI para Iniciantes](https://aka.ms/ai4beginners). Combine estas lições com o nosso ['Currículo de Ciência de Dados para Iniciantes'](https://aka.ms/ds4beginners), também!
+Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, 26 lições, todo sobre **Aprendizagem Automática**. Neste currículo, aprenderá acerca do que às vezes é chamado de **aprendizagem automática clássica**, usando principalmente o Scikit-learn como biblioteca e evitando aprendizagem profunda, que é abordada no nosso [currículo de IA para Iniciantes](https://aka.ms/ai4beginners). Combine estas lições com o nosso ['Currículo de Ciência de Dados para Iniciantes'](https://aka.ms/ds4beginners)!
 
-Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de várias regiões do mundo. Cada lição inclui questionários pré e pós-lição, instruções escritas para completar a lição, uma solução, uma tarefa, e mais. A nossa pedagogia baseada em projetos permite-lhe aprender enquanto constrói, uma forma comprovada para as novas competências "fixarem".
+Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de muitas regiões do planeta. Cada lição inclui quizzes pré e pós-lição, instruções escritas para completar a lição, uma solução, um desafio e mais. A nossa pedagogia baseada em projetos permite aprender enquanto constrói, uma forma comprovada de fixação de novas competências.
 
-**✍️ Um grande obrigado aos nossos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
+**✍️ Um sincero agradecimento aos nossos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
 
-**🎨 Também agradecemos aos nossos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
+**🎨 Obrigado também aos nossos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
 
-**🙏 Um agradecimento especial 🙏 aos nossos autores, revisores e contribuintes de conteúdo Microsoft Student Ambassador**, nomeadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
+**🙏 Agradecimentos especiais 🙏 aos nossos autores, revisores e colaboradores de conteúdo Microsoft Student Ambassadors**, nomeadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
 
-**🤩 Gratidão extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas lições em R!**
+**🤩 Agradecimento extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas lições em R!**
 
-# Começando
+# Começar
 
-Siga estes passos:  
-1. **Fazer Fork do Repositório**: Clique no botão "Fork" no canto superior direito desta página.  
-2. **Clonar o Repositório**:   `git clone https://github.com/microsoft/ML-For-Beginners.git`
+Siga estes passos:
+1. **Fork do Repositório**: Clique no botão "Fork" no canto superior direito desta página.
+2. **Clone o Repositório**:   `git clone https://github.com/microsoft/ML-For-Beginners.git`
 
 > [encontre todos os recursos adicionais para este curso na nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
 
-> 🔧 **Precisa de ajuda?** Consulte o nosso [Guia de Solução de Problemas](TROUBLESHOOTING.md) para soluções comuns de instalação, configuração e execução das lições.
+> 🔧 **Precisa de ajuda?** Consulte o nosso [Guia de Resolução de Problemas](TROUBLESHOOTING.md) para soluções a problemas comuns na instalação, configuração e execução das lições.
 
-**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, façam fork de todo o repositório para a vossa conta GitHub e completem os exercícios sozinhos ou em grupo:  
 
-- Comecem com um questionário pré-aula.  
-- Leiam a aula e completem as atividades, pausando e refletindo em cada verificação de conhecimento.  
-- Tente criar os projetos compreendendo as lições em vez de apenas executar o código da solução; no entanto, esse código está disponível nas pastas `/solution` em cada lição orientada a projetos.  
-- Façam o questionário pós-aula.  
-- Completem o desafio.  
-- Completem a tarefa.  
-- Após completar um grupo de lições, visitem o [Fórum de Discussão](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprendam em voz alta" preenchendo a rubric PAT apropriada. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que é uma rubric que preenche para aprofundar o seu aprendizado. Pode também reagir a outros PATs para aprendermos juntos.
+**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça fork de todo o repositório para a sua conta GitHub e realize os exercícios sozinho ou em grupo:
 
-> Para estudo adicional, recomendamos seguir estes módulos e percursos de aprendizagem do [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
+- Comece com um quiz pré-aula.
+- Leia a aula e realize as atividades, pausando e refletindo em cada verificação de conhecimento.
+- Tente criar os projetos compreendendo as lições em vez de copiar o código da solução; contudo, esse código está disponível nas pastas `/solution` em cada lição orientada a projetos.
+- Realize o quiz pós-aula.
+- Complete o desafio.
+- Realize a tarefa.
+- Após completar um grupo de lições, visite o [Fórum de Discussão](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprenda em voz alta" preenchendo a rubric PAT apropriada. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que consiste numa rúbrica que preenche para aprofundar a aprendizagem. Também pode reagir a outras PATs para aprendermos juntos.
 
-**Professores**, incluímos algumas [sugestões](for-teachers.md) sobre como usar este currículo.
+> Para estudo adicional, recomendamos seguir estes módulos e percursos de aprendizagem [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
+
+**Professores**, incluímos [algumas sugestões](for-teachers.md) sobre como usar este currículo.
 
 ---
 
-## Vídeos explicativos
+## Videoaulas
 
-Algumas lições estão disponíveis em formato de vídeo curto. Pode encontrá-los embutidos nas lições, ou na [playlist ML para iniciantes no canal Microsoft Developer do YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo.
+Algumas lições estão disponíveis em vídeo curto. Pode encontrar todos eles integrados nas lições, ou na [playlist ML para Iniciantes no canal Microsoft Developer do YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo.
 
 [![Banner ML para iniciantes](../../translated_images/pt-PT/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
 
@@ -96,79 +97,78 @@ Algumas lições estão disponíveis em formato de vídeo curto. Pode encontrá-
 
 ## Pedagogia
 
-Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que é prático **baseado em projetos** e que inclui **questionários frequentes**. Além disso, este currículo tem um **tema** comum que lhe dá coerência.
+Escolhemos dois princípios pedagógicos na construção deste currículo: garantir que é prático e **baseado em projetos** e que inclui **quizzes frequentes**. Além disso, este currículo tem um **tema comum** para lhe dar coesão.
 
-Garantindo que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os estudantes e a retenção de conceitos será aumentada. Além disso, um questionário de baixo risco antes da aula define a intenção do estudante para aprender um tópico, enquanto um segundo questionário após a aula assegura maior retenção. Este currículo foi desenhado para ser flexível e divertido, e pode ser feito na totalidade ou em parte. Os projetos começam pequenos e tornam-se progressivamente mais complexos até ao fim do ciclo de 12 semanas. Este currículo inclui também um posfácio sobre aplicações reais da Aprendizagem Automática, que pode ser usado como crédito extra ou como base para discussão.
+Ao garantir que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos será ampliada. Além disso, um quiz de baixo risco antes da aula define a intenção do estudante para aprender um tópico, enquanto um segundo quiz após a aula assegura retenção adicional. Este currículo foi desenhado para ser flexível e divertido, podendo ser feito na totalidade ou parcialmente. Os projetos começam pequenos e tornam-se progressivamente complexos até ao final do ciclo de 12 semanas. Este currículo inclui também um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussão.
 
-> Encontre as nossas [Regras de Conduta](CODE_OF_CONDUCT.md), [Contribuições](CONTRIBUTING.md), [Tradução](TRANSLATIONS.md) e [Resolução de Problemas](TROUBLESHOOTING.md). Agradecemos o seu feedback construtivo!
+> Consulte as nossas orientações para [Código de Conduta](CODE_OF_CONDUCT.md), [Contribuições](CONTRIBUTING.md), [Traduções](TRANSLATIONS.md) e [Resolução de Problemas](TROUBLESHOOTING.md). Agradecemos o seu feedback construtivo!
 
 ## Cada lição inclui
 
-- esboço opcional  
-- vídeo suplementar opcional  
-- vídeo explicativo (em algumas lições apenas)  
-- [questionário pré-aula](https://ff-quizzes.netlify.app/en/ml/)  
-- aula escrita  
-- para lições baseadas em projeto, guias passo a passo sobre como construir o projeto  
-- verificações de conhecimento  
-- um desafio  
-- leitura suplementar  
-- tarefa  
-- [questionário pós-aula](https://ff-quizzes.netlify.app/en/ml/)
-
-> **Uma nota sobre idiomas**: Estas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá à pasta `/solution` e procure as lições em R. Estas incluem uma extensão .rmd que representa um ficheiro **R Markdown**, que pode ser definido simplesmente como uma incorporação de `blocos de código` (de R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar saídas como PDF) num `documento Markdown`. Como tal, serve como um excelente framework de autor para ciência de dados, pois permite combinar o seu código, a sua saída e os seus pensamentos ao permitir que os escreva em Markdown. Além disso, os documentos R Markdown podem ser renderizados para formatos de saída como PDF, HTML ou Word.
-> **Uma nota sobre os questionários**: Todos os questionários estão contidos na [pasta da aplicação de questionários](../../quiz-app), para um total de 52 questionários com três perguntas cada. Eles estão ligados nas lições mas a aplicação de questionários pode ser executada localmente; siga as instruções na pasta `quiz-app` para alojar localmente ou implementar no Azure.
-
-| Número da Lição |                             Tema                              |                   Agrupamento da Lição                   | Objetivos de Aprendizagem                                                                                                       |                                                              Lição Ligada                                                               |                        Autor                        |
-| :-------------: | :-----------------------------------------------------------: | :------------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: |
-|       01        |                Introdução ao aprendizado de máquina                |      [Introdução](1-Introduction/README.md)       | Aprender os conceitos básicos por trás do aprendizado de máquina                                                                                |                                             [Lição](1-Introduction/1-intro-to-ML/README.md)                                             |                       Muhammad                       |
-|       02        |                A História do aprendizado de máquina                 |      [Introdução](1-Introduction/README.md)       | Conhecer a história subjacente a esta área                                                                                         |                                            [Lição](1-Introduction/2-history-of-ML/README.md)                                            |                     Jen e Amy                      |
-|       03        |                 Justiça e aprendizado de máquina                  |      [Introdução](1-Introduction/README.md)       | Quais são as questões filosóficas importantes sobre justiça que os estudantes devem considerar ao construir e aplicar modelos de AM? |                                              [Lição](1-Introduction/3-fairness/README.md)                                               |                        Tomomi                        |
-|       04        |                Técnicas para aprendizado de máquina                 |      [Introdução](1-Introduction/README.md)       | Que técnicas os investigadores de AM usam para construir modelos de AM?                                                                       |                                          [Lição](1-Introduction/4-techniques-of-ML/README.md)                                           |                    Chris e Jen                     |
-|       05        |                   Introdução à regressão                   |        [Regressão](2-Regression/README.md)         | Começar com Python e Scikit-learn para modelos de regressão                                                                  |         [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)         |      Jen • Eric Wanjau       |
-|       06        |                Preços das abóboras na América do Norte 🎃                |        [Regressão](2-Regression/README.md)         | Visualizar e limpar dados em preparação para AM                                                                                  |          [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html)          |      Jen • Eric Wanjau       |
-|       07        |                Preços das abóboras na América do Norte 🎃                |        [Regressão](2-Regression/README.md)         | Construir modelos de regressão linear e polinomial                                                                                   |        [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)        |      Jen e Dmitry • Eric Wanjau       |
-|       08        |                Preços das abóboras na América do Norte 🎃                |        [Regressão](2-Regression/README.md)         | Construir um modelo de regressão logística                                                                                               |     [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)      |      Jen • Eric Wanjau       |
-|       09        |                          Uma Aplicação Web 🔌                          |           [Aplicação Web](3-Web-App/README.md)            | Construir uma aplicação web para usar o seu modelo treinado                                                                                       |                                                 [Python](3-Web-App/1-Web-App/README.md)                                                  |                         Jen                          |
-|       10        |                 Introdução à classificação                 |    [Classificação](4-Classification/README.md)     | Limpar, preparar e visualizar os seus dados; introdução à classificação                                                            | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html)  | Jen e Cassie • Eric Wanjau |
-|       11        |             Culinárias deliciosas asiáticas e indianas 🍜             |    [Classificação](4-Classification/README.md)     | Introdução a classificadores                                                                                                     | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau |
-|       12        |             Culinárias deliciosas asiáticas e indianas 🍜             |    [Classificação](4-Classification/README.md)     | Mais classificadores                                                                                                                | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau |
-|       13        |             Culinárias deliciosas asiáticas e indianas 🍜             |    [Classificação](4-Classification/README.md)     | Construir uma aplicação web recomendadora usando o seu modelo                                                                                    |                                              [Python](4-Classification/4-Applied/README.md)                                              |                         Jen                          |
-|       14        |                   Introdução a agrupamentos                   |        [Agrupamento](5-Clustering/README.md)         | Limpar, preparar e visualizar os seus dados; introdução a agrupamentos                                                                |         [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html)         |      Jen • Eric Wanjau       |
-|       15        |              Explorar gostos musicais nigerianos 🎧              |        [Agrupamento](5-Clustering/README.md)         | Explorar o método de agrupamentos K-Means                                                                                           |           [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html)           |      Jen • Eric Wanjau       |
-|       16        |        Introdução ao processamento de linguagem natural ☕️         |   [Processamento de linguagem natural](6-NLP/README.md)    | Aprenda o básico sobre PLN construindo um bot simples                                                                             |                                             [Python](6-NLP/1-Introduction-to-NLP/README.md)                                              |                       Stephen                        |
-|       17        |                      Tarefas comuns de PLN ☕️                      |   [Processamento de linguagem natural](6-NLP/README.md)    | Aprofunde os seus conhecimentos de PLN compreendendo as tarefas comuns necessárias ao lidar com estruturas linguísticas                          |                                                    [Python](6-NLP/2-Tasks/README.md)                                                     |                       Stephen                        |
-|       18        |             Tradução e análise de sentimento ♥️              |   [Processamento de linguagem natural](6-NLP/README.md)    | Tradução e análise de sentimento com Jane Austen                                                                             |                                            [Python](6-NLP/3-Translation-Sentiment/README.md)                                             |                       Stephen                        |
-|       19        |                  Hotéis românticos da Europa ♥️                  |   [Processamento de linguagem natural](6-NLP/README.md)    | Análise de sentimento com avaliações de hotéis 1                                                                                         |                                               [Python](6-NLP/4-Hotel-Reviews-1/README.md)                                                |                       Stephen                        |
-|       20        |                  Hotéis românticos da Europa ♥️                  |   [Processamento de linguagem natural](6-NLP/README.md)    | Análise de sentimento com avaliações de hotéis 2                                                                                         |                                               [Python](6-NLP/5-Hotel-Reviews-2/README.md)                                                |                       Stephen                        |
-|       21        |            Introdução à previsão de séries temporais             |        [Séries temporais](7-TimeSeries/README.md)        | Introdução à previsão de séries temporais                                                                                         |                                             [Python](7-TimeSeries/1-Introduction/README.md)                                              |                      Francesca                       |
-|       22        | ⚡️ Consumo mundial de energia ⚡️ - previsão de séries temporais com ARIMA |        [Séries temporais](7-TimeSeries/README.md)        | Previsão de séries temporais com ARIMA                                                                                              |                                                 [Python](7-TimeSeries/2-ARIMA/README.md)                                                 |                      Francesca                       |
-|       23        |  ⚡️ Consumo mundial de energia ⚡️ - previsão de séries temporais com SVR  |        [Séries temporais](7-TimeSeries/README.md)        | Previsão de séries temporais com Support Vector Regressor                                                                           |                                                  [Python](7-TimeSeries/3-SVR/README.md)                                                  |                       Anirban                        |
-|       24        |             Introdução ao aprendizado por reforço             | [Aprendizado por reforço](8-Reinforcement/README.md) | Introdução ao aprendizado por reforço com Q-Learning                                                                          |                                             [Python](8-Reinforcement/1-QLearning/README.md)                                              |                        Dmitry                        |
-|       25        |                 Ajude o Peter a evitar o lobo! 🐺                  | [Aprendizado por reforço](8-Reinforcement/README.md) | Aprendizado por reforço com Gym                                                                                                      |                                                [Python](8-Reinforcement/2-Gym/README.md)                                                 |                        Dmitry                        |
-|  Posfácio   |            Cenários e aplicações reais de AM            |      [AM no Mundo Real](9-Real-World/README.md)       | Aplicações interessantes e reveladoras do AM clássico                                                               |                                             [Lição](9-Real-World/1-Applications/README.md)                                              |                         Equipa                         |
-|  Posfácio   |            Depuração de modelos de AM usando painel RAI          |      [AM no Mundo Real](9-Real-World/README.md)       | Depuração de modelos de Aprendizado de Máquina usando componentes do painel Responsible AI                                                              |                                             [Lição](9-Real-World/2-Debugging-ML-Models/README.md)                                              |                         Ruth Yakubu                       |
+- sketchnote opcional
+- vídeo suplementar opcional
+- videoaula (apenas algumas lições)
+- [quiz de aquecimento pré-lecture](https://ff-quizzes.netlify.app/en/ml/)
+- lição escrita
+- para lições baseadas em projeto, guias passo-a-passo para construir o projeto
+- verificações de conhecimento
+- um desafio
+- leitura suplementar
+- tarefa
+- [quiz pós-lecture](https://ff-quizzes.netlify.app/en/ml/)
+
+> **Uma nota sobre as línguas**: Estas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá à pasta `/solution` e procure pelas lições em R. Elas incluem uma extensão .rmd que representa um ficheiro **R Markdown**, que pode ser simplesmente definido como uma incorporação de `blocos de código` (em R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar as saídas como PDF) num `documento Markdown`. Como tal, serve como um exemplar de ambiente de autor para ciência de dados, pois permite combinar o código, a sua saída e os seus pensamentos escrevendo-os em Markdown. Além disso, documentos R Markdown podem ser convertidos para formatos de saída como PDF, HTML ou Word.
+> **Uma nota sobre quizzes**: Todos os quizzes estão contidos na [pasta Quiz App](../../quiz-app), totalizando 52 quizzes de três perguntas cada. Eles estão ligados dentro das lições, mas a aplicação de quiz pode ser executada localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implementar no Azure.
+
+| Número da Lição |                             Tópico                              |                    Agrupamento da Lição                   | Objetivos de Aprendizagem                                                                                                        |                                                                Lição Ligada                                                                |                      Autor                      |
+| :-------------: | :--------------------------------------------------------------: | :-------------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------: |
+|       01        |                Introdução ao machine learning                    |      [Introdução](1-Introduction/README.md)               | Aprender os conceitos básicos por trás do machine learning                                                                       |                                           [Lição](1-Introduction/1-intro-to-ML/README.md)                                            |                     Muhammad                   |
+|       02        |                   A História do machine learning                 |      [Introdução](1-Introduction/README.md)               | Aprender a história por trás desta área                                                                                          |                                          [Lição](1-Introduction/2-history-of-ML/README.md)                                           |                   Jen e Amy                     |
+|       03        |                  Justiça e machine learning                      |      [Introdução](1-Introduction/README.md)               | Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos ML?    |                                            [Lição](1-Introduction/3-fairness/README.md)                                               |                     Tomomi                      |
+|       04        |                 Técnicas para machine learning                   |      [Introdução](1-Introduction/README.md)               | Quais técnicas os investigadores de ML utilizam para construir modelos ML?                                                       |                                        [Lição](1-Introduction/4-techniques-of-ML/README.md)                                         |                   Chris e Jen                   |
+|       05        |                   Introdução à regressão                         |        [Regressão](2-Regression/README.md)                 | Começar com Python e Scikit-learn para modelos de regressão                                                                       |            [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)             |             Jen • Eric Wanjau                   |
+|       06        |                Preços de abóbora na América do Norte 🎃          |        [Regressão](2-Regression/README.md)                 | Visualizar e limpar dados em preparação para ML                                                                                   |             [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html)             |             Jen • Eric Wanjau                   |
+|       07        |                Preços de abóbora na América do Norte 🎃          |        [Regressão](2-Regression/README.md)                 | Construir modelos de regressão linear e polinomial                                                                                 |           [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)           |        Jen e Dmitry • Eric Wanjau               |
+|       08        |                Preços de abóbora na América do Norte 🎃          |        [Regressão](2-Regression/README.md)                 | Construir um modelo de regressão logística                                                                                        |         [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)         |             Jen • Eric Wanjau                   |
+|       09        |                          Uma App Web 🔌                           |           [App Web](3-Web-App/README.md)                    | Construir uma app web para usar o seu modelo treinado                                                                            |                                               [Python](3-Web-App/1-Web-App/README.md)                                                |                       Jen                       |
+|       10        |                 Introdução à classificação                       |    [Classificação](4-Classification/README.md)             | Limpar, preparar e visualizar os seus dados; introdução à classificação                                                          |    [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html)    |           Jen e Cassie • Eric Wanjau            |
+|       11        |             Deliciosas cozinhas asiáticas e indianas 🍜           |    [Classificação](4-Classification/README.md)             | Introdução aos classificadores                                                                                                    |    [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |           Jen e Cassie • Eric Wanjau            |
+|       12        |             Deliciosas cozinhas asiáticas e indianas 🍜           |    [Classificação](4-Classification/README.md)             | Mais classificadores                                                                                                              |    [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |           Jen e Cassie • Eric Wanjau            |
+|       13        |             Deliciosas cozinhas asiáticas e indianas 🍜           |    [Classificação](4-Classification/README.md)             | Construir uma app web recomendadora usando o seu modelo                                                                            |                                              [Python](4-Classification/4-Applied/README.md)                                              |                       Jen                       |
+|       14        |                   Introdução ao clustering                        |        [Clustering](5-Clustering/README.md)                 | Limpar, preparar e visualizar os seus dados; Introdução ao clustering                                                             |         [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html)         |             Jen • Eric Wanjau                   |
+|       15        |              Explorando gostos musicais da Nigéria 🎧             |        [Clustering](5-Clustering/README.md)                 | Explorar o método de clustering K-Means                                                                                          |           [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html)           |             Jen • Eric Wanjau                   |
+|       16        |        Introdução ao processamento de linguagem natural ☕️       |   [Processamento de linguagem natural](6-NLP/README.md)     | Aprender o básico sobre NLP construindo um bot simples                                                                           |                                             [Python](6-NLP/1-Introduction-to-NLP/README.md)                                              |                     Stephen                     |
+|       17        |                      Tarefas comuns de NLP ☕️                    |   [Processamento de linguagem natural](6-NLP/README.md)     | Aprofundar o seu conhecimento de NLP compreendendo tarefas comuns necessárias quando se trata de estruturas linguísticas          |                                                    [Python](6-NLP/2-Tasks/README.md)                                                     |                     Stephen                     |
+|       18        |             Tradução e análise de sentimento ♥️                   |   [Processamento de linguagem natural](6-NLP/README.md)     | Tradução e análise de sentimento com Jane Austen                                                                                 |                                            [Python](6-NLP/3-Translation-Sentiment/README.md)                                             |                     Stephen                     |
+|       19        |                  Hotéis românticos da Europa ♥️                   |   [Processamento de linguagem natural](6-NLP/README.md)     | Análise de sentimento com avaliações de hotéis 1                                                                                |                                               [Python](6-NLP/4-Hotel-Reviews-1/README.md)                                                |                     Stephen                     |
+|       20        |                  Hotéis românticos da Europa ♥️                   |   [Processamento de linguagem natural](6-NLP/README.md)     | Análise de sentimento com avaliações de hotéis 2                                                                                |                                               [Python](6-NLP/5-Hotel-Reviews-2/README.md)                                                |                     Stephen                     |
+|       21        |            Introdução à previsão de séries temporais              |        [Séries temporais](7-TimeSeries/README.md)           | Introdução à previsão de séries temporais                                                                                        |                                             [Python](7-TimeSeries/1-Introduction/README.md)                                              |                    Francesca                    |
+|       22        | ⚡️ Consumo de energia mundial ⚡️ - previsão com ARIMA           |        [Séries temporais](7-TimeSeries/README.md)           | Previsão de séries temporais com ARIMA                                                                                           |                                                 [Python](7-TimeSeries/2-ARIMA/README.md)                                                 |                    Francesca                    |
+|       23        |  ⚡️ Consumo de energia mundial ⚡️ - previsão com SVR            |        [Séries temporais](7-TimeSeries/README.md)           | Previsão de séries temporais com Support Vector Regressor                                                                        |                                                  [Python](7-TimeSeries/3-SVR/README.md)                                                  |                    Anirban                      |
+|       24        |             Introdução ao reinforcement learning                  | [Aprendizagem por reforço](8-Reinforcement/README.md)       | Introdução ao reinforcement learning com Q-Learning                                                                              |                                             [Python](8-Reinforcement/1-QLearning/README.md)                                              |                      Dmitry                     |
+|       25        |                  Ajude o Peter a evitar o lobo! 🐺               | [Aprendizagem por reforço](8-Reinforcement/README.md)       | Aprendizagem por reforço Gym                                                                                                     |                                                [Python](8-Reinforcement/2-Gym/README.md)                                                 |                      Dmitry                     |
+|  Posfácio       |            Cenários e aplicações reais de ML                      |      [ML na prática](9-Real-World/README.md)                 | Aplicações reais interessantes e reveladoras do ML clássico                                                                      |                                             [Lição](9-Real-World/1-Applications/README.md)                                              |                      Equipa                     |
+|  Posfácio       |            Depuração de modelos em ML usando painel RAI          |      [ML na prática](9-Real-World/README.md)                 | Depuração de modelos em Machine Learning usando componentes do painel Responsible AI                                              |                                             [Lição](9-Real-World/2-Debugging-ML-Models/README.md)                                              |                   Ruth Yakubu                    |
 
 > [encontre todos os recursos adicionais para este curso na nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
 
-## Acesso Offline
+## Acesso offline
 
-Pode executar esta documentação offline usando [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) na sua máquina local, e depois na pasta raiz deste repositório, digite `docsify serve`. O website será servido na porta 3000 no seu localhost: `localhost:3000`.
+Pode executar esta documentação offline usando o [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) na sua máquina local, e depois, na pasta raiz deste repositório, digite `docsify serve`. O site será servido na porta 3000 no seu localhost: `localhost:3000`.
 
 ## PDFs
 
 Encontre um pdf do currículo com links [aqui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
 
+## 🎒 Outros Cursos
 
-## 🎒 Outros Cursos 
-
-A nossa equipa produz outros cursos! Veja:
+A nossa equipa produz outros cursos! Confira:
 
 <!-- CO-OP TRANSLATOR OTHER COURSES START -->
 ### LangChain
 [![LangChain4j para Iniciantes](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
 [![LangChain.js para Iniciantes](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
-
+[![LangChain para Iniciantes](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
 ---
 
 ### Azure / Edge / MCP / Agentes
@@ -187,7 +187,7 @@ A nossa equipa produz outros cursos! Veja:
 
 ---
  
-### Aprendizagem Central
+### Aprendizagem Principal
 [![ML para Iniciantes](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
 [![Ciência de Dados para Iniciantes](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
 [![IA para Iniciantes](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@@ -199,24 +199,24 @@ A nossa equipa produz outros cursos! Veja:
 ---
  
 ### Série Copilot
-[![Copilot para Programação Emparelhada de IA](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[![Copilot para Programação Emparelhada com IA](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
 [![Copilot para C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
 [![Aventura Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
 <!-- CO-OP TRANSLATOR OTHER COURSES END -->
 
 ## Obter Ajuda
 
-Se ficar bloqueado ou tiver alguma questão sobre a criação de aplicações de IA. Junte-se a outros estudantes e desenvolvedores experientes em discussões sobre MCP. É uma comunidade de apoio onde as perguntas são bem-vindas e o conhecimento é partilhado livremente.
+Se ficar bloqueado ou tiver alguma pergunta sobre como construir aplicações de IA. Junte-se a outros aprendizes e programadores experientes em discussões sobre MCP. É uma comunidade de apoio onde as perguntas são bem-vindas e o conhecimento é partilhado livremente.
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-Se tiver feedback sobre o produto ou erros durante a criação, visite:
+Se tem feedback sobre produtos ou erros durante a construção, visite:
 
-[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
+[![Fórum de Desenvolvedores Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
 ---
 
 <!-- CO-OP TRANSLATOR DISCLAIMER START -->
 **Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução automática [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos por garantir a precisão, tenha em atenção que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se a tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
+Este documento foi traduzido utilizando o serviço de tradução automática [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, tenha em conta que as traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte oficial. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes da utilização desta tradução.
 <!-- CO-OP TRANSLATOR DISCLAIMER END -->
\ No newline at end of file