[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
> Este repositório inclui traduções em mais de 50 idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use o sparse checkout:
> Este repositório inclui mais de 50 traduções que aumentam significativamente o tamanho do download. Para clonar sem traduções, use checkout esparso:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,32 +33,32 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Isso oferece tudo que você precisa para completar o curso com um download muito mais rápido.
> Isso fornece tudo o que você precisa para completar o curso com um download muito mais rápido.
Estamos com uma série de aprendizado no Discord chamada learn with AI, 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 e truques para usar GitHub Copilot para Ciência de Dados.
Temos uma série contínua no Discord chamada "learn with AI", 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 e truques para usar o GitHub Copilot para Ciência de Dados.
# Machine Learning para Iniciantes - Um Currículo
> 🌍 Viaje pelo mundo enquanto exploramos Aprendizado de Máquina por meio das culturas do mundo 🌍
> 🌍 Viaje pelo mundo enquanto exploramos Machine Learning por meio das culturas globais 🌍
Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, inteiramente dedicado ao **Aprendizado de Máquina**. Neste currículo, você aprenderá sobre o que às vezes é chamado de **aprendizado de máquina clássico**, usando principalmente Scikit-learn como biblioteca e evitando deep learning, que é abordado em nosso [currículo AI para Iniciantes](https://aka.ms/ai4beginners). Combine essas aulas também com nosso ['Ciência de Dados para Iniciantes' currículo](https://aka.ms/ds4beginners)!
Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas com 26 lições focadas em **Machine Learning**. Neste currículo, você aprenderá sobre o que às vezes é chamado de **machine learning 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 essas lições com nosso [currículo Ciência de Dados para Iniciantes](https://aka.ms/ds4beginners)!
Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de várias regiões do mundo. Cada lição inclui quizzes 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 forma comprovada para fixar novas habilidades.
Viaje conosco ao redor do mundo enquanto aplicamos essas 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, um exercício e muito mais. Nossa pedagogia baseada em projetos permite que você aprenda construindo, uma forma comprovada de fixar novas habilidades.
**✍️ Muitos agradecimentos 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
**✍️ Agradecimentos calorosos 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
**🎨 Agradecimentos também aos nossos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
**🎨 Também agradecemos aos nossos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
**🙏 Agradecimentos especiais 🙏 aos nossos autores, revisores e colaboradores do conteúdo Microsoft Student Ambassador**, notavelmente 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 Ambassador**, notadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
**🤩 Agradecimento extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas lições em R!**
**🤩 Gratidão extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas lições em R!**
# Começando
@ -68,162 +68,162 @@ Siga estes passos:
> [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)
> 🔧 **Precisa de ajuda?** Confira nosso [Guia de solução de problemas](TROUBLESHOOTING.md) para soluções comuns de instalação, configuração e execução das lições.
> 🔧 **Precisa de ajuda?** Consulte nosso [Guia de Solução de Problemas](TROUBLESHOOTING.md) para soluções para problemas comuns com instalação, configuração e execução das lições.
**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça o fork de todo o repo para sua própria conta GitHub e realize os exercícios sozinho ou em grupo:
**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, fork o repositório inteiro para sua conta GitHub e complete os exercícios sozinho ou em grupo:
- Comece com um quiz pré-aula.
- Leia a aula e complete 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` de cada lição orientada a projetos.
- Faça o quiz pós-aula.
- Comece com um questionário pré-aula.
- Leia a aula e complete as atividades, fazendo pausas e refletindo em cada verificação de conhecimento.
- Tente criar os projetos compreendendo as lições, em vez de apenas executar o código solução; contudo, esse código está disponível nas pastas `/solution` em cada lição orientada por projeto.
- Faça o questionário pós-aula.
- Complete o desafio.
- Complete a tarefa.
- Depois de concluir 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 que você preenche para aprofundar seu aprendizado. Você também pode reagir a outros PATs para aprendermos juntos.
- Complete o exercício.
- 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 apropriada do PAT. Um 'PAT' é uma Ferramenta de Avaliação de Progresso 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 aprendizado do Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Professores**, fornecemos [algumas sugestões](for-teachers.md) sobre como usar este currículo.
**Professores**, incluímos [algumas sugestões](for-teachers.md) sobre como usar este currículo.
---
## Vídeos explicativos
Algumas das lições estão disponíveis em formato de vídeo curto. Você pode encontrar todos eles 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.
Algumas lições estão disponíveis como vídeos curtos. Você pode encontrar todos eles 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.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Clique na imagem acima para assistir a um vídeo sobre o projeto e as pessoas que o criaram!
> 🎥 Clique na imagem acima para um vídeo sobre o projeto e as pessoas que o criaram!
---
## Pedagogia
Optamos por dois princípios pedagógicos ao construir este currículo: garantir que ele seja prático e **baseado em projetos** e que inclua **quizzes frequentes**. Além disso, este currículo possui um **tema** comum para dar coesão.
Escolhemos dois princípios pedagógicos para construir este currículo: garantir que ele seja prático **baseado em projetos** e que inclua **questionários frequentes**. Além disso, este currículo tem um **tema** comum para dar coerência.
Garantindo que o conteúdo esteja alinhado a projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos será aumentada. Além disso, um quiz de baixa pressão antes de uma aula cria a intenção do aluno de aprender um tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser feito todo ou em partes. Os projetos começam pequenos e ficam progressivamente mais complexos até o final do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussões.
Ao garantir que o conteúdo esteja alinhado com projetos, o processo fica mais envolvente para os alunos e a retenção dos conceitos é aumentada. Além disso, um questionário de baixo risco antes da aula estabelece a intenção do aluno em aprender um tópico, enquanto um segundo questionário após a aula assegura uma retenção maior. Este currículo foi projetado para ser flexível e divertido e pode ser feito integralmente ou em partes. Os projetos começam pequenos e crescem em complexidade ao longo das 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), [Contribuições](CONTRIBUTING.md), [Traduções](..) e [Solução de Problemas](TROUBLESHOOTING.md). Agradecemos seu feedback construtivo!
> Encontre nosso [Código de Conduta](CODE_OF_CONDUCT.md), [Como Contribuir](CONTRIBUTING.md), [Traduções](..) e diretrizes de [Solução de Problemas](TROUBLESHOOTING.md). Aguardamos seu feedback construtivo!
> **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 até a pasta `/solution` e procure pelas lições em R. Elas incluem uma extensão .rmd que representa um arquivo **R Markdown**, que pode ser simplesmente definido como uma 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 excelente framework para autoria em ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos escrevendo-os em Markdown. Além disso, documentos R Markdown podem ser renderizados em formatos de saída como PDF, HTML ou Word.
> **Uma nota sobre questionários**: Todos os questionários estão contidos na [pasta Quiz App](../../quiz-app), totalizando 52 questionários com três perguntas cada. Eles estão vinculados nas lições, mas o aplicativo de questionários pode ser executado localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implantar no Azure.
| Número da Lição | Tópico | Agrupamento da Lição | 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 construir 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 aplicativo web 🔌 | [Aplicativo 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 | 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) | Construa um aplicativo web de recomendação usando seu modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introdução à clusterização | [Clusterização](5-Clustering/README.md) | Limpe, prepare e visualize seus dados; introdução à clusterização | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Explorando gostos musicais na Nigéria 🎧 | [Clusterização](5-Clustering/README.md) | Explore o método de clusterização 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 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 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 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) | Reinforcement learning Gym | [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 interessantes e reveladoras do aprendizado de máquina clássico | [Lição](9-Real-World/1-Applications/README.md) | Equipe |
| Pós-escrito | Depuração de modelos em ML usando o painel RAI | [ML na prática](9-Real-World/README.md) | Depuração de modelos em Aprendizado de Máquina usando componentes do painel Responsible AI | [Lição](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Uma nota sobre idiomas**: Essas 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 pelas lições em R. Elas incluem uma extensão .rmd que representa um arquivo **R Markdown**, que pode ser simplesmente definido como uma 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 uma estrutura exemplificada para autoria em ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos ao permitir escrevê-los em Markdown. Além disso, documentos R Markdown podem ser renderizados em formatos de saída como PDF, HTML ou Word.
> **Uma nota sobre quizzes**: Todos os quizzes estão contidos na [pasta do Quiz App](../../quiz-app), com 52 quizzes totais de três perguntas cada. Eles estão vinculados dentro das lições, mas o app 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 da Lição | Objetivos de Aprendizagem | Lição Vinculada | Autor |
| 01 | Introdução à aprendizagem de máquina | [Introdução](1-Introduction/README.md) | Aprenda os conceitos básicos por trás da aprendizagem de máquina | [Lição](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A história da aprendizagem de máquina | [Introdução](1-Introduction/README.md) | Aprenda a história subjacente a esse campo | [Lição](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
| 03 | Justiça e aprendizagem de máquina | [Introdução](1-Introduction/README.md) | Quais são as importantes questões filosóficas sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML? | [Lição](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Técnicas para aprendizagem 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 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 de 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 de 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 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 | Deliciosas culinárias 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 culinárias 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 culinárias 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 a clustering | [Agrupamento](5-Clustering/README.md) | Limpe, prepare e visualize seus dados; introdução a 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 na Nigéria 🎧 | [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 em PLN ☕️ | [Processamento de linguagem natural](6-NLP/README.md) | Aprofunde seu conhecimento em PLN entendendo tarefas comuns necessárias ao 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 na 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 na 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 | ⚡️ Uso 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 | ⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais 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) | Aprendizado por reforço Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Pós-escrito | Cenários e aplicações do ML no mundo real | [ML no Mundo Real](9-Real-World/README.md) | Aplicações interessantes e reveladoras do ML clássico | [Lição](9-Real-World/1-Applications/README.md) | Equipe |
| Pós-escrito | Depuração de modelos ML usando painel RAI | [ML no Mundo Real](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 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, em seguida, 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 [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
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agentes
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série de IA Generativa
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
### Aprendizado Essencial
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Se você ficar preso ou tiver dúvidas sobre como criar aplicativos de IA. Junte-se a outros aprendizes e desenvolvedores experientes em discussões sobre o MCP. É uma comunidade acolhedora onde perguntas são bem-vindas e o conhecimento é compartilhado livremente.
Se você ficar preso ou tiver alguma dúvida sobre como construir aplicativos de IA. Junte-se a outros aprendizes e desenvolvedores experientes em discussões sobre MCP. É uma comunidade acolhedora onde perguntas são bem-vindas e o conhecimento é compartilhado livremente.
[](https://aka.ms/foundry/forum)
## Dicas Adicionais de Aprendizado
- Revise os notebooks após cada aula para melhor compreensão.
@ -233,6 +233,6 @@ Se você tiver feedback sobre o produto ou encontrar erros durante a criação,
---
<!-- 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 empenhemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas 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 pela precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo 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 incorretas decorrentes do uso desta tradução.
> Este repositório inclui mais de 50 traduções de idiomas, o que aumenta significativamente o tamanho da transferência. Para clonar sem traduções, use checkout esparso:
> Este repositório inclui traduções em mais de 50 idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,63 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Isto dá-lhe tudo o que precisa para completar o curso com uma transferência muito mais rápida.
> Isto dá-lhe tudo o que precisa para completar o curso com um download muito mais rápido.
Temos uma série continuada no Discord aprender com IA, 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. Vai receber dicas e truques para usar o GitHub Copilot para Ciência de Dados.
Temos uma série de aprender com IA no Discord em curso, 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. Receberá dicas e truques para usar o GitHub Copilot para Ciência de Dados.
# Machine Learning para Iniciantes - Um Currículo
# Aprendizagem Automática para Iniciantes - Um Currículo
> 🌍 Viaje pelo mundo enquanto exploramos Machine Learning através das culturas mundiais 🌍
> 🌍 Viaje pelo mundo enquanto exploramos Aprendizagem Automática através das culturas mundiais 🌍
Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 aulas, inteiramente sobre **Machine Learning**. Neste currículo, irá aprender sobre o que às vezes é chamado de **aprendizagem automática clássica**, usando principalmente a biblioteca Scikit-learn e evitando o deep learning, que é abordado no nosso [currículo de AI para Iniciantes](https://aka.ms/ai4beginners). Combine estas aulas 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 e 26 lições totalmente dedicado a **Aprendizagem Automática**. Neste currículo, aprenderá sobre o que às vezes é chamado de **aprendizagem automática clássica**, usando principalmente a biblioteca Scikit-learn e evitando o deep learning, que é abordado no nosso [currículo AI for Beginners](https://aka.ms/ai4beginners). Combine estas lições com o nosso ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), também!
Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de muitas regiões do globo. Cada lição inclui quizzes antes e depois da aula, instruções escritas para completar a lição, uma solução, um exercício e mais. A nossa pedagogia baseada em projetos permite-lhe aprender enquanto constrói, uma forma comprovada de fazer as novas habilidades 'ficarem'.
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 concluir a lição, uma solução, um desafio, e mais. A nossa pedagogia baseada em projetos permite-lhe aprender enquanto constrói, uma forma comprovada para que as novas competências 'fixem'.
**✍️ 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
**✍️ Muito 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
**🎨 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 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
**🙏 Agradecimentos especiais 🙏 aos nossos autores, revisores e colaboradores 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
**🤩 Agradecimento extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas aulas em R!**
**🤩 Gratidão extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, e Vidushi Gupta pelas nossas lições em R!**
# Começar
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 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 Resolução de Problemas](TROUBLESHOOTING.md) para soluções comuns relacionadas com a instalação, configuração e execução das aulas.
> 🔧 **Precisa de ajuda?** Consulte o nosso [Guia de Resolução de Problemas](TROUBLESHOOTING.md) para soluções a problemas comuns com instalação, configuração e execução das lições.
**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça fork do repositório inteiro para a sua conta GitHub e complete os exercícios sozinho ou em grupo:
**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça fork do repositório completo para a sua própria conta no GitHub e complete os exercícios sozinho ou em grupo:
- Comece com um quiz pré-aula.
- Leia a aula e complete as atividades, parando para refletir em cada ponto de verificação de conhecimento.
- Tente criar os projetos compreendendo as aulas, em vez de executar o código da solução; contudo, esse código está disponível nas pastas `/solution` de cada aula orientada a projeto.
- Faça o quiz pós-aula.
- Comece com um questionário pré-entrevista.
- Leia a aula e complete as atividades, pausando e refletindo a 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 por projeto.
- Faça o questionário pós-entrevista.
- Complete o desafio.
- Complete o exercício.
- Depois de completar um grupo de aulas, 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 que é uma rubrica que preenche para aprofundar o seu aprendizado. Pode também reagir a outras PATs para aprendermos juntos.
- Complete a tarefa.
- Depois de 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 que preenche para aprofundar a aprendizagem. Também pode reagir a outras PATs para aprendermos juntos.
> 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).
> Para estudo adicional, recomendamos seguir estes módulos e trajetos 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.
**Professores**, temos [algumas sugestões](for-teachers.md) sobre como usar este currículo.
---
## Vídeos explicativos
Algumas das aulas estão disponíveis em formato de vídeo curto. Pode encontrar todos estes vídeos integrados nas aulas, 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 formato vídeo curto. Pode encontrá-los incorporados nas lições ou na [playlist ML for Beginners no canal Microsoft Developer no YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo.
[](https://aka.ms/ml-beginners-videos)
@ -97,74 +97,74 @@ Algumas das aulas estão disponíveis em formato de vídeo curto. Pode encontrar
> 🎥 Clique na imagem acima para ver um vídeo sobre o projeto e as pessoas que o criaram!
> 🎥 Clique na imagem acima para um vídeo sobre o projeto e as pessoas que o criaram!
---
## Pedagogia
Escolhemos dois princípios pedagógicos ao construir este 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 coerência.
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** para lhe dar coesão.
Garantindo que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos será aumentada. 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 uma maior retenção. Este currículo foi concebido para ser flexível e divertido, podendo ser seguido na totalidade ou em partes. Os projetos começam pequenos e tornam-se progressivamente mais complexos até ao fim do ciclo de 12 semanas. Este currículo inclui ainda um pós-escrito sobre aplicações reais de ML, que pode ser usado como crédito extra ou base para discussão.
Ao garantir que o conteúdo esteja alinhado com os 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 o tema, 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 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 diretrizes de [Código de Conduta](CODE_OF_CONDUCT.md), [Contribuições](CONTRIBUTING.md), [Traduções](..) e [Resolução de Problemas](TROUBLESHOOTING.md). Agradecemos o seu feedback construtivo!
> Consulte as nossas diretrizes [Código de Conduta](CODE_OF_CONDUCT.md), [Contribuir](CONTRIBUTING.md), [Traduções](..), e [Resolução de Problemas](TROUBLESHOOTING.md). Agradecemos o seu feedback construtivo!
## Cada aula inclui
## Cada lição inclui
- esboço opcional
- sketchnote opcional
- vídeo suplementar opcional
- vídeo explicativo (apenas algumas aulas)
- [quiz de preparação pré-aula](https://ff-quizzes.netlify.app/en/ml/)
> **Uma nota sobre idiomas**: Estas aulas são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma aula em R, vá à pasta `/solution` e procure as aulas em R. Estas incluem a extensão .rmd que representa um ficheiro **R Markdown**, que pode ser simplesmente definido como uma incorporação de `blocos de código` (de R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar os outputs, como PDF) num `documento Markdown`. Como tal, serve como um excelente framework para autoria em ciência de dados, pois permite combinar o código, o seu output e os seus pensamentos, permitindo escrevê-los em Markdown. Para além disso, os documentos R Markdown podem ser renderizados para formatos de output 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 um. Eles são ligados a partir das lições, mas a app de quizzes pode ser executada localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implantar 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 detrás 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 detrás 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) | Que técnicas os investigadores 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) | 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 da 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 da 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 da 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 Web App 🔌 | [Web App](3-Web-App/README.md) | Construir uma web app 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 | Cozinhas asiáticas e indianas deliciosas 🍜 | [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 | Cozinhas asiáticas e indianas deliciosas 🍜| [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 | Cozinhas asiáticas e indianas deliciosas 🍜| [Classificação](4-Classification/README.md)| Construir uma web app recomendadora usando o seu modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introdução à clusterização | [Clusterização](5-Clustering/README.md) | Limpar, preparar e visualizar os seus dados; Introdução à clusterização | [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 🎧 | [Clusterização](5-Clustering/README.md) | Explorar o método de clusterização 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 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 o seu conhecimento em PLN entendendo 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 em séries temporais | [Séries Temporais](7-TimeSeries/README.md) | Introdução à previsão em séries temporais | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Uso Mundial de Energia ⚡️ - previsão em séries temporais com ARIMA | [Séries Temporais](7-TimeSeries/README.md) | Previsão em séries temporais com ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Uso Mundial de Energia ⚡️ - previsão em séries temporais com SVR | [Séries Temporais](7-TimeSeries/README.md) | Previsão em séries temporais com Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introdução ao reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introdução ao reinforcement learning com Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Ajuda o Peter a evitar o lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym de reinforcement learning | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Posfácio | Cenários e aplicações de ML 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) | Equipa |
| Posfácio | Depuração de modelos em ML usando dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Depuração de modelos em Machine Learning usando componentes do dashboard Responsible AI | [Lição](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Uma nota sobre linguagens**: 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**, o qual pode ser simplesmente definido 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 uma estrutura exemplar de escrita para ciência de dados, pois permite combinar o seu código, a sua saída e as suas ideias ao possibilitar que as escreva em Markdown. Além disso, documentos R Markdown podem ser renderizados para formatos de saída como PDF, HTML ou Word.
> **Uma nota sobre questionários**: Todos os questionários estão contidos na [pasta Quiz App](../../quiz-app), são 52 questionários no total, cada um com três questões. Eles estão ligados a partir das lições, mas a aplicação do questionário pode ser executada localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou para fazer deploy no Azure.
| Número da Lições | 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 detrás 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 subjacente a esta área | [Lição](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Justiça e machine learning | [Introdução](1-Introduction/README.md) | Quais são as questões filosóficas importantes sobre justiça que os estudantes 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 usam para construir modelos ML? | [Lição](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introdução à regressão | [Regressão](2-Regression/README.md) | Comece a usar 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) | Visualizar e limpar dados para 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) | 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 and Dmitry • Eric Wanjau |
| 08 | Preços de 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 Web App 🔌 | [Web App](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 and Cassie • Eric Wanjau |
| 11 | Cozinhas 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 and Cassie • Eric Wanjau |
| 12 | Cozinhas 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 and Cassie • Eric Wanjau |
| 13 | Cozinhas 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 clustering | [Clustering](5-Clustering/README.md) | Limpar, preparar e visualizar os seus dados; Introdução a clustering | [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 🎧 | [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) | 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) | Aprofundar o seu conhecimento em PLN entendendo as tarefas comuns necessárias para 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 na Europa ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com críticas de hotéis 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotéis românticos na Europa ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com críticas de hotéis 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introdução a 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 |
| Pós-escrito | Cenários e aplicações reais de ML | [ML no Mundo Real](9-Real-World/README.md) | Aplicações interessantes e reveladoras no mundo real de ML clássico | [Lição](9-Real-World/1-Applications/README.md) | Equipa |
| Pós-escrito | Debugging de modelo em ML usando dashboard RAI | [ML no Mundo Real](9-Real-World/README.md) | Debugging de modelo em machine learning 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 na nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## 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 site será servido na porta 3000 no seu localhost: `localhost:3000`.
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, escreva`docsify serve`. O site será servido na porta 3000 no seu localhost: `localhost:3000`.
## PDFs
@ -173,66 +173,66 @@ Encontre um pdf do currículo com links [aqui](https://microsoft.github.io/ML-Fo
## 🎒 Outros Cursos
A nossa equipa produz outros cursos! Veja:
A nossa equipa produz outros cursos! Confira:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agentes
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série de IA Generativa
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
### Aprendizagem Fundamental
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Se ficar preso ou tiver alguma questão sobre como construir aplicações de IA. Junte-se a outros alunos e desenvolvedores experientes nas 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 dúvida sobre como criar aplicações de IA. Junte-se a outros aprendizes e programadores experientes em discussões sobre o MCP. É uma comunidade de apoio onde as perguntas são bem-vindas e o conhecimento é partilhado livremente.
- Reveja os notebooks após cada lição para uma melhor compreensão.
- Reveja os cadernos após cada aula para melhor compreensão.
- Pratique implementar algoritmos por conta própria.
- Explore conjuntos de dados reais utilizando os conceitos aprendidos.
- Explore conjuntos de dados do mundo real usando os conceitos aprendidos.
---
<!-- 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, esteja ciente de 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 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 por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, por favor note 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 realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas resultantes da utilização desta tradução.
localizeflow[bot]
3 months ago