add syntax and others types of fixes on regression lesson

2-Regression/1-Tools/translations/README.pt-br.md

@@ -25,11 +25,11 @@ Nesta lição, você aprenderá como:
 
 > 🎥 Clique na imagem acima para assistir o vídeo: usando Python no VS Code (vídeo em inglês).
 
-1. **Instale Python**. Verifique se você já instalou [Python](https://www.python.org/downloads/) em seu computador. Você usará Python para muitas tarefas de _data science_ e _machine learning_. A maioria dos sistemas de computador já possui Python instalado. Existem [Pacotes de Código em Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-15963-cxa) disponíveis para ajudar na instalação.
+1. **Instale Python**. Verifique se você já instalou [Python](https://www.python.org/downloads/) em seu computador. Você usará Python para muitas tarefas de _data science_ (ciência de dados) e _machine learning_. A maioria dos sistemas de computador já possui Python instalado. Existem [Pacotes de Código em Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-15963-cxa) disponíveis para ajudar na instalação.
 
    Algumas aplicações em Python exigem versões diferentes da linguagem. Portanto, será útil trabalhar com [ambiente virtual](https://docs.python.org/3/library/venv.html).
 
-2. **Instale o Visual Studio Code**. Verifique se já existe o Visual Studio Code instalado em seu computador. Siga essas instruções para [instalar o Visual Studio Code](https://code.visualstudio.com/) com uma instalação básica. Você usará Python no Visual Studio Code deste curso e precisará [configurar o Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-15963-cxa) para isso.
+2. **Instale o Visual Studio Code**. Verifique se já existe o Visual Studio Code instalado em seu computador. Siga essas instruções para [instalar o Visual Studio Code](https://code.visualstudio.com/) com uma instalação básica. Você usará Python no Visual Studio Code neste curso e precisará [configurar o Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-15963-cxa) para isso.
 
    > Fique mais confortável em usar Python trabalhando nessa coleção de [módulos de aprendizagem](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-15963-cxa).
 
@@ -39,12 +39,12 @@ Nesta lição, você aprenderá como:
 
 ## Seu ambiente de ML
 
-Você irá usar **notebooks** para desenvolver código em Python e criar modelos de _machine learning_. Esse tipo de arquivo é uma ferramenta comum para _data scientists_, e pode ser identificado pelo sufixo ou extensão `.ipynb`.
+Você irá usar **_notebooks_** para desenvolver código em Python e criar modelos de _machine learning_. Esse tipo de arquivo é uma ferramenta comum para _data scientists_ (cientistas de dados), e pode ser identificado pelo sufixo ou extensão `.ipynb`.
 
 _Notebooks_ são ambientes interativos que permitem a construção de código de programação e notas de _markdown_ para documentá-lo, o que pode ser muito útil para
 projetos experimentais ou de pesquisa.
 
-### Exercício - trabalhando com um **notebook**
+### Exercício - Trabalhando com um **_notebook_**
 
 Nesta pasta, você encontrará o arquivo _notebook.ipynb_.
 
@@ -81,13 +81,13 @@ Nesse curso, você irá usar a Scikit-learn e outras ferramentas para construir
 
 Scikit-learn facilita a construção e validação de modelos. O foco principal é no uso de dados numéricos mas também contém vários conjuntos de dados prontos para serem usados como ferramenta de estudo. Também possui modelos pré-construídos para os alunos experimentarem. Vamos explorar o processo de carregar dados predefinidos e usar um modelo com estimador integrado com a Scikit-learn e alguns dados básicos.
 
-## Exercício - seu primeiro notebook Scikit-learn
+## Exercício - Seu primeiro notebook Scikit-learn
 
 > Este tutorial foi inspirado pelo [exemplo de regressão linear](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) do site da Scikit-learn.
 
-No arquivo _notebook.ipynb_ da primeira lição, limpe todas as células clicando no ícone que parece uma lata de lixo 🗑️.
+No arquivo _notebook.ipynb_, limpe todas as células clicando no ícone que parece uma lata de lixo 🗑️.
 
-Nesta seção, você irá trabalhar com um pequeno conjunto de dados sobre diabetes que foi produzido na Scikit-learn para fins de aprendizagem. Imagine que você queira testar um tratamento para pessoas diabéticas. Modelos de _machine learning_ podem te ajudar a escolher quais pacientes irão responder melhor ao tratamento, baseado em combinações de variáveis. Mesmo um modelo de regressão simples, quando visualizado, pode mostrar informações sobre variáveis que ajudarão a organizar ensaios clínicos teóricos.
+Nesta seção, você irá trabalhar com um pequeno conjunto de dados sobre diabetes que foi produzido para a Scikit-learn com fins de aprendizagem. Imagine que você queira testar um tratamento para pessoas diabéticas. Modelos de _machine learning_ podem te ajudar a escolher quais pacientes irão responder melhor ao tratamento, baseado em combinações de variáveis. Mesmo um modelo de regressão simples, quando visualizado, pode mostrar informações sobre variáveis que ajudarão a organizar ensaios clínicos teóricos.
 
 ✅ Existem muitos tipos de métodos de regressão, e a escolha dentre eles dependerá da resposta que você procura. Se você quer prever a altura provável de uma pessoa de uma determinada idade, você deve usar a regressão linear, pois está sendo usado um **valor numérico**. Se você quer descobrir se um tipo de cozinha pode ser considerado vegano ou não, isso está relacionado a uma **atribuição de categoria**, então usa-se a regressão logística. Você irá aprender mais sobre regressão logística em breve. Pense um pouco nas questões que aparecem com os dados que você tem e qual desses métodos seria mais apropriado usar.
 
@@ -118,11 +118,11 @@ Importe essas bibliotecas pois te ajudarão na tarefa.
 O [conjunto de dados sobre diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) inclui 442 exemplos de dados sobre diabetes, com 10 variáveis de características, algumas delas incluem:
 
 - age: idade em anos
-- bmi: índice de massa corporal (body mass index)
+- bmi (body mass index): índice de massa corporal
-- bp: média de pressão sanguínea (blood pressure)
+- bp (blood pressure): média de pressão sanguínea
 - s1 tc: Células T (um tipo de glóbulo branco)
 
-✅ Esse conjunto de dados inclue o conceito de "sexo" como variável de característica importante no contexto de diabetes. Muitos conjuntos de dados médicos incluem tipos de classificação binária. Pense um pouco sobre como categorizações como essa podem excluir partes de uma população dos tratamentos.
+✅ Esse conjunto de dados inclui o conceito de "sexo" como variável de característica importante no contexto de diabetes. Muitos conjuntos de dados médicos incluem tipos de classificação binária. Pense um pouco sobre como categorizações como essa podem excluir partes de uma população dos tratamentos.
 
 Agora, carregue os dados X e y.
 
@@ -130,7 +130,7 @@ Agora, carregue os dados X e y.
 
 Em uma célula de código, carregue o conjunto de dados sobre diabetes chamando a função `load_diabetes()`. O parâmetro `return_X_y=True` indica que `X` será uma matriz de dados e `y` é o alvo da regressão.
 
-1. Adicione alguns comandos _print_ para mostrar a forma da matrix e seu primeiro elemento:
+1. Adicione alguns comandos _print_ para mostrar a forma da matriz e seu primeiro elemento:
 
     ```python
     X, y = datasets.load_diabetes(return_X_y=True)
@@ -158,7 +158,7 @@ Em uma célula de código, carregue o conjunto de dados sobre diabetes chamando
 
    ✅ Você pode adicionar comandos _print_ para imprimir e visualizar os dados e verificar seus formatos.
 
-3. Agora que os dados estão prontos para serem plotados, podemos usar uma máquina para ajudar a determinar a divisão lógica entre os números no conjunto de dados. Para isso, é necessário dividir os dados (X) e o alvo (y) em conjuntos de teste e treinamento. Scikit-learn oferece uma maneira de fazer isso; você pode dividir seu conjunto de dados de teste em um determinado ponto.
+3. Agora que os dados estão prontos para serem plotados, podemos usar uma máquina para ajudar a determinar a divisão lógica entre os dados no conjunto de dados. Para isso, é necessário dividir os dados (X) e o alvo (y) em conjuntos de teste e treinamento e a Scikit-learn oferece uma maneira de fazer isso.
 
    ```python
    X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
@@ -204,7 +204,7 @@ Plote uma variável diferente desse mesmo conjunto de dados. Dica: edite a linha
 
 ## Revisão e Auto Aprendizagem
 
-Neste tutorial, você trabalhou com regressão linear simples, ao invés de regressão univariada ou múltipla. Leia sobre as diferença esses métodos, ou assista [esse vídeo](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef).
+Neste tutorial, você trabalhou com regressão linear simples, ao invés de regressão univariada ou múltipla. Leia sobre as diferença desses métodos, ou assista [esse vídeo](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef).
 
 Leia mais sobre o conceito de regressão e pense sobre os tipos de questões que podem ser respondidas usando essa técnica. Faça esse [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-15963-cxa) para aprender mais.
 

2-Regression/2-Data/translations/README.pt-br.md

@@ -1,4 +1,4 @@
-# Crie um modelo de regressão usando Scikit-learn: preparar e visualizar dados
+# Construindo um modelo de regressão usando Scikit-learn: preparar e visualizar dados
 
 ![Infográfico de visualização de dados](../images/data-visualization.png)
 
@@ -23,15 +23,15 @@ Nesta lição, você irá aprender a:
 
 ## Fazendo a pergunta correta a seus dados
 
-A pergunta que você precisa responder determinará que tipo de algoritmos de ML você usará. E a qualidade da resposta que você receberá dependerá muito da natureza dos seus dados.
+A pergunta que você precisa responder determinará que tipo de algoritmos de ML você usará. E a qualidade da resposta que você receber dependerá muito da natureza dos seus dados.
 
-Dê uma olhada [nesses dados](../data/US-pumpkins.csv). Você pode abrir este arquivo .csv no VS Code. Uma rápida leitura mostra imediatamente que existem espaços em branco e uma mistura de strings e dados numéricos. Há também uma coluna estranha chamada `Package` onde os dados são uma mistura entre 'sacks' (sacos), 'bins' (caixas) e outros valores. Esses dados estão uma bagunça.
+Dê uma olhada [nesses dados](../../data/US-pumpkins.csv). Você pode abrir este arquivo .csv no VS Code. Uma rápida leitura mostra imediatamente que existem espaços em branco e uma mistura de strings e dados numéricos. Há também uma coluna estranha chamada `Package` onde os dados são uma mistura entre 'sacks' (sacos), 'bins' (caixas) e outros valores. Esses dados estão uma bagunça.
 
 A verdade é que raramente somos apresentados a um conjunto de dados que pode ser usado diretamente para criar um modelo de ML. Nesta lição, você aprenderá como preparar um conjunto de dados "bruto" usando bibliotecas Python. Você também aprenderá várias técnicas para visualizar os dados.
 
 ## Caso de estudo: 'o mercado de abóboras'
 
-Na pasta do projeto você encontrará um arquivo .csv na pasta raiz `data` chamado [US-pumpkins.csv](../../data/US-pumpkins.csv) que inclui 1757 linhas de dados sobre o mercado de abóboras, classificados em agrupamentos por cidade. Estes são dados brutos extraídos dos [Specialty Crops Terminal Markets Standard Reports (Relatórios Padrão de Mercados Terminais para Cultivos Especiais)](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) distribuído pelo Departamento de Agricultura dos Estados Unidos.
+Na pasta `data`, na raiz do projeto, você encontrará um arquivo .csv chamado [US-pumpkins.csv](../../data/US-pumpkins.csv) que inclui 1757 linhas de dados sobre o mercado de abóboras, classificados em agrupamentos por cidade. Estes são dados brutos extraídos dos [Specialty Crops Terminal Markets Standard Reports](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) (Relatórios Padrão de Mercados Terminais para Cultivos Especiais) distribuído pelo Departamento de Agricultura dos Estados Unidos.
 
 ### Preparando os dados
 
@@ -39,13 +39,13 @@ Esses dados são abertos ao público. Podem ser baixados em arquivos separados,
 
 ### Dados das abóboras - conclusões inciais
 
-O que você acha desses dados? Você já viu que existe uma mistura de strings, números, espaços em branco e valores estranhos.
+O que você acha desses dados? Você já viu que existe uma mistura de strings, números, espaços em branco e valores estranhos?
 
-Que pergunta você pode fazer sobre esses dados, usando uma técnica de regressão? Que tal "Prever o preço de uma abóbora à venda durante um determinado mês"?. Olhando novamente para os dados, existem algumas mudanças que você precisa fazer para criar a estrutura de dados necessária para a tarefa.
+Que pergunta você pode fazer sobre esses dados, usando uma técnica de regressão? Que tal "Como prever o preço de uma abóbora à venda durante um determinado mês"?. Olhando novamente para os dados, existem algumas mudanças que você precisa fazer para criar a estrutura de dados necessária para a tarefa.
 
-## Exercício - análise dos dados das abóboras
+## Exercício - Análise dos dados das abóboras
 
-Vamos usar o [Pandas](https://pandas.pydata.org/), (que significa `Python Data Analysis`) uma ferramenta útil para moldar, analizar e preparar os dados das abóboras.
+Vamos usar o [Pandas](https://pandas.pydata.org/), (que significa `Python Data Analysis`) uma ferramenta útil para moldar, analizar e preparar dados.
 
 ### Primeiro, procuramos datas faltantes
 
@@ -54,7 +54,7 @@ Você precisará seguir alguns passos para procurar por datas faltantes:
 1. Converta as datas para um formato mensal (as datas estão no formato dos EUA, ou seja, `MM/DD/AAAA`).
 2. Transforme o mês numa nova coluna.
 
-Abra o arquivo _notebook.ipynb_ no Visual Studio Code e import a planilha no formato de um _dataframe_ Pandas.
+Abra o arquivo _notebook.ipynb_ no Visual Studio Code e importe a planilha no formato de um _dataframe_ Pandas.
 
 1. Use a função `head()` para visualizar as cinco primeiras linhas.
 
@@ -96,7 +96,7 @@ Solução: pegue a média das colunas `Low Price` (Preço baixo) e `High Price`
 
     ```
 
-   ✅ Sinta-se a vontade para imprimir qualquer dado usando `print(month)`.
+   ✅ Sinta-se a vontade para imprimir qualquer dado usando `print(nome da variável aqui)`.
 
 2. Agora, copie sua data convertida em um _dataframe_ Pandas novinho em folha:
 
@@ -106,13 +106,13 @@ Solução: pegue a média das colunas `Low Price` (Preço baixo) e `High Price`
 
     Ao imprimir seu _dataframe_, você verá um conjunto de dados limpo e organizado para criar seu modelo de regressão.
 
-### Mas espere! Parece que tem algo estranho
+### Mas espere! Parece que tem algo estranho 🤔
 
 Se você olhar a coluna `Package` (Pacote), as abóboras são vendidas em muitas configurações diferentes. Algumas são vendidas em medidas de '1 1/9 bushel' (bushel é uma unidade de medida, equivalente à "alqueire"), e algumas de '1/2 bushel', algumas por abóbora, algumas por libra (unidade de medida) e algumas em grandes caixas de larguras variadas.
 
-> Parece que é difícil pesar a abóbora de uma forma consistente
+> Parece que é difícil pesar a abóbora de uma forma consistente.
 
-Analisando os dados originais, é interessante que qualquer coisa com `Unit of Sale` (Unidade de Venda) igual a 'EACH' ou 'PER BIN' também tem o tipo `Package` com "per inch" (por polegada), "per bin" (por caixa) ou "each" (ambos). Como as abóboras são difíceis de pesar de forma consistente, vamos filtrá-las selecionando apenas as abóboras com a string "bushel" em sua coluna `Package`.
+Analisando os dados originais, é interessante observar que qualquer coisa com `Unit of Sale` (Unidade de Venda) igual a 'EACH' ou 'PER BIN' também tem o tipo `Package` com "per inch" (por polegada), "per bin" (por caixa) ou "each" (ambos). Como as abóboras são difíceis de pesar de forma consistente, vamos filtrá-las selecionando apenas as abóboras com a string "bushel" em sua coluna `Package`.
 
 1. Adicione um filtro na parte superior do arquivo, abaixo da importação inicial do .csv:
 
@@ -122,11 +122,11 @@ Analisando os dados originais, é interessante que qualquer coisa com `Unit of S
 
     Se você imprimir os dados agora, verá que retorna cerca de 415 contendo dados de abóboras por bushel.
 
-### Mas espere! Tem mais uma coisa
+### Opa! Mais uma coisa...
 
 Você notou que a quantidade de bushel varia por linha? Você precisa normalizar o preço para mostrar o preço por bushel.
 
-1. Adicione essas linhas após o bloco criando o _dataframe_ new_pumpkins:
+1. Adicione essas linhas após o bloco criando o _dataframe_ `new_pumpkins`:
 
     ```python
     new_pumpkins.loc[new_pumpkins['Package'].str.contains('1 1/9'), 'Price'] = price/(1 + 1/9)
@@ -144,13 +144,13 @@ Você pode analisar o preço por unidade com base na medição do bushel. Se voc
 
 Parte da função do _data scientist_ é demonstrar a qualidade e a natureza dos dados com os quais está trabalhando. Para fazer isso, eles geralmente criam visualizações, ou plotagens, gráficos e tabelas, mostrando diferentes aspectos dos dados. Dessa forma, eles são capazes de mostrar visualmente relações e lacunas que, de outra forma, seriam difíceis de descobrir.
 
-As visualizações também podem ajudar a determinar a técnica de _machine learning_ mais adequada para os dados. Um gráfico de dispersão que parece seguir uma linha, por exemplo, indica que os dados são um bom candidato para um exercício de regressão linear.
+As visualizações também podem ajudar a determinar a técnica de _machine learning_ mais adequada para os dados. Um gráfico de dispersão que parece seguir uma linha, por exemplo, indica que os dados são bons candidatos para um exercício de regressão linear.
 
-Uma biblioteca de visualização de dados que funciona bem nos blocos de anotações Jupyter é a [Matplotlib](https://matplotlib.org/) (que você também viu na lição anterior).
+Uma biblioteca de visualização de dados que funciona bem nos blocos de _notebooks_ é a [Matplotlib](https://matplotlib.org/) (que você também viu na lição anterior).
 
 > Ganhe mais experiência em visualização de dados fazendo [esses tutoriais](https://docs.microsoft.com/learn/modules/explore-analyze-data-with-python?WT.mc_id=academic-15963-cxa).
 
-## Exercício - experimento com Matplotlib
+## Exercício - Experimento com Matplotlib
 
 Tente criar alguns gráficos básicos para exibir o novo _dataframe_ que você acabou de criar. O que um gráfico de linha básico mostraria?
 
@@ -161,7 +161,7 @@ Tente criar alguns gráficos básicos para exibir o novo _dataframe_ que você a
     ```
 
 1. Execute o _notebook_ inteiro para atualizá-lo.
-1. No final do _notebook_, adicione uma célula para plotar os dados em uma caixa:
+1. No final do _notebook_, adicione uma célula para plotar os dados:
 
     ```python
     price = new_pumpkins.Price
@@ -178,9 +178,9 @@ Tente criar alguns gráficos básicos para exibir o novo _dataframe_ que você a
 
 ### Torne o gráfico útil
 
-Para fazer com que os gráficos exibam dados úteis, você precisa agrupar os dados de alguma forma. Vamos tentar criar um gráfico onde o eixo "y" mostra os meses e os dados demonstram a distribuição dos dados.
+Para fazer com que os gráficos exibam dados úteis, você precisa agrupar os dados de alguma forma. Vamos tentar criar um gráfico onde o eixo "y" mostra os meses e o eixo "x" mostra a distribuição dos preços das abóboras.
 
-1. Adicione uma célula para criar um gráfico de barras:
+1. Adicione uma célula de código para criar um gráfico de barras:
 
     ```python
     new_pumpkins.groupby(['Month'])['Price'].mean().plot(kind='bar')
@@ -189,7 +189,7 @@ Para fazer com que os gráficos exibam dados úteis, você precisa agrupar os da
 
     ![Um gráfico de barras mostrando a relação de preços por mês](../images/barchart.png)
 
-    Essa visualização de dados parece ser mais útil! Parece indicar que o preço mais alto das abóboras ocorre em setembro e outubro. Isso atende às suas expectativas? Por que ou por que não?
+    Essa visualização de dados parece ser mais útil! Parece indicar que o preço mais alto das abóboras ocorre em setembro e outubro. Isso atende às suas expectativas? Por quê ou por quê não?
 
 ---
 

2-Regression/2-Data/translations/assignment.pt-br.md

@@ -2,7 +2,7 @@
 
 ## Instruções
 
-Existem muitas bibliotecas disponíveis para visualização de dados. Crie algumas visualizações usando o conjunto de dados sobre abóbora nesta lição usando matplotlib e seaborn em um _notebook_. Quais bibliotecas são mais fáceis de usar?
+Existem muitas bibliotecas disponíveis para visualização de dados. Crie algumas visualizações usando o conjunto de dados sobre abóboras nesta lição usando matplotlib e seaborn em um _notebook_. Quais bibliotecas são mais fáceis de usar?
 
 ## Critérios de avaliação
 

2-Regression/3-Linear/translations/README.pt-br.md

@@ -10,15 +10,15 @@
 
 ### Introdução 
 
-Até agora, você viu o que é regressão com dados de amostra coletados do conjunto de dados de preços de abóboras, usaremos esse conjunto de dados ao longo desta lição. Você também o visualizou o conjunto de dados usando Matplotlib.
+Até agora, você viu o que é regressão com dados de amostra coletados do conjunto de dados de preços de abóboras, usaremos esse conjunto de dados ao longo desta lição. Você também o visualizou usando Matplotlib.
 
 Você está pronto para mergulhar mais fundo na regressão para ML. Nesta lição, você aprenderá mais sobre dois tipos de regressão: _regressão linear básica_ e _regressão polinomial_, junto com um pouco da matemática que fundamenta essas duas técnicas.
 
-> Ao longo deste currículo, assumimos um conhecimento mínimo de matemática e procuramos torná-lo acessível para alunos vindos de outras áreas, portanto, preste atenção às notas, 🧮 legendas, diagramas e outras ferramentas de aprendizagem para ajudar na compreensão.
+> Ao longo deste curso, assumimos um conhecimento mínimo de matemática e procuramos torná-lo acessível para alunos vindos de outras áreas, portanto, preste atenção às notas, 🧮 legendas, diagramas e outras ferramentas de aprendizagem para ajudar na compreensão.
 
 ### Pré-requisito
 
-Você já deve estar familiarizado com a estrutura do conjunto de dados de abóboras que estávamos examinando. Você pode encontrá-lo já tratado no arquivo _notebook.ipynb_ desta lição. No arquivo, o preço da abóbora é exibido por bushel (aquela unidade de medida 😅) em um novo _dataframe_. Certifique-se de que você pode executar os _notebooks_ no Visual Studio Code.
+Você já deve sabe mais ou menos como é estrutura do conjunto de dados de abóboras que estávamos examinando. Você pode encontrá-lo já tratado no arquivo _notebook.ipynb_ desta lição. No arquivo, o preço da abóbora é exibido por bushel (aquela unidade de medida 😅) em um novo _dataframe_. Certifique-se de que você pode executar os _notebooks_ no Visual Studio Code.
 
 ### Preparação
 
@@ -53,7 +53,7 @@ Fazemos isso porque queremos modelar uma linha que tenha a menor distância cumu
 > Y = a + bX
 > ```
 >
-> `X` é a 'variável explanatória'. `Y` é a 'variável dependente'. A inclinação da linha `b` e `a` é a interseção de y, que se refere ao valor de `Y` quando `X = 0`. 
+> `X` é a 'variável explanatória'. `Y` é a 'variável dependente'. `b` é a inclinação da linha e `a` é a interseção de y, que se refere ao valor de `Y` quando `X = 0`. 
 >
 >![Cálculo da inclinação](../images/slope.png)
 >
@@ -82,7 +82,7 @@ Um bom modelo de regressão linear será aquele que tiver um coeficiente de corr
 
 Usando a matemática por trás deste exercício, crie um modelo de regressão para prever qual melhor preço de caixa de abóbora. Um comprador de abóbora vai querer saber desse tipo de informação para otimizar suas compras.
 
-Como você usará o Scikit-learn, não há razão para fazer isso manualmente (mas você pode!). No bloco principal de processamento de dados do seu _notebook_, adicione a biblioteca do Scikit-learn para converter automaticamente todos os dados da string em números:
+Como você usará o Scikit-learn, não há razão para fazer isso manualmente (mas você pode!). No bloco principal do seu _notebook_, adicione a biblioteca do Scikit-learn para converter automaticamente todos os dados string em números:
 
 ```python
 from sklearn.preprocessing import LabelEncoder
@@ -90,10 +90,10 @@ from sklearn.preprocessing import LabelEncoder
 new_pumpkins.iloc[:, 0:-1] = new_pumpkins.iloc[:, 0:-1].apply(LabelEncoder().fit_transform)
 ```
 
-Se você olhar para o _dataframe_ `new_pumpkins` agora, verá que todas as strings são numéricas. Isso torna a leitura mais difícil, mas muito mais simples para o Scikit-learn! 
+Se você olhar para o _dataframe_ `new_pumpkins` agora, verá que todas as strings são números. Isso torna a leitura mais difícil, mas muito mais simples para o Scikit-learn! 
 Você pode tomar decisões robustas (não apenas com base em um gráfico de dispersão) sobre os melhores dados para a regressão.
 
-Tente encontrar uma boa correlação entre dois pontos de seus dados para construir um bom modelo preditivo. Vemos que há apenas uma correlação fraca entre City  e Price:
+Tente encontrar uma boa correlação entre dois pontos de seus dados para construir um bom modelo preditivo. Vemos que há uma correlação baixa entre City  e Price:
 
 ```python
 print(new_pumpkins['City'].corr(new_pumpkins['Price']))
@@ -111,7 +111,7 @@ Uma boa pergunta sobre esses dados seria: 'Que preço posso esperar de uma deter
 
 Vamos construir o modelo de regressão.
 
-## Constrindo um modelo linear
+## Construindo um modelo linear
 
 Antes de construir seu modelo, vamos tratar os dados mais uma vez. Elimine quaisquer dados nulos e verifique os dados mais uma vez.
 
@@ -204,7 +204,7 @@ lin_pumpkins
 O número faz sentido se a lógica da linha de regressão estiver correta.
 
 🎃 Parabéns, você acabou de criar um modelo que pode ajudar a prever o preço de uma caixa (ou outro tipo de medida) de abóboras. 
-Já vai ter decoração de halloween até o do ano que vem ou já pode aprimorar seu histórico de receitas usando abóboras!.
+Já vai ter decoração de halloween até o do ano que vem ou já pode aprimorar seu histórico de receitas que levam abóbora.
 
 Lembre-se que sempre tem como melhorar o seu modelo!
 
@@ -214,13 +214,13 @@ Outro tipo de regressão linear é a regressão polinomial. Embora às vezes haj
 
 ✅ Aqui estão [mais exemplos](https://online.stat.psu.edu/stat501/lesson/9/9.8) de dados que podem usar regressão polinomial.
 
-Dê uma outra olhada na relação entre Variety (Variedade) e Price no gráfico anterior. Este gráfico de dispersão parece que deve ser analisado por uma linha reta? Talvez não. Nesse caso, você pode tentar a regressão polinomial.
+Dê uma outra olhada na relação entre Variety e Price no gráfico anterior. Este gráfico de dispersão parece que deve ser analisado por uma linha reta? Talvez não. Nesse caso, você pode tentar a regressão polinomial.
 
 ✅ Polinômios são expressões matemáticas que podem consistir em uma ou mais variáveis e coeficientes.
 
 A regressão polinomial cria uma linha curva para ajustar melhor os dados não lineares.
 
-1. Vamos recriar um _dataframe_ preenchido com um segmento dos dados originais da abóbora:
+1. Vamos recriar um _dataframe_ preenchido com um segmento dos dados originais:
 
    ```python
    new_columns = ['Variety', 'Package', 'City', 'Month', 'Price']
@@ -229,7 +229,7 @@ A regressão polinomial cria uma linha curva para ajustar melhor os dados não l
    poly_pumpkins
    ```
 
-Uma boa forma de visualizar as correlações entre os dados em _dataframes_ é exibi-los em um gráfico 'coolwarm':
+Uma boa forma de visualizar as correlações entre os dados em _dataframes_ é exibi-los em um gráfico '_coolwarm_':
 
 2. Use o método `Background_gradient()` com `coolwarm` como parâmetro:
 
@@ -238,6 +238,7 @@ Uma boa forma de visualizar as correlações entre os dados em _dataframes_ é e
    corr.style.background_gradient(cmap='coolwarm')
    ```
    Este código cria um mapa de calor:
+
    ![Um mapa de calor mostrando a correlação dos dados](../images/heatmap.png)
 
 Este gráfico mostra a boa correlação entre Package e Price. Portanto, você pode criar um modelo melhor que o anterior.
@@ -321,7 +322,7 @@ Chame `predict()` para pedir uma previsão:
    ```
 
 Agora faz sentido!
-E se esse modelo for melhor que o anterior usando o mesmo conjunto de dados, você já pode fazer orçamentos para abóboras mais caras! 😂.
+E se esse modelo for melhor que o anterior usando o mesmo conjunto de dados, você já pode fazer orçamentos para abóboras mais caras! 😂
 
 🏆 Muito bem! Você criou dois modelos de regressão em uma lição. Na lição final, você aprenderá sobre regressão logística para determinar categorias 🤩.
 

2-Regression/3-Linear/translations/assignment.pt-br.md

@@ -1,4 +1,4 @@
-# Crie um modelo de regressão
+# Construa um modelo de regressão
 
 ## Instruções
 

2-Regression/4-Logistic/translations/README.pt-br.md

@@ -21,7 +21,7 @@ Você irá aprender:
 
 Tendo trabalhado com os dados das abóboras, estamos familiarizados o suficiente com eles para perceber que há uma categoria binária com a qual podemos trabalhar: `Color` (cor).
 
-Vamos construir um modelo de regressão logística para prever _a cor que a abóbora provavelmente terá_ (laranja 🎃 ou branca 👻), com base em algumas variáveis.
+Vamos construir um modelo de regressão logística para prever _qual a cor que a abóbora provavelmente terá_ (laranja 🎃 ou branca 👻), com base em algumas colunas.
 
 > Por que estamos falando de classificação binária em um grupo de lições sobre regressão? Apenas por conveniência linguística, regressão logística é [um método de classificação](https://scikit-learn.org/stable/modules/linear_model.html#logistic-regression), mesmo sendo linear. Vamos aprender outros modos de classificar dados em lições mais a frente.
 
@@ -58,7 +58,7 @@ Embora esse tipo de regressão esteja relacionado a "previsões de categoria", e
 
 ### Variáveis ​​NÃO devem ser correlacionadas
 
-Lembra como a regressão linear funcionou melhor com várias variáveis ​​correlacionadas? A regressão logística é o oposto: as variáveis ​​não precisam disso. Logo, funciona para dados que têm correlações fracas.
+Lembra como a regressão linear funcionou melhor com variáveis ​​correlacionadas? A regressão logística é o oposto: as variáveis ​​não precisam disso. Logo, funciona para dados que têm correlações baixas.
 
 ### Você precisará de muitos dados. E tratados.
 
@@ -90,9 +90,9 @@ Primeiro, limpamos os dados eliminando os valores nulos e selecionando apenas al
     new_pumpkins.info
     ```
 
-### Visualização - _side-by-side grid_ (grade lado-a-lado)
+### Visualização: _side-by-side grid_ (grade lado-a-lado)
 
-Após carregar mais uma vez seu [_notebook_](../notebook.ipynb) com os dados das abóboras e tratá-los para preservar um conjunto de dados contendo algumas variáveis, incluindo `Color`, vamos visualizar o _dataframe_ no _notebook_ usando uma biblioteca diferente: a [Seaborn](https://seaborn.pydata.org/index.html).
+Após carregar mais uma vez seu [_notebook_](../notebook.ipynb) com os dados das abóboras e tratá-los para preservar um conjunto de dados contendo algumas colunas, incluindo `Color`, vamos visualizar o _dataframe_ no _notebook_ usando uma biblioteca diferente: a [Seaborn](https://seaborn.pydata.org/index.html).
 
 Seaborn oferece algumas maneiras interessantes de visualizar dados. Por exemplo, você pode comparar as distribuições dos dados para cada ponto em uma grade lado-a-lado.
 
@@ -113,9 +113,9 @@ Seaborn oferece algumas maneiras interessantes de visualizar dados. Por exemplo,
 
 ### Gráfico _swarm_
 
-Como `Color` é uma categoria binária (laranja ou não), ela é chamada de 'dado categórico' e precisa de 'uma [abordagem mais especializada](https://seaborn.pydata.org/tutorial/categorical.html?highlight=bar) para visualização'. Existem outras maneiras de visualizar a relação desta categoria com outras variáveis.
+Como `Color` é uma categoria binária (laranja ou não), ela é chamada de 'dado categórico' e precisa de 'uma [abordagem mais especializada](https://seaborn.pydata.org/tutorial/categorical.html?highlight=bar) para visualização'. Existem outras maneiras de visualizar a relação desta coluna com as outras.
 
-As variáveis ​​podem ser visualizadas lado a lado com os gráficos Seaborn.
+As colunas ​​podem ser visualizadas lado a lado com os gráficos Seaborn.
 
 1. Experimente um gráfico _swarm_ para mostrar a distribuição de valores:
 
@@ -138,7 +138,7 @@ Um gráfico do tipo "violino" é útil para visualizar como os dados são distri
 
     ![Gráfico violino](../images/violin.png)
 
-    ✅ Tente criar este gráfico e outros gráficos Seaborn, usando outras variáveis.
+    ✅ Tente criar este gráfico e outros gráficos Seaborn, usando outras colunas.
 
 Agora podemos imaginar a relação entre as duas categorias binárias de cor e tamanho (_item size_). Vamos explorar a regressão logística para prever a cor de uma abóbora em particular.
 
@@ -154,7 +154,7 @@ Agora podemos imaginar a relação entre as duas categorias binárias de cor e t
 
 Construir um modelo para encontrar classificações binárias é muito simples no Scikit-learn.
 
-1. Selecione as variáveis que deseja usar em seu modelo de classificação e divida os conjuntos de dados em conjuntos de treinamento e teste chamando `train_test_split()`:
+1. Selecione as colunas que deseja usar em seu modelo de classificação e divida os conjuntos de dados em conjuntos de treinamento e teste chamando `train_test_split()`:
 
     ```python
     from sklearn.model_selection import train_test_split
@@ -204,7 +204,7 @@ Construir um modelo para encontrar classificações binárias é muito simples n
      0 0 0 1 0 1 0 0 1 0 0 0 1 0]
     ```
 
-## Melhor compreensão usando Matrix de Confusão
+## Melhor compreensão usando Matriz de Confusão
 
 Embora você possa obter os [valores](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html?highlight=classification_report#sklearn.metrics.classification_report) de um relatório de *placar* do seu modelo como na *impressão* acima, você pode entender melhor o desempenho do seu modelo com uma [matriz de confusão](https://scikit-learn.org/stable/modules/model_evaluation.html#confusion-matrix).
 
@@ -234,13 +234,13 @@ Embora você possa obter os [valores](https://scikit-learn.org/stable/modules/ge
 O que está acontecendo aqui? Supondo que nosso modelo tenha que classificar as abóboras entre duas categorias binárias, categoria 'laranja' e categoria 'não laranja':
 
 - Se o seu modelo prevê que uma abóbora não é laranja e ela pertence à categoria 'não laranja', chamamos isso de verdadeiro negativo.
-- Se o seu modelo prevê que uma abóbora é laranja e ela pertence à categoria 'não laranja', chamamos isso de falso negativo.
+- Se o seu modelo prevê que uma abóbora é laranja e ela pertence à categoria 'não laranja', chamamos isso de falso positivo.
-- Se o seu modelo prevê que uma abóbora não é laranja e ela pertence à categoria 'laranja', chamamos isso de falso positivo.
+- Se o seu modelo prevê que uma abóbora não é laranja e ela pertence à categoria 'laranja', chamamos isso de falso negativo.
 - Se o seu modelo prevê que uma abóbora é laranja e ela pertence à categoria 'laranja', chamamos isso de verdadeiro positivo.
 
 Podemos perceber que é melhor ter um número maior de positivos e negativos verdadeiros e um número menor de positivos e negativos falsos pois, isso significa que o modelo tem um desempenho melhor.
 
-✅ Pergunta: Com base na matriz de confusão, o modelo é bom ou não? Resposta: nada mal; existem muitos verdadeiros positivos e poucos falsos negativos.
+✅ Pergunta: Com base na matriz de confusão, o modelo é bom ou não? Resposta: nada mal; existem muitos verdadeiros positivos (162) e poucos falsos negativos (4).
 
 Vamos revisitar os termos que vimos anteriormente com a ajuda da matriz de confusão de TP / TN e FP / FN:
 
@@ -252,7 +252,7 @@ Vamos revisitar os termos que vimos anteriormente com a ajuda da matriz de confu
 
 🎓 Support (suporte): O número de ocorrências de cada classe.
 
-🎓 Accuracy (acurácia): (TP + TN) / (TP + TN + FP + FN). Porcentagem de classes previstos corretamente para uma amostra.
+🎓 Accuracy (acurácia): (TP + TN) / (TP + TN + FP + FN). Porcentagem de classes previstas corretamente para uma amostra.
 
 🎓 Macro avg (média macro): Média simples (não ponderada) das métricas de cada classe.
 
@@ -268,9 +268,9 @@ Recall = TP / (TP + FN) = 162 / (162 + 4) = 0.9759036144578314
 
 ## Visualizando a curva ROC de um modelo
 
-O modelo construído não é ruim. A acurácia é de cerca de 80%, então ele pode realmente ser usado para prever a cor de uma abóbora com base em algumas variáveis.
+O modelo construído não é ruim. A acurácia é de cerca de 80%, então ele pode ser usado para prever a cor de uma abóbora com base em algumas colunas.
 
-Vamos usar mais um tipo de visualização utilizando a 'ROC':
+Vamos usar mais um tipo de visualização utilizando a ROC:
 
 ```python
 from sklearn.metrics import roc_curve, roc_auc_score

2-Regression/translations/README.pt-br.md

@@ -13,16 +13,16 @@ As lições desta seção abordam tipos de regressão no contexto de _machine le
 
 Nesta série de lições, você descobrirá a diferença entre regressão linear e logística, e quando deve usar uma ou outra.
 
-Neste grupo de lições, te prepararemos para começar tarefas de _machine learning_, incluindo configuração do Visual Studio Code para gerenciar _notebooks_, o ambiente comum para _data scientists_ (cientistas de dados). Você descobrirá a Scikit-learn, uma biblioteca para _machine learning_, e construirá seus primeiros modelos, focando em modelos de regressão neste capítulo.
+Neste grupo de lições, te prepararemos para começar tarefas de _machine learning_, incluindo configuração do Visual Studio Code para gerenciar _notebooks_, o ambiente comum para _data scientists_. Você descobrirá a Scikit-learn, uma biblioteca para _machine learning_, e construirá seus primeiros modelos, focando em modelos de regressão neste capítulo.
 
-> Existem ferramentas _low-code_ que podem ajudar a aprender como trabalhar com modelos de regressão. Use a [Azure ML para esta tarefa](https://docs.microsoft.com/learn/modules/create-regression-model-azure-machine-learning-designer/?WT.mc_id=academic-15963-cxa)
+> Existem ferramentas _low-code_ que podem ajudar a aprender como trabalhar com modelos de regressão. Use a [Azure ML para esta tarefa](https://docs.microsoft.com/learn/modules/create-regression-model-azure-machine-learning-designer/?WT.mc_id=academic-15963-cxa).
 
 ### Lições
 
-1. [Ferramentas necessárias](1-Tools/README.pt-br.md)
+1. [Ferramentas necessárias](../1-Tools/README.pt-br.md)
-2. [Gerenciamento de dados](2-Data/README.pt-br.md)
+2. [Gerenciamento de dados](../2-Data/README.pt-br.md)
-3. [Regressão linear e polinomial](3-Linear/README.pt-br.md)
+3. [Regressão linear e polinomial](../3-Linear/README.pt-br.md)
-4. [Regressão logística](4-Logistic/README.pt-br.md)
+4. [Regressão logística](../4-Logistic/README.pt-br.md)
 
 ---
 ### Créditos
@@ -31,4 +31,4 @@ Neste grupo de lições, te prepararemos para começar tarefas de _machine learn
 
 ♥️ Contribuidores do questionário incluem: [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) e [Ornella Altunyan](https://twitter.com/ornelladotcom)
 
-O _dataset_ (base de dados) de abóbora foi sugerido por [esse projeto no Kaggle](https://www.kaggle.com/usda/a-year-of-pumpkin-prices) e seus dados vieram dos [Specialty Crops Terminal Markets Standard Reports (Relatórios Padrão de Mercados Terminais para Cultivos Especiais)](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) distribuído pelo Departamento de Agricultura dos Estados Unidos. Adicionamos alguns pontos sobre a cor por tipo de abóbora para normalizar a distribuição dos dados. Esses dados são abertos ao público.
+O _dataset_ (base de dados) de abóbora foi sugerido por [esse projeto no Kaggle](https://www.kaggle.com/usda/a-year-of-pumpkin-prices) e seus dados vieram dos [Specialty Crops Terminal Markets Standard Reports](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) (Relatórios Padrão de Mercados Terminais para Cultivos Especiais) distribuído pelo Departamento de Agricultura dos Estados Unidos. Adicionamos alguns pontos sobre a cor por tipo de abóbora para normalizar a distribuição dos dados. Esses dados são abertos ao público.