[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) # Machine Learning para Iniciantes - O Curso > 🌍 Viaje pelo mundo enquanto exploramos o Machine Learning através das culturas mundiais 🌍 Os Advocates do Azure Cloud da Microsoft têm o prazer de oferecer um curso de 12 semanas com 24 lições (mais uma!) sobre **Machine Learning**. Neste curso, você irá aprender o que às vezes chamamos de **machine learning clássico**, usando principalmente Scikit-learn como biblioteca e evitando deep learning, que será coberto no próximo curso 'IA para Iniciantes'. Combine também essas lições com o curso de [Data Science para Iniciantes](https://aka.ms/datascience-beginners)! Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de muitas áreas do mundo. Cada lição inclui questionários pré e pós-aula, instruções escritas para completar a lição, uma solução, uma tarefa e muito mais. A nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma forma comprovada de "aderir" as novas habilidades. **✍️ sinceros agradecimentos aos nossos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Ornella Altunyan, e Amy Boyd **🎨 Obrigado também aos nossos ilustradores** Tomomi Imura, Dasani Madipalli, e Jen Looper **🙏 Agradecimentos especiais 🙏 aos autores, revisores e colaboradores de conteúdo do Microsoft Student Ambassador**, notavelmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, e Snigdha Agarwal **🤩 Agradecimento extra ao Microsoft Student Ambassador, Eric Wanjau, por nossas aulas de R!** --- # Iniciando **Estudantes**, para usar este curso, faça um fork do nosso repositório para sua conta do GitHub e complete os exercícios de forma individual ou em grupo: - Comece com o questionário de pré-aula. - Leia as aulas e conclua as atividades, pausando e refletindo a cada verificação de conhecimento. - Tente criar os projetos compreendendo as lições ao invés de executar o código da solução; No entanto, esse código está disponível nas pastas `/solution` em cada lição que contenha um projeto. - Faça o teste de pós-aula. - Complete o desafio. - Conclua a tarefa. - Após concluir uma lição em grupo, visite o [Quadro de discussões](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprenda em voz alta" preenchendo de forma apropriada a rubrica PAT. Um 'PAT' é uma ferramenta de avaliação de progresso que é uma rubrica que você preenche para promover seu aprendizado. Você também pode reagir a outros PATs para que possamos aprender juntos. > Para um estudo mais aprofundado, recomendamos seguir os módulos e percursos de aprendizagem da [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-15963-cxa). **Professores**, [incluímos algumas sugestões](../for-teachers.md) em como usar este curso. --- ## Conhece a equipe [![Video promo](../ml-for-beginners.png)](https://youtu.be/Tj1XWrDSYJU "Video promo") > 🎥 Clique na imagem acima para o vídeo sobre o projeto e as pessoas que o criaram! --- ## Pedagogia Escolhemos dois princípios pedagógicos ao construir este curso: garantir que seja prático **baseado em projeto** e que inclua **questionários frequentes**. Além disso, este curso tem um **tema** comum para dar-lhe coesão. Ao garantir que o conteúdo esteja alinhado com os projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos é aumentada. Além disso, um teste de baixo risco antes da aula define a intenção do estudante de aprender um tópico, enquanto que o segundo questionário após a aula garante maior retenção. Este curso foi projetado para ser flexível e divertido e pode ser realizado por completo ou parcialmente. Os projetos começam pequenos e tornam-se cada vez mais complexos ao final do ciclo de 12 semanas. Este curso também inclui um pós-escrito sobre aplicações de ML no mundo real, que pode ser usado como crédito extra ou como base para discussão. > Encontre as diretrizes do nosso [Código de Conduta](../CODE_OF_CONDUCT.md), [Contribuição](../CONTRIBUTING.md) e [Tradução](../TRANSLATIONS.md). Agradecemos seu feedback construtivo! ## Cada aula inclui: - esboço opcional - vídeo complementar opcional - teste de aquecimento da pré-aula - aula escrita - para aulas baseadas em projetos, guias com passo a passo sobre como construir o projeto - verificações de conhecimento - um desafio - leitura suplementar - tarefa - questionário pós-aula > **Uma nota sobre questionários**: Todos os questionários estão contidos [neste aplicativo](https://white-water-09ec41f0f.azurestaticapps.net/), para um total de 50 testes de três perguntas cada. Eles estão vinculados nas lições, mas o aplicativo de teste pode ser executado localmente; siga as instruções na pasta `quiz-app`. | Número da aula | Tópico | Agrupamento de Aulas | Objetivos de aprendizagem | Aula vinculada | Autor | | :------------: | :-------------------------------------------------------------------: | :---------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------------ | :-------------------------------------------------: | :----------: | | 01 | Introdução ao machine learning | [Introdução](../1-Introduction/translations/README.pt-br.md) | Aprenda os conceitos básicos atrás do machine learning | [Aula](../1-Introduction/1-intro-to-ML/translations/README.pt-br.md) | Muhammad | | 02 | A História de machine learning | [Introdução](../1-Introduction/translations/README.pt-br.md) | Aprenda a história subjacente desta área | [Aula](../1-Introduction/2-history-of-ML/translations/README.pt-br.md) | Jen e Amy | | 03 | Equidade e aprendizado de máquina | [Introdução](../1-Introduction/translations/README.pt-br.md) | Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML? | [Aula](../1-Introduction/3-fairness/translations/README.pt-br.md) | Tomomi | | 04 | Técnicas para machine learning | [Introdução](../1-Introduction/translations/README.pt-br.md) | Quais técnicas os pesquisadores de ML usam para construir modelos de ML? | [Aula](../1-Introduction/4-techniques-of-ML/translations/README.pt-br.md) | Chris e Jen | | 05 | Introdução à regressão | [Regressão](../2-Regression/README.md) | Comece a usar Python e Scikit-learn para modelos de regressão | | | | 06 | Preços das abóboras norte americanas 🎃 | [Regressão](../2-Regression/README.md) | Visualize e limpe os dados em preparação para o ML | | | | 07 | Preços das abóboras norte americanas 🎃 | [Regressão](../2-Regression/README.md) | Construa modelos de regressão linear e polinomial | | | | 08 | Preços das abóboras norte americanas 🎃 | [Regressão](../2-Regression/README.md) | Construa um modelo de regressão logística | | | | 09 | Uma Web App 🔌 | [Web App](../3-Web-App/README.md) | Crie 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 |