ML-For-Beginners/translations/pt

🌐 Suporte Multilíngue

Suporte via GitHub Action (Automatizado e Sempre Atualizado)

Árabe | Bengali | Búlgaro | Birmanês (Myanmar) | Chinês (Simplificado) | Chinês (Tradicional, Hong Kong) | Chinês (Tradicional, Macau) | Chinês (Tradicional, Taiwan) | Croata | Checo | Dinamarquês | Holandês | Estoniano | Finlandês | Francês | Alemão | Grego | Hebraico | Hindi | Húngaro | Indonésio | Italiano | Japonês | Coreano | Lituano | Malaio | Marathi | Nepalês | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polaco | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalo (Filipino) | Tâmil | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Junte-se à Nossa Comunidade

Estamos a realizar uma série de aprendizagem com IA no Discord. Saiba mais e junte-se a nós na Série Aprender com IA de 18 a 30 de setembro de 2025. Receba dicas e truques sobre como usar o GitHub Copilot para Ciência de Dados.

Aprendizagem Automática para Iniciantes - Um Currículo

🌍 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 e 26 lições sobre Aprendizagem Automática. Neste currículo, aprenderá sobre o que às vezes é chamado de aprendizagem automática clássica, utilizando principalmente a biblioteca Scikit-learn e evitando aprendizagem profunda, que é abordada no nosso currículo de IA para Iniciantes. Combine estas lições com o nosso currículo 'Ciência de Dados para Iniciantes', também!

Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de várias partes do mundo. Cada lição inclui questionários antes e depois da aula, instruções escritas para completar a lição, uma solução, uma tarefa e muito mais. A nossa pedagogia baseada em projetos permite que aprenda enquanto constrói, uma forma comprovada de fixar novas habilidades.

✍️ Um agradecimento especial 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 especiais 🙏 aos nossos autores, revisores e contribuidores de conteúdo Microsoft Student Ambassador, especialmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal

🤩 Gratidão extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas lições em R!

Começando

Siga estes passos:

1. Faça um 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

🔧 Precisa de ajuda? Consulte o nosso Guia de Solução de Problemas para soluções de problemas comuns com instalação, configuração e execução das lições.

Estudantes, para usar este currículo, faça um fork de todo o repositório para a sua própria conta GitHub e complete os exercícios sozinho ou em grupo:

• Comece com um questionário antes da 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 executar o código da solução; no entanto, esse código está disponível nas pastas /solution em cada lição orientada por projeto.
• Faça o questionário após a aula.
• Complete o desafio.
• Complete a tarefa.
• Após completar um grupo de lições, visite o Fórum de Discussão e "aprenda em voz alta" preenchendo o rubrica PAT apropriado. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que é uma rubrica que preenche para aprofundar o seu aprendizado. Também pode reagir a outros PATs para aprendermos juntos.

Para estudo adicional, recomendamos seguir estes módulos e caminhos de aprendizagem Microsoft Learn.

Professores, incluímos algumas sugestões sobre como usar este currículo.

---

Vídeos explicativos

Algumas das lições estão disponíveis em formato de vídeo curto. Pode encontrar todos estes vídeos nas lições ou na playlist ML para Iniciantes no canal Microsoft Developer no YouTube clicando na imagem abaixo.

---

Conheça a Equipa

Gif por Mohit Jaisal

🎥 Clique na imagem acima para ver um vídeo sobre o projeto e as pessoas que o criaram!

---

Pedagogia

Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que seja baseado em projetos práticos e que inclua questionários frequentes. Além disso, este currículo tem um tema comum para lhe dar coesão.

Ao garantir que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os estudantes e a retenção de conceitos será aumentada. Além disso, um questionário de baixo risco antes da aula define a intenção do estudante para aprender um tópico, enquanto um segundo questionário após a aula garante maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser realizado na totalidade ou em parte. Os projetos começam pequenos e tornam-se cada vez mais complexos até ao final do ciclo de 12 semanas. Este currículo também inclui um pós-escrito sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussão.

Encontre o nosso Código de Conduta, Contribuições, Traduções e Solução de Problemas. Agradecemos o seu feedback construtivo!

Cada lição inclui

• sketchnote opcional
• vídeo suplementar opcional
• vídeo explicativo (algumas lições apenas)
• questionário de aquecimento antes da aula
• lição escrita
• para lições baseadas em projetos, guias passo a passo sobre como construir o projeto
• verificações de conhecimento
• um desafio
• leitura suplementar
• tarefa
• questionário após a aula

Uma nota sobre linguagens: Estas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá à pasta /solution e procure lições em R. Elas incluem uma extensão .rmd que representa um arquivo R Markdown, que pode ser 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. Assim, serve como um excelente framework de autoria para ciência de dados, pois permite combinar o seu código, os seus resultados e os seus pensamentos, permitindo que os escreva 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, totalizando 52 questionários de três perguntas cada. Eles estão vinculados nas lições, mas a aplicação de questionários pode ser executada localmente; siga as instruções na pasta quiz-app para hospedar localmente ou implantar no Azure.

Número da Lição	Tópico	Agrupamento de Lições	Objetivos de Aprendizagem	Lição Vinculada	Autor
01	Introdução ao aprendizado de máquina	Introdução	Aprenda os conceitos básicos por trás do aprendizado de máquina	Lição	Muhammad
02	A História do aprendizado de máquina	Introdução	Aprenda a história por trás deste campo	Lição	Jen e Amy
03	Justiça e aprendizado de máquina	Introdução	Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos de aprendizado de máquina?	Lição	Tomomi
04	Técnicas para aprendizado de máquina	Introdução	Quais técnicas os pesquisadores de aprendizado de máquina utilizam para construir modelos?	Lição	Chris e Jen
05	Introdução à regressão	Regressão	Comece com Python e Scikit-learn para modelos de regressão	Python • R	Jen • Eric Wanjau
06	Preços de abóbora na América do Norte 🎃	Regressão	Visualize e limpe os dados em preparação para aprendizado de máquina	Python • R	Jen • Eric Wanjau
07	Preços de abóbora na América do Norte 🎃	Regressão	Construa modelos de regressão linear e polinomial	Python • R	Jen e Dmitry • Eric Wanjau
08	Preços de abóbora na América do Norte 🎃	Regressão	Construa um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Uma aplicação web 🔌	Aplicação Web	Construa uma aplicação web para usar seu modelo treinado	Python	Jen
10	Introdução à classificação	Classificação	Limpe, prepare e visualize seus dados; introdução à classificação	Python • R	Jen e Cassie • Eric Wanjau
11	Deliciosas culinárias asiáticas e indianas 🍜	Classificação	Introdução aos classificadores	Python • R	Jen e Cassie • Eric Wanjau
12	Deliciosas culinárias asiáticas e indianas 🍜	Classificação	Mais classificadores	Python • R	Jen e Cassie • Eric Wanjau
13	Deliciosas culinárias asiáticas e indianas 🍜	Classificação	Construa uma aplicação web de recomendação usando seu modelo	Python	Jen
14	Introdução à clusterização	Clusterização	Limpe, prepare e visualize seus dados; Introdução à clusterização	Python • R	Jen • Eric Wanjau
15	Explorando gostos musicais nigerianos 🎧	Clusterização	Explore o método de clusterização K-Means	Python • R	Jen • Eric Wanjau
16	Introdução ao processamento de linguagem natural ☕️	Processamento de linguagem natural	Aprenda o básico sobre NLP construindo um bot simples	Python	Stephen
17	Tarefas comuns de NLP ☕️	Processamento de linguagem natural	Aprofunde seu conhecimento em NLP entendendo tarefas comuns ao lidar com estruturas de linguagem	Python	Stephen
18	Tradução e análise de sentimentos ♥️	Processamento de linguagem natural	Tradução e análise de sentimentos com Jane Austen	Python	Stephen
19	Hotéis românticos da Europa ♥️	Processamento de linguagem natural	Análise de sentimentos com avaliações de hotéis 1	Python	Stephen
20	Hotéis românticos da Europa ♥️	Processamento de linguagem natural	Análise de sentimentos com avaliações de hotéis 2	Python	Stephen
21	Introdução à previsão de séries temporais	Séries temporais	Introdução à previsão de séries temporais	Python	Francesca
22	⚡️ Uso de energia mundial ⚡️ - previsão de séries temporais com ARIMA	Séries temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Uso de energia mundial ⚡️ - previsão de séries temporais com SVR	Séries temporais	Previsão de séries temporais com Support Vector Regressor	Python	Anirban
24	Introdução ao aprendizado por reforço	Aprendizado por reforço	Introdução ao aprendizado por reforço com Q-Learning	Python	Dmitry
25	Ajude Peter a evitar o lobo! 🐺	Aprendizado por reforço	Aprendizado por reforço com Gym	Python	Dmitry
Pós-escrito	Cenários e aplicações reais de aprendizado de máquina	ML no Mundo Real	Aplicações reais interessantes e reveladoras de aprendizado de máquina clássico	Lição	Equipe
Pós-escrito	Depuração de modelos de aprendizado de máquina usando o painel RAI	ML no Mundo Real	Depuração de modelos de aprendizado de máquina usando componentes do painel de IA Responsável	Lição	Ruth Yakubu

encontre todos os recursos adicionais para este curso na nossa coleção Microsoft Learn

Acesso offline

Você pode executar esta documentação offline usando Docsify. Faça um fork deste repositório, instale o Docsify na sua máquina local e, na pasta raiz deste repositório, digite docsify serve. O site será servido na porta 3000 do seu localhost: localhost:3000.

PDFs

Encontre um PDF do currículo com links aqui.

🎒 Outros Cursos

Nossa equipe produz outros cursos! Confira:

Azure / Edge / MCP / Agentes

---

Série de IA Generativa

---

Aprendizado Essencial

---

Série Copilot

Obter Ajuda

Se ficar com dúvidas ou tiver perguntas sobre como criar aplicações de IA, junte-se a outros aprendizes e programadores experientes em discussões sobre MCP. É uma comunidade de apoio onde as perguntas são bem-vindas e o conhecimento é partilhado livremente.

Se tiver feedback sobre produtos ou encontrar erros durante o desenvolvimento, visite:

---

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original no seu idioma nativo deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se uma tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes do uso desta tradução.