ML-For-Beginners/translations/pt-BR

🌐 Suporte Multilíngue

Suportado 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 | Tcheco | Dinamarquês | Holandês | Estoniano | Finlandês | Francês | Alemão | Grego | Hebraico | Hindi | Húngaro | Indonésio | Italiano | Japonês | Kannada | Coreano | Lituano | Malaio | Malaiala | Marathi | Nepali | Nigeriano Pidgin | Norueguês | Persa (Farsi) | Polonês | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalo (Filipino) | Tâmil | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Prefere Clonar Localmente?

Este repositório inclui mais de 50 traduções que aumentam significativamente o tamanho do download. Para clonar sem as traduções, use checkout esparso:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Isso lhe dará tudo o que você precisa para completar o curso com um download muito mais rápido.

Junte-se à Nossa Comunidade

Estamos com uma série de aprendizado com IA no Discord, saiba mais e junte-se a nós em Learn with AI Series de 18 a 30 de setembro de 2025. Você receberá dicas sobre como usar o GitHub Copilot para Ciência de Dados.

Aprendizado de Máquina para Iniciantes - Um Currículo

🌍 Viaje ao redor do mundo enquanto exploramos Aprendizado de Máquina através das culturas do mundo 🌍

Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, totalmente sobre Aprendizado de Máquina. Neste currículo, você aprenderá sobre o que às vezes é chamado de aprendizado de máquina clássico, usando principalmente a biblioteca Scikit-learn e evitando aprendizado profundo, que é abordado em nosso currículo de IA para iniciantes. Combine essas lições com nosso 'Currículo de Ciência de Dados para Iniciantes', também!

Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de diversas áreas do globo. Cada lição inclui questionários pré e pós-lição, instruções escritas para completar a lição, uma solução, uma tarefa e mais. Nossa pedagogia baseada em projetos permite que você aprenda construindo, uma maneira comprovada de fixar novas habilidades.

✍️ Nosso sincero agradecimento aos autores Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd

🎨 Agradecimentos também aos nossos ilustradores Tomomi Imura, Dasani Madipalli e Jen Looper

🙏 Agradecimentos especiais 🙏 aos autores, revisores e colaboradores de conteúdo embaixadores estudantis Microsoft, notadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal

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

Começando

Siga estes passos:

1. Fork do Repositório: Clique no botão "Fork" no canto superior direito desta página.
2. Clone o Repositório: git clone https://github.com/microsoft/ML-For-Beginners.git

encontre todos os recursos adicionais deste curso em nossa coleção Microsoft Learn

🔧 Precisa de ajuda? Verifique nosso Guia de Solução de Problemas para soluções comuns em instalação, configuração e execução das lições.

Estudantes, para usar este currículo, faça o fork do repositório inteiro para sua conta no GitHub e complete os exercícios sozinho ou em grupo:

• Comece com um questionário pré-aula.
• Leia a aula e complete as atividades, pausando e refletindo em cada verificação de conhecimento.
• Tente criar os projetos compreendendo as lições ao invés de apenas rodar o código da solução; entretanto, esse código está disponível nas pastas /solution de cada lição orientada a projeto.
• Faça o questionário pós-aula.
• Complete o desafio.
• Complete a tarefa.
• Após completar um grupo de lições, visite o Fórum de Discussão e "aprenda em voz alta" preenchendo a rubrica PAT apropriada. Um 'PAT' é uma Ferramenta de Avaliação de Progresso, uma rubrica que você preenche para avançar seu aprendizado. Você também pode reagir a outros PATs para aprendermos juntos.

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

Professores, incluímos algumas sugestões sobre como usar este currículo.

---

Vídeos explicativos

Algumas das lições estão disponíveis em vídeo curto. Você pode encontrá-los embutidos nas lições ou na playlist ML for Beginners no canal Microsoft Developer no YouTube clicando na imagem abaixo.

---

Conheça a Equipe

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 dar coesão.

Garantindo que o conteúdo se alinhe com projetos, o processo se torna mais envolvente para os alunos e a retenção dos conceitos será aumentada. Além disso, um questionário de baixa pressão antes da aula define a intenção do estudante para aprender o tema, enquanto um segundo questionário após a aula assegura retenção adicional. Este currículo foi projetado para ser flexível e divertido, podendo ser feito inteiro ou em partes. Os projetos começam pequenos e tornam-se cada vez mais complexos ao longo do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou base para discussão.

Encontre nosso Código de Conduta, Contribuindo, Tradução e Solução de Problemas. Agradecemos seu feedback construtivo!

Cada lição inclui

• sketchnote opcional
• vídeo suplementar opcional
• vídeo explicativo (algumas lições somente)
• questionário pré-aula
• lição escrita
• para lições baseadas em projeto, guias passo a passo para construir o projeto
• verificações de conhecimento
• um desafio
• leitura complementar
• tarefa
• questionário pós-aula

Uma nota sobre idiomas: Estas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá para a pasta /solution e procure as lições em R. Elas incluem uma extensão .rmd que representa um arquivo R Markdown, que pode ser definido simplesmente como a incorporação de blocos de código (de R ou outras linguagens) e um cabeçalho YAML (que orienta como formatar saídas, como PDF) em um documento Markdown. Como tal, serve como um framework de autoria exemplar para ciência de dados pois permite que você combine seu código, sua saída e seus pensamentos, escrevendo-os em Markdown. Além disso, documentos R Markdown podem ser renderizados para formatos de saída como PDF, HTML ou Word. Uma nota sobre os quizzes: Todos os quizzes estão contidos na pasta Quiz App, totalizando 52 quizzes de três perguntas cada. Eles são vinculados dentro das lições, mas o aplicativo de quiz pode ser executado localmente; siga as instruções na pasta quiz-app para hospedar localmente ou implantar no Azure.

Número da Lição	Tópico	Agrupamento de Lições	Objetivos de Aprendizagem	Lição Vinculada	Autor
01	Introdução ao aprendizado de máquina	Introdução	Aprenda os conceitos básicos por trás do aprendizado de máquina	Lição	Muhammad
02	A História do aprendizado de máquina	Introdução	Aprenda a história subjacente a este 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 criar e aplicar modelos de ML?	Lição	Tomomi
04	Técnicas para aprendizado de máquina	Introdução	Quais técnicas os pesquisadores de ML usam para construir modelos de ML?	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 abóboras na América do Norte 🎃	Regressão	Visualize e limpe dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços de abóboras na América do Norte 🎃	Regressão	Construa modelos de regressão linear e polinomial	Python • R	Jen e Dmitry • Eric Wanjau
08	Preços de abóboras na América do Norte 🎃	Regressão	Construa um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Um App Web 🔌	App Web	Crie um app 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	Culinárias deliciosas asiáticas e indianas 🍜	Classificação	Introdução aos classificadores	Python • R	Jen e Cassie • Eric Wanjau
12	Culinárias deliciosas asiáticas e indianas 🍜	Classificação	Mais classificadores	Python • R	Jen e Cassie • Eric Wanjau
13	Culinárias deliciosas asiáticas e indianas 🍜	Classificação	Crie um app web recomendador usando seu modelo	Python	Jen
14	Introdução ao clustering	Clustering	Limpe, prepare e visualize seus dados; Introdução ao clustering	Python • R	Jen • Eric Wanjau
15	Explorando gostos musicais nigerianos 🎧	Clustering	Explore o método de clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introdução ao processamento de linguagem natural ☕️	Processamento de linguagem natural	Aprenda o básico sobre PLN construindo um bot simples	Python	Stephen
17	Tarefas comuns de PLN ☕️	Processamento de linguagem natural	Aprofunde seu conhecimento em PLN entendendo tarefas comuns necessárias ao lidar com estruturas linguísticas	Python	Stephen
18	Tradução e análise de sentimento ♥️	Processamento de linguagem natural	Tradução e análise de sentimento com Jane Austen	Python	Stephen
19	Hotéis românticos da Europa ♥️	Processamento de linguagem natural	Análise de sentimento com avaliações de hotéis 1	Python	Stephen
20	Hotéis românticos da Europa ♥️	Processamento de linguagem natural	Análise de sentimento 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	⚡️ Consumo de Energia Mundial ⚡️ - previsão de séries com ARIMA	Séries temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Consumo de Energia Mundial ⚡️ - previsão de séries 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 Gym	Python	Dmitry
Posfácio	Cenários e aplicações do aprendizado de máquina no mundo real	ML in the Wild	Aplicações interessantes e reveladoras do ML clássico	Lição	Equipe
Posfácio	Depuração de modelos em ML usando o dashboard RAI	ML in the Wild	Depuração de modelos em aprendizado de máquina usando componentes do dashboard Responsible AI	Lição	Ruth Yakubu

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

Acesso offline

Você pode executar esta documentação offline usando o Docsify. Faça um fork deste repositório, instale o Docsify 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.

🎒 Outros Cursos

Nossa equipe produz outros cursos! Confira:

LangChain

Azure / Edge / MCP / Agentes

---

Série de IA Generativa

---

Aprendizado Central

---

Série Copilot

Obtendo Ajuda

Se você ficar preso ou tiver alguma dúvida sobre como criar aplicativos de IA. Junte-se a outros aprendizes e desenvolvedores experientes nas discussões sobre MCP. É uma comunidade acolhedora onde perguntas são bem-vindas e o conhecimento é compartilhado livremente.

Se você tiver feedback sobre o produto 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 em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, é recomendada a tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.