ML-For-Beginners/translations/pt-PT

🌐 Suporte Multilíngue

Suportado via Ação do GitHub (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 | Estónio | Finlandês | Francês | Alemão | Grego | Hebraico | Hindi | Húngaro | Indonésio | Italiano | Japonês | Kannada | Coreano | Lituano | Malaio | Malayalam | Marathi | Nepali | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polaco | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalog (Filipino) | Tamil | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Prefere Clonar Localmente?

Este repositório inclui mais de 50 traduções em várias línguas, o que aumenta 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'

Isto fornece tudo o que precisa para completar o curso com um download muito mais rápido.

Junte-se à Nossa Comunidade

Temos uma série de aprendizagem sobre IA em curso no Discord, saiba mais e junte-se a nós em Série Aprender com IA de 18 a 30 de setembro de 2025. Receberá dicas e truques de utilização do GitHub Copilot para Ciência de Dados.

Aprendizagem Automática para Iniciantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos Aprendizagem Automática por meio das culturas do mundo 🌍

Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, 26 lições, todo sobre Aprendizagem Automática. Neste currículo, aprenderá acerca do que às vezes é chamado de aprendizagem automática clássica, usando principalmente o Scikit-learn como biblioteca e evitando aprendizagem profunda, que é abordada no nosso currículo de IA para Iniciantes. Combine estas lições com o nosso 'Currículo de Ciência de Dados para Iniciantes'!

Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de muitas regiões do planeta. Cada lição inclui quizzes pré e pós-lição, instruções escritas para completar a lição, uma solução, um desafio e mais. A nossa pedagogia baseada em projetos permite aprender enquanto constrói, uma forma comprovada de fixação de novas competências.

✍️ Um sincero agradecimento 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

🎨 Obrigado 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

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

Começar

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 para este curso na nossa coleção Microsoft Learn

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

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

• Comece com um quiz pré-aula.
• Leia a aula e realize 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 em cada lição orientada a projetos.
• Realize o quiz pós-aula.
• Complete o desafio.
• Realize a tarefa.
• Após completar um grupo de lições, visite o Fórum de Discussão e "aprenda em voz alta" preenchendo a rubric PAT apropriada. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que consiste numa rúbrica 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 Microsoft Learn.

Professores, incluímos algumas sugestões sobre como usar este currículo.

---

Videoaulas

Algumas lições estão disponíveis em vídeo curto. Pode encontrar todos eles integrados nas lições, ou na playlist ML para Iniciantes no canal Microsoft Developer do YouTube clicando na imagem abaixo.

---

Conheça a Equipa

Gif por Mohit Jaisal

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

---

Pedagogia

Escolhemos dois princípios pedagógicos na construção deste 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 coesão.

Ao garantir que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos será ampliada. 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 retenção adicional. Este currículo foi desenhado para ser flexível e divertido, podendo ser feito na totalidade ou parcialmente. Os projetos começam pequenos e tornam-se progressivamente 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.

Consulte as nossas orientações para Código de Conduta, Contribuições, Traduções e Resolução de Problemas. Agradecemos o seu feedback construtivo!

Cada lição inclui

• sketchnote opcional
• vídeo suplementar opcional
• videoaula (apenas algumas lições)
• quiz de aquecimento pré-lecture
• lição escrita
• para lições baseadas em projeto, guias passo-a-passo para construir o projeto
• verificações de conhecimento
• um desafio
• leitura suplementar
• tarefa
• quiz pós-lecture

Uma nota sobre as línguas: 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, que pode ser simplesmente definido como uma incorporação de blocos de código (em R ou outras linguagens) e um cabeçalho YAML (que orienta como formatar as saídas como PDF) num documento Markdown. Como tal, serve como um exemplar de ambiente de autor para ciência de dados, pois permite combinar o código, a sua saída e os seus pensamentos escrevendo-os em Markdown. Além disso, documentos R Markdown podem ser convertidos para formatos de saída como PDF, HTML ou Word. Uma nota sobre quizzes: Todos os quizzes estão contidos na pasta Quiz App, totalizando 52 quizzes de três perguntas cada. Eles estão ligados dentro das lições, mas a aplicação de quiz pode ser executada localmente; siga as instruções na pasta quiz-app para hospedar localmente ou implementar no Azure.

Número da Lição	Tópico	Agrupamento da Lição	Objetivos de Aprendizagem	Lição Ligada	Autor
01	Introdução ao machine learning	Introdução	Aprender os conceitos básicos por trás do machine learning	Lição	Muhammad
02	A História do machine learning	Introdução	Aprender a história por trás desta área	Lição	Jen e Amy
03	Justiça e machine learning	Introdução	Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos ML?	Lição	Tomomi
04	Técnicas para machine learning	Introdução	Quais técnicas os investigadores de ML utilizam para construir modelos ML?	Lição	Chris e Jen
05	Introdução à regressão	Regressão	Começar com Python e Scikit-learn para modelos de regressão	Python • R	Jen • Eric Wanjau
06	Preços de abóbora na América do Norte 🎃	Regressão	Visualizar e limpar dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços de abóbora na América do Norte 🎃	Regressão	Construir modelos de regressão linear e polinomial	Python • R	Jen e Dmitry • Eric Wanjau
08	Preços de abóbora na América do Norte 🎃	Regressão	Construir um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Uma App Web 🔌	App Web	Construir uma app web para usar o seu modelo treinado	Python	Jen
10	Introdução à classificação	Classificação	Limpar, preparar e visualizar os seus dados; introdução à classificação	Python • R	Jen e Cassie • Eric Wanjau
11	Deliciosas cozinhas asiáticas e indianas 🍜	Classificação	Introdução aos classificadores	Python • R	Jen e Cassie • Eric Wanjau
12	Deliciosas cozinhas asiáticas e indianas 🍜	Classificação	Mais classificadores	Python • R	Jen e Cassie • Eric Wanjau
13	Deliciosas cozinhas asiáticas e indianas 🍜	Classificação	Construir uma app web recomendadora usando o seu modelo	Python	Jen
14	Introdução ao clustering	Clustering	Limpar, preparar e visualizar os seus dados; Introdução ao clustering	Python • R	Jen • Eric Wanjau
15	Explorando gostos musicais da Nigéria 🎧	Clustering	Explorar o método de clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introdução ao processamento de linguagem natural ☕️	Processamento de linguagem natural	Aprender o básico sobre NLP construindo um bot simples	Python	Stephen
17	Tarefas comuns de NLP ☕️	Processamento de linguagem natural	Aprofundar o seu conhecimento de NLP compreendendo tarefas comuns necessárias quando se trata de 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 com ARIMA	Séries temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Consumo de energia mundial ⚡️ - previsão com SVR	Séries temporais	Previsão de séries temporais com Support Vector Regressor	Python	Anirban
24	Introdução ao reinforcement learning	Aprendizagem por reforço	Introdução ao reinforcement learning com Q-Learning	Python	Dmitry
25	Ajude o Peter a evitar o lobo! 🐺	Aprendizagem por reforço	Aprendizagem por reforço Gym	Python	Dmitry
Posfácio	Cenários e aplicações reais de ML	ML na prática	Aplicações reais interessantes e reveladoras do ML clássico	Lição	Equipa
Posfácio	Depuração de modelos em ML usando painel RAI	ML na prática	Depuração de modelos em Machine Learning usando componentes do painel Responsible AI	Lição	Ruth Yakubu

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

Acesso offline

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

PDFs

Encontre um pdf do currículo com links aqui.

🎒 Outros Cursos

A nossa equipa produz outros cursos! Confira:

LangChain

Azure / Edge / MCP / Agentes

---

Série de IA Generativa

---

Aprendizagem Principal

---

Série Copilot

Obter Ajuda

Se ficar bloqueado ou tiver alguma pergunta sobre como construir 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 tem feedback sobre produtos ou erros durante a construção, visite:

---

Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos pela precisão, tenha em conta 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 tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes da utilização desta tradução.