26 KiB
🌐 Suporte Multilíngue
Suporte via GitHub Action (Automatizado e Sempre Atualizado)
Francês | Espanhol | Alemão | Russo | Árabe | Persa (Farsi) | Urdu | Chinês (Simplificado) | Chinês (Tradicional, Macau) | Chinês (Tradicional, Hong Kong) | Chinês (Tradicional, Taiwan) | Japonês | Coreano | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Português (Portugal) | Português (Brasil) | Italiano | Polonês | Turco | Grego | Tailandês | Sueco | Dinamarquês | Norueguês | Finlandês | Holandês | Hebraico | Vietnamita | Indonésio | Malaio | Tagalog (Filipino) | Suaíli | Húngaro | Tcheco | Eslovaco | Romeno | Búlgaro | Sérvio (Cirílico) | Croata | Esloveno | Ucraniano | Birmanês (Myanmar)
Junte-se à Comunidade
Aprendendo Machine Learning - Um Currículo
🌍 Viaje pelo mundo enquanto exploramos Machine Learning por meio de culturas globais 🌍
Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas e 26 lições sobre Machine Learning. Neste currículo, você aprenderá sobre o que às vezes é chamado de machine learning 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 'Ciência de Dados para Iniciantes', também!
Viaje conosco pelo mundo enquanto aplicamos essas 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. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma maneira comprovada de fazer novas habilidades "grudarem".
✍️ 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
🙏 Agradecimento especial 🙏 aos nossos Microsoft Student Ambassadors autores, revisores e contribuidores de conteúdo, 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:
- Faça um Fork do Repositório: Clique no botão "Fork" no canto superior direito desta página.
- Clone o Repositório:
git clone https://github.com/microsoft/ML-For-Beginners.git
Encontre todos os recursos adicionais para este curso em nossa coleção no Microsoft Learn
Estudantes, para usar este currículo, faça um fork do repositório inteiro para sua própria conta no 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 apenas executar o código da solução; no entanto, esse código está disponível nas pastas
/solutionem 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 PAT apropriado. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que é um rubrica que você preenche para aprofundar seu aprendizado. Você também pode reagir a outros PATs para que possamos aprender juntos.
Para estudo adicional, recomendamos seguir estes módulos e trilhas de aprendizado do Microsoft Learn.
Professores, incluímos algumas sugestões sobre como usar este currículo.
Vídeos explicativos
Algumas das lições estão disponíveis em formato de vídeo curto. Você pode encontrar todos esses vídeos integrados nas lições ou na playlist ML para Iniciantes no canal Microsoft Developer no YouTube clicando na imagem abaixo.
Conheça a Equipe
Gif por Mohit Jaisal
🎥 Clique na imagem acima para assistir a um vídeo sobre o projeto e as pessoas que o criaram!
Pedagogia
Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que ele seja baseado em projetos práticos e que inclua questionários frequentes. Além disso, este currículo tem um tema comum para dar coesão.
Ao garantir que o conteúdo esteja alinhado com projetos, o processo se torna mais envolvente para os alunos e a retenção de conceitos será aumentada. Além disso, um questionário de baixo risco antes da aula define a intenção do aluno em 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 em sua totalidade ou em partes. Os projetos começam pequenos e se tornam cada vez mais complexos 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 nosso Código de Conduta, Contribuições e diretrizes de Tradução. Agradecemos 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 para a pasta
/solutione procure por lições em R. Elas incluem uma extensão .rmd que representa um arquivo R Markdown, que pode ser definido como uma incorporação deblocos de código(de R ou outras linguagens) e umcabeçalho YAML(que orienta como formatar saídas como PDF) em umdocumento Markdown. Assim, ele serve como um excelente framework de autoria para ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos, permitindo que você 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 dentro das lições, mas o aplicativo de questionários pode ser executado localmente; siga as instruções na pasta
quiz-apppara hospedar localmente ou implantar no Azure.
| Número da Lição | Tópico | Agrupamento de Lições | Objetivos de Aprendizado | 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 ML? | Lição | Tomomi |
| 04 | Técnicas de aprendizado de máquina | Introdução | Quais técnicas os pesquisadores de aprendizado de máquina utilizam 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](2-Regression/1-Tools/README.md)
- [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/2-Data/README.md)
- [R](../../2-Regression/2-Data/solution/R/lesson_2.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/3-Linear/README.md)
- [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)
- Jen e Dmitry
- Eric Wanjau
- [Python](2-Regression/4-Logistic/README.md)
- [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)
- Jen
- Eric Wanjau
- [Python](4-Classification/1-Introduction/README.md)
- [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen e Cassie
- Eric Wanjau
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Jen e Cassie
- Eric Wanjau
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Jen e Cassie
- Eric Wanjau
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Jen
- Eric Wanjau
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Jen
- Eric Wanjau
encontre todos os recursos adicionais para este curso em nossa coleção no Microsoft Learn
Acesso offline
Você pode executar esta documentação offline usando Docsify. Faça um fork deste repositório, instale o Docsify em 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:
- IA Generativa para Iniciantes
- IA Generativa para Iniciantes .NET
- IA Generativa com JavaScript
- IA Generativa com Java
- IA para Iniciantes
- Ciência de Dados para Iniciantes
- ML para Iniciantes
- Cibersegurança para Iniciantes
- Desenvolvimento Web para Iniciantes
- IoT para Iniciantes
- Desenvolvimento XR para Iniciantes
- Dominando o GitHub Copilot para Programação em Parceria
- Dominando o GitHub Copilot para Desenvolvedores C#/.NET
- Escolha Sua Própria Aventura com Copilot
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 automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.