26 KiB
🌐 Suporte Multilingue
Suportado via GitHub Action (Automatizado e Sempre Atualizado)
French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)
Junte-se à Comunidade
Aprendizagem Automática para Iniciantes - Um Currículo
🌍 Viaje pelo mundo enquanto exploramos Aprendizagem Automática através de culturas globais 🌍
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 é frequentemente 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, um exercício e muito mais. A nossa pedagogia baseada em projetos permite-lhe aprender enquanto constrói, uma forma comprovada de fazer com que novas competências se fixem.
✍️ 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 Microsoft Student Ambassador autores, revisores e contribuidores de conteúdo, nomeadamente 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!
Começar
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 na nossa coleção Microsoft Learn
Estudantes, para utilizar 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 pré-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
/solutionem cada lição orientada por projeto. - Faça o questionário pós-aula.
- Complete o desafio.
- Complete o exercício.
- 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 preenche para aprofundar a sua aprendizagem. Também pode reagir a outros PATs para aprendermos juntos.
Para estudo adicional, recomendamos seguir estes Microsoft Learn módulos e percursos de aprendizagem.
Professores, incluímos algumas sugestões sobre como utilizar este currículo.
Vídeos explicativos
Algumas das lições estão disponíveis em formato de vídeo curto. Pode encontrar todos estes vídeos integrados 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 é baseado em projetos práticos e que inclui 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 de uma aula define a intenção do estudante em aprender um tópico, enquanto um segundo questionário após a aula garante uma 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 progressivamente 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 e diretrizes de Tradução. Agradecemos o seu feedback construtivo!
Cada lição inclui
- sketchnote opcional
- vídeo suplementar opcional
- vídeo explicativo (apenas algumas lições)
- questionário de aquecimento pré-aula
- lição escrita
- para lições baseadas em projetos, guias passo a passo sobre como construir o projeto
- verificações de conhecimento
- um desafio
- leitura suplementar
- exercício
- questionário pós-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
/solutione procure lições em R. Elas incluem uma extensão .rmd que representa um ficheiro 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) numdocumento 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 para formatos de saída como PDF, HTML ou Word.
Uma nota sobre questionários: Todos os questionários estão contidos na pasta Quiz App, num total de 52 questionários com três perguntas cada. Estão ligados dentro das lições, mas a aplicação de questionários pode ser executada localmente; siga as instruções na pasta
quiz-apppara hospedar localmente ou implementar no Azure.
| Número da Lição | Tópico | Agrupamento de Lições | Objetivos de Aprendizagem | Lição Ligada | Autor |
|---|---|---|---|---|---|
| 01 | Introdução à aprendizagem automática | Introdução | Aprenda os conceitos básicos por trás da aprendizagem automática | Lição | Muhammad |
| 02 | A História da aprendizagem automática | Introdução | Aprenda a história subjacente a este campo | Lição | Jen e Amy |
| 03 | Justiça e aprendizagem automática | Introdução | Quais são as questões filosóficas importantes sobre justiça que os estudantes devem considerar ao construir e aplicar modelos de ML? | Lição | Tomomi |
| 04 | Técnicas de aprendizagem automática | Introdução | Que técnicas os investigadores de ML 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 na nossa coleção Microsoft Learn
Acesso offline
Pode executar esta documentação offline utilizando Docsify. Faça um fork deste repositório, instale Docsify na sua máquina local e, 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:
- Generative AI for Beginners
- Generative AI for Beginners .NET
- Generative AI with JavaScript
- Generative AI with Java
- AI for Beginners
- Data Science for Beginners
- ML for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
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 oficial. Para informações críticas, recomenda-se uma tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes do uso desta tradução.