ML-For-Beginners/translations/pt-PT

🌐 Suporte Multilingue

Suportado via GitHub Action (Automatizado & 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 | Khmer | 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) | Tâmil | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Prefere Clonar Localmente?

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

Bash / macOS / Linux:

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'

CMD (Windows):

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 dá-lhe tudo o que precisa para completar o curso com um download muito mais rápido.

Junte-se à Nossa Comunidade

Temos uma série Discord de aprender com IA em curso, saiba mais e junte-se a nós em Learn with AI Series de 18 a 30 de setembro de 2025. Vai obter dicas e truques sobre como usar o GitHub Copilot para Ciência de Dados.

Aprendizagem Automática para Iniciantes - Uma 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, com 26 lições, todo sobre Aprendizagem Automática. Neste currículo, aprenderá sobre o que às vezes é chamado de aprendizagem automática clássica, usando 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 'Data Science para Iniciantes'!

Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de várias partes do mundo. Cada lição inclui quizzes antes e depois, instruções escritas para completar a lição, uma solução, um desafio e mais. A nossa pedagogia baseada em projetos permite aprender enquanto se constrói, uma maneira comprovada para as novas competências se fixarem.

✍️ Agradecimentos sinceros 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 Ambassador autores, revisores e colaboradores de conteúdo, destacando 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 pela nossas lições em R!

Como Começar

Siga estes passos:

1. Fork ao 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

💡 Dica para Início Rápido: Quer começar no navegador sem configurar o Python localmente? Use GitHub Codespaces para criar um ambiente de desenvolvimento em nuvem para o seu fork. Abra o menu verde Code, selecione Codespaces e crie um codespace; instale as dependências necessárias de cada lição conforme precisar.

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 comuns sobre instalação, configuração e execução das lições.

Estudantes, para usar este currículo, faça fork do repositório para sua própria conta GitHub e complete os exercícios sozinho ou em grupo:

• Comece com um quiz pré-lecture.
• Leia a aula e complete as atividades, fazendo pausas para refletir em cada verificação de conhecimento.
• Tente criar os projetos compreendendo as lições, em vez de executar o código da solução; contudo, esse código está disponível nas pastas /solution em cada lição orientada a projetos.
• Faça o quiz pós-lecture.
• Complete o desafio.
• Complete o trabalho.
• Depois de 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, que é uma rubrica que preenche para aprofundar o seu aprendizado. Pode também reagir a outros 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.

---

Vídeos explicativos

Algumas das lições estão disponíveis em formato de vídeo curto. Pode encontrá-los integrados nas lições, ou na playlist ML for Beginners no canal Microsoft Developer 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 ao construir este currículo: garantir que seja prático e baseado em projetos e que inclua quizzes frequentes. Além disso, este currículo tem um tema comum para lhe dar coesão.

Ao garantir que o conteúdo se alinha com projetos, o processo torna-se mais envolvente para os alunos e a retenção de conceitos será aumentada. Além disso, um quiz de baixo risco antes da aula define a intenção do aluno para aprender o tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser feito na íntegra ou em parte. Os projetos começam pequenos e tornam-se progressivamente mais complexos até o fim do ciclo de 12 semanas. Este currículo inclui também um posfácio sobre aplicações reais da ML, que pode ser usado como crédito extra ou base para discussão.

Encontre as nossas diretrizes Código de Conduta, Contribuição, Traduções e Resolução de Problemas. Acolhemos o seu feedback construtivo!

Cada lição inclui

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

Uma nota sobre 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. Incluem uma extensão .rmd que representa um ficheiro R Markdown que pode ser simplesmente definido como a incorporação de blocos de código (de R ou outras linguagens) e um cabeçalho YAML (que orienta como formatar saídas como PDF) num documento Markdown. Como tal, serve como uma excelente estrutura para autoria em ciência de dados, pois permite combinar o código, sua saída e os seus pensamentos ao escrever em Markdown. Além disso, os documentos R Markdown podem ser convertidos para formatos como PDF, HTML ou Word.

Uma nota sobre quizzes: Todos os quizzes estão contidos na pasta Quiz App, num total de 52 quizzes com três perguntas cada. Eles são ligados de dentro das lições, mas a aplicação de quiz pode ser executada localmente; siga as instruções na pasta quiz-app para hospedar localmente ou implantar no Azure.

Número da Lição	Tópico	Agrupamento da Lição	Objetivos de Aprendizagem	Lição Ligada	Autor
01	Introdução ao machine learning	Introduction	Aprenda os conceitos básicos por detrás do machine learning	Lesson	Muhammad
02	A História do machine learning	Introduction	Aprenda a história subjacente a esta área	Lesson	Jen and Amy
03	Justiça e machine learning	Introduction	Quais são as questões filosóficas importantes sobre justiça que os estudantes devem considerar ao construir e aplicar modelos ML?	Lesson	Tomomi
04	Técnicas para machine learning	Introduction	Que técnicas utilizam os investigadores de ML para construir modelos ML?	Lesson	Chris and Jen
05	Introdução à regressão	Regression	Comece com Python e Scikit-learn para modelos de regressão	Python • R	Jen • Eric Wanjau
06	Preços das abóboras na América do Norte 🎃	Regression	Visualize e limpe dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços das abóboras na América do Norte 🎃	Regression	Construa modelos de regressão linear e polinomial	Python • R	Jen and Dmitry • Eric Wanjau
08	Preços das abóboras na América do Norte 🎃	Regression	Construa um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Uma App Web 🔌	Web App	Construa uma app web para usar o seu modelo treinado	Python	Jen
10	Introdução à classificação	Classification	Limpe, prepare e visualize os seus dados; introdução à classificação	Python • R	Jen and Cassie • Eric Wanjau
11	Cozinhas deliciosas asiáticas e indianas 🍜	Classification	Introdução aos classificadores	Python • R	Jen and Cassie • Eric Wanjau
12	Cozinhas deliciosas asiáticas e indianas 🍜	Classification	Mais classificadores	Python • R	Jen and Cassie • Eric Wanjau
13	Cozinhas deliciosas asiáticas e indianas 🍜	Classification	Construa uma app web recomendadora usando o seu modelo	Python	Jen
14	Introdução à clustering	Clustering	Limpe, prepare e visualize os seus dados; Introdução ao clustering	Python • R	Jen • Eric Wanjau
15	Explorar os gostos musicais da Nigéria 🎧	Clustering	Explore o método de clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introdução ao processamento de linguagem natural ☕️	Natural language processing	Aprenda o básico sobre NLP construindo um bot simples	Python	Stephen
17	Tarefas comuns de NLP ☕️	Natural language processing	Aprofunde o seu conhecimento de NLP ao entender as tarefas comuns exigidas ao lidar com estruturas linguísticas	Python	Stephen
18	Tradução e análise de sentimento ♥️	Natural language processing	Tradução e análise de sentimento com Jane Austen	Python	Stephen
19	Hotéis românticos da Europa ♥️	Natural language processing	Análise de sentimento com avaliações de hotéis 1	Python	Stephen
20	Hotéis românticos da Europa ♥️	Natural language processing	Análise de sentimento com avaliações de hotéis 2	Python	Stephen
21	Introdução a previsões de séries temporais	Time series	Introdução à previsão de séries temporais	Python	Francesca
22	⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com ARIMA	Time series	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com SVR	Time series	Previsão de séries temporais com Support Vector Regressor	Python	Anirban
24	Introdução ao reinforcement learning	Reinforcement learning	Introdução ao reinforcement learning com Q-Learning	Python	Dmitry
25	Ajuda o Peter a evitar o lobo! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Postscript	Cenários e aplicações reais de ML	ML in the Wild	Aplicações reais interessantes e reveladoras do ML clássico	Lesson	Team
Postscript	Depuração de modelos em ML usando o dashboard RAI	ML in the Wild	Depuração de modelos em Machine Learning usando componentes do painel Responsible AI	Lesson	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 do 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 Fundamental

---

Série Copilot

Obter Ajuda

Se ficar bloqueado ou tiver dúvidas enquanto aprende Machine Learning ou constrói aplicações de IA, não se preocupe — existe ajuda disponível.

Pode juntar-se a discussões com outros aprendizes e programadores, fazer perguntas, e partilhar as suas ideias com a comunidade.

• Junte-se à comunidade para fazer perguntas e aprender com os outros
• Discuta conceitos de Machine Learning e ideias para projetos
• Obtenha orientação por parte de programadores experientes

Uma comunidade solidária é uma ótima forma de desenvolver as suas competências e resolver problemas mais rapidamente.

Comunidade Microsoft Foundry no Discord

Se encontrar bugs, erros, ou tiver sugestões para melhorias, também pode abrir uma Issue neste repositório para reportar o problema.

Para feedback do produto ou para pesquisar publicações já existentes na comunidade, visite o Fórum de Programadores:

Dicas adicionais para aprendizagem

• Reveja os notebooks após cada aula para melhor compreensão.
• Pratique a implementação dos algoritmos por si próprio.
• Explore conjuntos de dados reais utilizando os conceitos aprendidos.

---

Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.