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 | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polonês | 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 de idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use sparse checkout:

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

Junte-se à Nossa Comunidade

Estamos realizando uma série Discord sobre aprender com IA, saiba mais e junte-se a nós em Série Aprenda com IA de 18 a 30 de setembro de 2025. Você receberá dicas e truques de como usar o GitHub Copilot para Ciência de Dados.

Aprendizado de Máquina para Iniciantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos Aprendizado de Máquina através das culturas mundiais 🌍

Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, totalmente dedicado ao 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 deep learning, que é abordado em nosso currículo AI para Iniciantes. Combine estas lições com nosso currículo Ciência de Dados para Iniciantes, também!

Viaje conosco pelo mundo enquanto aplicamos essas técnicas clássicas a dados de diversas regiões. Cada lição inclui testes antes e depois da aula, instruções escritas para completar a lição, uma solução, um desafio, e mais. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma forma comprovada de fixar novos conhecimentos.

✍️ 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

🙏 Agradecimentos especiais 🙏 aos nossos autores, revisores e colaboradores do Microsoft Student Ambassador, 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:

1. Faça um 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 em nossa coleção Microsoft Learn

🔧 Precisa de ajuda? Consulte nosso Guia de Solução de Problemas para soluções comuns com instalação, configuração e execução das aulas.

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

• Comece com um quiz 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 executar o código da solução; embora esse código esteja disponível nas pastas /solution em cada lição orientada por projeto.
• Faça o quiz pós-aula.
• Complete o desafio.
• Entregue o assignment.
• Após completar um grupo de aulas, visite o Fórum de Discussões e “aprenda em voz alta” preenchendo a rubrica PAT apropriada. Um 'PAT' é uma Ferramenta de Avaliação de Progresso (Progress Assessment Tool) que é uma rubrica que você preenche para aprofundar seu aprendizado. Você também pode reagir a outras PATs para aprendermos juntos.

Para estudos adicionais, recomendamos seguir estes módulos e trilhas de aprendizado do Microsoft Learn.

Professores, incluímos algumas sugestões sobre como usar este currículo.

---

Vídeos explicativos

Algumas lições estão disponíveis em formato de vídeo curto. Você pode encontrá-los integrados 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 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 quizzes frequentes. Além disso, este currículo tem um tema comum para dar coerência.

Garantindo que o conteúdo esteja alinhado com projetos, o processo se torna mais envolvente para os alunos, aumentando a retenção dos conceitos. Além disso, um quiz de baixa pressão antes da aula define a intenção do estudante para aprender o tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido, podendo ser feito em sua totalidade ou em partes. Os projetos começam pequenos e se tornam progressivamente mais complexos até o fim do ciclo de 12 semanas. O currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito adicional ou base para discussão.

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

Cada lição inclui

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

Uma nota sobre os idiomas: Estas lições são principalmente escritas 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 a extensão .rmd que representa um arquivo R Markdown, que pode ser definido como uma integração de blocos de código (em R ou outras linguagens) e um cabeçalho YAML (que orienta como formatar saídas como PDF) em um documento Markdown. Assim, serve como um excelente framework para autoria em ciência de dados, pois permite combinar seu código, sua saída e suas anotações 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 com três perguntas cada. Eles estão 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 Aula	Tema	Agrupamento de Aula	Objetivos de Aprendizagem	Aula Vinculada	Autor
01	Introdução ao aprendizado de máquina	Introdução	Aprenda os conceitos básicos por trás do aprendizado de máquina	Aula	Muhammad
02	A História do aprendizado de máquina	Introdução	Aprenda a história por trás deste campo	Aula	Jen e Amy
03	Justiça e aprendizado de máquina	Introdução	Quais são as importantes questões filosóficas sobre justiça que os estudantes devem considerar ao construir e aplicar modelos ML?	Aula	Tomomi
04	Técnicas para aprendizado de máquina	Introdução	Quais técnicas os pesquisadores de ML usam para construir modelos de ML?	Aula	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 da abóbora na América do Norte 🎃	Regressão	Visualize e limpe dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços da abóbora na América do Norte 🎃	Regressão	Construa modelos de regressão linear e polinomial	Python • R	Jen e Dmitry • Eric Wanjau
08	Preços da abóbora na América do Norte 🎃	Regressão	Construa um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Um App Web 🔌	App Web	Construa um aplicativo 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 a 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	Construa um app web recomendador usando seu modelo	Python	Jen
14	Introdução ao agrupamento	Agrupamento	Limpe, prepare e visualize seus dados; Introdução ao agrupamento	Python • R	Jen • Eric Wanjau
15	Explorando gostos musicais nigerianos 🎧	Agrupamento	Explore o método de agrupamento 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 de PLN entendendo tarefas comuns quando lidar com estruturas de linguagem	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 Regressor de Vetor de Suporte	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	Ambiente Gym para aprendizado por reforço	Python	Dmitry
Pós-escrito	Cenários e aplicações reais de ML	ML na prática	Aplicações reais interessantes e reveladoras de ML clássico	Aula	Equipe
Pós-escrito	Depuração de modelos em ML usando dashboard RAI	ML na prática	Depuração de modelos em ML usando componentes do dashboard Responsible AI	Aula	Ruth Yakubu

encontre todos os recursos adicionais para este curso em nossa coleção 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 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 Básico

---

Série Copilot

Obter Ajuda

Se você travar 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 de apoio onde perguntas são bem-vindas e o conhecimento é compartilhado livremente.

Se você tiver feedback de produto ou erros enquanto estiver construindo, visite:

---

Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações errôneas decorrentes do uso desta tradução.