30 KiB

Raw Blame History Unescape Escape

🌐 Suporte Multilíngue

Suportado via GitHub Action (Automatizado e Sempre Atualizado)

Junte-se à Nossa Comunidade

Estamos com uma série contínua no Discord chamada Aprenda com IA, saiba mais e junte-se a nós em Learn with AI Series de 18 a 30 de setembro de 2025. Você receberá dicas e truques para usar o GitHub Copilot para Ciência de Dados.

Aprendizado de Máquina para Iniciantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos Aprendizado de Máquina por meio das culturas do mundo 🌍

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 aprendizado profundo, que é abordado em nosso currículo AI para Iniciantes. Combine essas lições com nosso 'Currículo de Ciência de Dados para Iniciantes', também!

Viaje conosco pelo mundo enquanto aplicamos essas técnicas clássicas a dados de várias regiões do mundo. Cada lição inclui questionários pré e pós-aula, instruções escritas para completar a lição, uma solução, uma tarefa e mais. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma forma comprovada para que novas habilidades 'fixem'.

✍️ Agradecimentos calorosos 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 de conteúdo Microsoft Student Ambassador, notadamente 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 Microsoft Learn

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

Estudantes, para usar este currículo, faça um fork do repositório inteiro para 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 apenas executar o código da solução; no entanto, esse código está disponível nas pastas /solution em cada lição orientada a projetos.
Faça o questionário pós-aula.
Complete o desafio.
Complete a tarefa.
Após 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 você preenche para aprofundar seu aprendizado. Você também pode reagir a outros PATs para aprendermos 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 encontrá-los embutidos 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 prático e baseado em projetos 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 dos conceitos será aumentada. Além disso, um questionário de baixo risco antes da aula define a intenção do aluno para aprender um tópico, enquanto um segundo questionário após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser feito integralmente ou em partes. Os projetos começam pequenos e se tornam progressivamente mais complexos até o final do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussão.

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

Cada lição inclui

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

Uma nota sobre idiomas: Essas 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 uma extensão .rmd que representa um arquivo R Markdown, que pode ser simplesmente definido como uma incorporação de blocos de código (de R ou outras linguagens) e um cabeçalho YAML (que orienta como formatar saídas como PDF) em um documento Markdown. Como tal, serve como uma estrutura exemplar para autoria em ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos escrevendo-os 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, totalizando 52 questionários com três perguntas cada. Eles são vinculados dentro das lições, mas o aplicativo de questionário pode ser executado 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 Vinculada	Autor
01	Introdução ao aprendizado de máquina	Introduction	Aprenda os conceitos básicos por trás do aprendizado de máquina	Lesson	Muhammad
02	A História do aprendizado de máquina	Introduction	Aprenda a história por trás deste campo	Lesson	Jen and Amy
03	Justiça e aprendizado de máquina	Introduction	Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML?	Lesson	Tomomi
04	Técnicas para aprendizado de máquina	Introduction	Quais técnicas os pesquisadores de ML usam para construir modelos de 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 de abóboras na América do Norte 🎃	Regression	Visualize e limpe dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços de abóboras na América do Norte 🎃	Regression	Construa modelos de regressão linear e polinomial	Python • R	Jen and Dmitry • Eric Wanjau
08	Preços de abóboras na América do Norte 🎃	Regression	Construa um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Um App Web 🔌	Web App	Construa um app web para usar seu modelo treinado	Python	Jen
10	Introdução à classificação	Classification	Limpe, prepare e visualize seus dados; introdução à classificação	Python • R	Jen and Cassie • Eric Wanjau
11	Culinárias deliciosas asiáticas e indianas 🍜	Classification	Introdução aos classificadores	Python • R	Jen and Cassie • Eric Wanjau
12	Culinárias deliciosas asiáticas e indianas 🍜	Classification	Mais classificadores	Python • R	Jen and Cassie • Eric Wanjau
13	Culinárias deliciosas asiáticas e indianas 🍜	Classification	Construa um app web recomendador usando seu modelo	Python	Jen
14	Introdução ao agrupamento	Clustering	Limpe, prepare e visualize seus dados; Introdução ao agrupamento	Python • R	Jen • Eric Wanjau
15	Explorando gostos musicais nigerianos 🎧	Clustering	Explore o método de agrupamento K-Means	Python • R	Jen • Eric Wanjau
16	Introdução ao processamento de linguagem natural ☕️	Natural language processing	Aprenda o básico sobre PLN construindo um bot simples	Python	Stephen
17	Tarefas comuns de PLN ☕️	Natural language processing	Aprofunde seu conhecimento em PLN entendendo tarefas comuns necessárias 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 à previsão 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 Regressor de Vetores de Suporte	Python	Anirban
24	Introdução ao aprendizado por reforço	Reinforcement learning	Introdução ao aprendizado por reforço com Q-Learning	Python	Dmitry
25	Ajude Peter a evitar o lobo! 🐺	Reinforcement learning	Aprendizado por reforço com Gym	Python	Dmitry
Postscript	Cenários e aplicações reais de ML	ML in the Wild	Aplicações reais interessantes e reveladoras de ML clássico	Lesson	Team
Postscript	Depuração de modelos em ML usando painel RAI	ML in the Wild	Depuração de modelos em aprendizado de máquina usando componentes do painel Responsible AI	Lesson	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 no 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 Principal

Série Copilot

Obtendo Ajuda

Se você ficar preso ou tiver alguma dúvida sobre como construir aplicativos de IA. Junte-se a outros aprendizes e desenvolvedores experientes em discussões sobre MCP. É uma comunidade de apoio onde perguntas são bem-vindas e o conhecimento é compartilhado livremente.

Se você tiver feedback sobre o produto ou erros durante a construção, visite:

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 em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.

30 KiB Raw Blame History Unescape Escape