ML-For-Beginners/translations/pt

🌐 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 | Checo | Dinamarquês | Holandês | Estónio | Finlandês | Francês | Alemão | Grego | Hebraico | Hindi | Húngaro | Indonésio | Italiano | Japonês | Kannada | Coreano | Lituano | Malaio | Malaiala | Marata | Nepali | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polaco | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalo (Filipino) | Tamil | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Junte-se à Nossa Comunidade

Temos uma série no Discord para 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 receber dicas e truques para usar o GitHub Copilot para Ciência de Dados.

Aprendizagem Automática para Iniciantes - Um 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, totalmente dedicado à Aprendizagem Automática. Neste currículo, aprenderá sobre o que às vezes é chamado de aprendizagem automática clássica, usando principalmente a biblioteca Scikit-learn e evitando o deep learning, que é abordado no nosso currículo AI para Iniciantes. Combine estas lições com o nosso 'Currículo de Ciência de Dados para Iniciantes', também!

Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de várias regiões do mundo. Cada lição inclui questionários pré e pós-lição, instruções escritas para completar a lição, uma solução, um desafio, e mais. A nossa pedagogia baseada em projetos permite aprender enquanto constrói, uma forma comprovada de fixar novas competências.

✍️ Um grande obrigado 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

🎨 Obrigado também aos nossos ilustradores Tomomi Imura, Dasani Madipalli, e Jen Looper

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

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 na nossa coleção Microsoft Learn

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

Estudantes, para usar este currículo, faça fork do repositório completo para a sua 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 preenche para aprofundar o seu aprendizado. Também pode 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 no 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 é prático e baseado em projetos 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 dos conceitos será aumentada. Além disso, um questionário de baixo risco antes da aula define a intenção do estudante para aprender um tópico, enquanto um segundo questionário após a aula assegura uma retenção adicional. Este currículo foi desenhado para ser flexível e divertido e pode ser feito na totalidade ou em partes. Os projetos começam pequenos e tornam-se progressivamente mais complexos até ao final do ciclo de 12 semanas. Este currículo inclui também um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussão.

Encontre as nossas diretrizes de Código de Conduta, Contribuição, Tradução e Resolução de Problemas. 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 para construir o projeto
• verificações de conhecimento
• um desafio
• leitura suplementar
• tarefa
• questionário pós-aula

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 as lições em R. Estas incluem uma extensão .rmd que representa um ficheiro 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) num documento Markdown. Como tal, serve como um excelente framework de autoria para ciência de dados, pois permite combinar o seu código, a sua saída e os seus pensamentos escrevendo-os em Markdown. Além disso, documentos R Markdown podem ser convertidos 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 estão ligados dentro das lições, mas a aplicação de questionários 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 trás do machine learning	Lesson	Muhammad
02	A História do machine learning	Introduction	Aprenda a história subjacente a este campo	Lesson	Jen and Amy
03	Justiça e machine learning	Introduction	Quais são as questões filosóficas importantes em torno da justiça que os estudantes devem considerar ao construir e aplicar modelos de ML?	Lesson	Tomomi
04	Técnicas para machine learning	Introduction	Que técnicas os investigadores 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	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	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 uma app web recomendadora usando o seu modelo	Python	Jen
14	Introdução ao clustering	Clustering	Limpe, prepare e visualize os seus dados; Introdução ao clustering	Python • R	Jen • Eric Wanjau
15	Explorando gostos musicais nigerianos 🎧	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 PLN construindo um bot simples	Python	Stephen
17	Tarefas comuns de PLN ☕️	Natural language processing	Aprofunde o seu conhecimento de 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	⚡️ Consumo mundial de energia ⚡️ - previsão de séries temporais com ARIMA	Time series	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Consumo 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	Ajude 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 de 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 dashboard 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 Docsify. Faça um fork deste repositório, instale o Docsify na sua máquina local e depois, na pasta raiz deste repositório, digite docsify serve. O website 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! Veja:

LangChain

---

Azure / Edge / MCP / Agents

---

Série de IA Generativa

---

Aprendizagem Principal

---

Série Copilot

Obter Ajuda

Se ficar bloqueado ou tiver alguma questão sobre como criar aplicações de IA. Junte-se a outros aprendizes e desenvolvedores experientes em discussões sobre MCP. É uma comunidade de apoio onde as perguntas são bem-vindas e o conhecimento é partilhado livremente.

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

---

Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos para garantir a precisão, por favor tenha em conta 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 a tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes do uso desta tradução.