You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
ML-For-Beginners/translations/README.pt-br.md

17 KiB

GitHub license GitHub contributors GitHub issues GitHub pull-requests PRs Welcome

GitHub watchers GitHub forks GitHub stars

Machine Learning para Iniciantes - O Curso

🌍 Viaje pelo mundo enquanto exploramos o Machine Learning através das culturas mundiais 🌍

Os Advocates do Azure Cloud da Microsoft têm o prazer de oferecer um curso de 12 semanas com 24 lições (mais uma!) sobre Machine Learning. Neste curso, você irá aprender o que às vezes chamamos de machine learning clássico, usando principalmente Scikit-learn como biblioteca e evitando deep learning, que será coberto no próximo curso 'IA para Iniciantes'. Combine também essas lições com o curso de Data Science para Iniciantes!

Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de muitas áreas do mundo. Cada lição inclui questionários pré e pós-aula, instruções escritas para completar a lição, uma solução, uma tarefa e muito mais. A nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma forma comprovada de "aderir" as novas habilidades.

✍️ sinceros agradecimentos aos nossos autores Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Ornella Altunyan, e Amy Boyd

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

🙏 Agradecimentos especiais 🙏 aos autores, revisores e colaboradores de conteúdo do Microsoft Student Ambassador, notavelmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, e Snigdha Agarwal

🤩 Agradecimento extra ao Microsoft Student Ambassador, Eric Wanjau, por nossas aulas de R!


Iniciando

Estudantes, para usar este curso, faça um fork do nosso repositório para sua conta do GitHub e complete os exercícios de forma individual ou em grupo:

  • Comece com o questionário de pré-aula.
  • Leia as aulas e conclua as atividades, pausando e refletindo a cada verificação de conhecimento.
  • Tente criar os projetos compreendendo as lições ao invés de executar o código da solução; No entanto, esse código está disponível nas pastas /solution em cada lição que contenha um projeto.
  • Faça o teste de pós-aula.
  • Complete o desafio.
  • Conclua a tarefa.
  • Após concluir uma lição em grupo, visite o Quadro de discussões e "aprenda em voz alta" preenchendo de forma apropriada a rubrica PAT. Um 'PAT' é uma ferramenta de avaliação de progresso que é uma rubrica que você preenche para promover seu aprendizado. Você também pode reagir a outros PATs para que possamos aprender juntos.

Para um estudo mais aprofundado, recomendamos seguir os módulos e percursos de aprendizagem da Microsoft Learn.

Professores, incluímos algumas sugestões em como usar este curso.


Conhece a equipe

Video promo

🎥 Clique na imagem acima para o vídeo sobre o projeto e as pessoas que o criaram!


Pedagogia

Escolhemos dois princípios pedagógicos ao construir este curso: garantir que seja prático baseado em projeto e que inclua questionários frequentes. Além disso, este curso tem um tema comum para dar-lhe coesão.

Ao garantir que o conteúdo esteja alinhado com os projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos é aumentada. Além disso, um teste de baixo risco antes da aula define a intenção do estudante de aprender um tópico, enquanto que o segundo questionário após a aula garante maior retenção. Este curso foi projetado para ser flexível e divertido e pode ser realizado por completo ou parcialmente. Os projetos começam pequenos e tornam-se cada vez mais complexos ao final do ciclo de 12 semanas. Este curso também inclui um pós-escrito sobre aplicações de ML no mundo real, que pode ser usado como crédito extra ou como base para discussão.

Encontre as diretrizes do nosso Código de Conduta, Contribuição e Tradução. Agradecemos seu feedback construtivo!

Cada aula inclui:

  • esboço opcional
  • vídeo complementar opcional
  • teste de aquecimento da pré-aula
  • aula escrita
  • para aulas baseadas em projetos, guias com passo a passo sobre como construir o projeto
  • verificações de conhecimento
  • um desafio
  • leitura suplementar
  • tarefa
  • questionário pós-aula

Uma nota sobre questionários: Todos os questionários estão contidos neste aplicativo, para um total de 50 testes de três perguntas cada. Eles estão vinculados nas lições, mas o aplicativo de teste pode ser executado localmente; siga as instruções na pasta quiz-app.

Número da aula Tópico Agrupamento de Aulas Objetivos de aprendizagem Aula vinculada Autor
01 Introdução ao machine learning Introdução Aprenda os conceitos básicos atrás do machine learning Aula Muhammad
02 A História de machine learning Introdução Aprenda a história subjacente desta área Aula Jen e Amy
03 Equidade e aprendizado de máquina Introdução Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML? Aula Tomomi
04 Técnicas para machine learning Introdução Quais técnicas os pesquisadores de ML usam para construir modelos de ML? Aula Chris e Jen
05 Introdução à regressão Regressão Comece a usar Python e Scikit-learn para modelos de regressão
  • Jen
  • Eric Wanjau
06 Preços das abóboras norte americanas 🎃 Regressão Visualize e limpe os dados em preparação para o ML
  • Jen
  • Eric Wanjau
07 Preços das abóboras norte americanas 🎃 Regressão Construa modelos de regressão linear e polinomial
  • Jen
  • Eric Wanjau
08 Preços das abóboras norte americanas 🎃 Regressão Construa um modelo de regressão logística
  • Jen
  • Eric Wanjau
09 Uma Web App 🔌 Web App Crie um aplicativo web para usar seu modelo treinado Python Jen
10 Introdução à classificação Classificação Limpe, prepare e visualize seus dados; introdução à classificação
  • Jen e Cassie
  • Eric Wanjau
11 Deliciosas cozinhas asiáticas e indianas 🍜 Classificação Introdução aos classificadores
  • Jen e Cassie
  • Eric Wanjau
12 Deliciosas cozinhas asiáticas e indianas 🍜 Classificação Mais classificadores
  • Jen e Cassie
  • Eric Wanjau
13 Deliciosas cozinhas asiáticas e indianas 🍜 Classificação Construa um aplicativo web de recomendação usando seu modelo Python Jen
14 Introdução ao clustering Clustering Limpe, prepare e visualize seus dados; Introdução ao clustering
  • Jen
  • Eric Wanjau
15 Explorando Gostos Musicais Nigerianos 🎧 Clustering Explore o método de agrupamento K-Means
  • Jen
  • Eric Wanjau
16 Introdução processamento de linguagem natural Processamento de linguagem natural Aprenda o básico sobre PNL criando um bot simples Python Stephen
17 Tarefas NLP comuns Processamento de linguagem natural Aprofunde seu conhecimento de PNL entendendo as tarefas comuns exigidas ao 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 Uso de Energia Mundial - previsão de série temporal com ARIMA Séries temporais Previsão de séries temporais com ARIMA Python Francesca
23 Introdução à aprendizagem por reforço Aprendizagem por reforço Introdução à aprendizagem por reforço com Q-Learning Python Dmitry
24 Ajuda o Pedro a evitar do lobo! 🐺 Aprendizagem por reforço Ginásio de aprendizagem por reforço Python Dmitry
Postscript Cenários e aplicações de ML do mundo real ML na natureza Aplicações interessantes e reveladoras do mundo real do ML clássico Aula Equipe

Acesso Offline

Você pode executar esta documentação offline usando Docsify. Faça um fork deste repositório, instale o Docsify em sua máquina local e, em seguida, na pasta raiz deste repositório, digite docsify serve. O site será servido na porta 3000 em seu localhost: localhost: 3000.

PDFs

Encontre o pdf do curso com os links aqui

Procura-se ajuda!

Você gostaria de contribuir com uma tradução? Leia nossas diretrizes de tradução e adicione informações aqui

Outros Cursos

Nossa equipe produziu outros cursos! Confira: