ML-For-Beginners/translations/pt-BR

🌐 Suporte Multilíngue

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 | Tcheco | Dinamarquês | Holandês | Estoniano | Finlandês | Francês | Alemão | Grego | Hebraico | Hindi | Húngaro | Indonésio | Italiano | Japonês | Kannada | Khmer | Coreano | Lituano | Malaio | Malayalam | Marathi | Nepali | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polonês | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalo (Filipino) | Tâmil | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Prefere Clonar Localmente?

Este repositório inclui mais de 50 traduções que aumentam significativamente o tamanho do download. Para clonar sem traduções, use 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"

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

Junte-se à Nossa Comunidade

Temos uma série contínua no Discord chamada "learn with AI", 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.

Machine Learning para Iniciantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos Machine Learning por meio das culturas globais 🌍

Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas com 26 lições focadas em Machine Learning. Neste currículo, você aprenderá sobre o que às vezes é chamado de machine learning clássico, usando principalmente a biblioteca Scikit-learn e evitando deep learning, que é abordado em nosso currículo AI para Iniciantes. Combine essas lições com nosso currículo Ciência de Dados para Iniciantes!

Viaje conosco ao redor do mundo enquanto aplicamos essas 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 exercício e muito mais. Nossa pedagogia baseada em projetos permite que você aprenda construindo, uma forma comprovada de fixar novas habilidades.

✍️ 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

🎨 Também agradecemos 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:

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 para problemas comuns com instalação, configuração e execução das lições.

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

• Comece com um questionário pré-aula.
• Leia a aula e complete as atividades, fazendo pausas e refletindo em cada verificação de conhecimento.
• Tente criar os projetos compreendendo as lições, em vez de apenas executar o código solução; contudo, esse código está disponível nas pastas /solution em cada lição orientada por projeto.
• Faça o questionário pós-aula.
• Complete o desafio.
• Complete o exercício.
• Após completar um grupo de lições, visite o Fórum de Discussão e "aprenda em voz alta" preenchendo a rubrica apropriada do PAT. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que você preenche para avançar 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 lições estão disponíveis como vídeos curtos. Você pode encontrar todos eles 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 para construir este currículo: garantir que ele seja prático baseado em projetos e que inclua questionários frequentes. Além disso, este currículo tem um tema comum para dar coerência.

Ao garantir que o conteúdo esteja alinhado com projetos, o processo fica mais envolvente para os alunos e a retenção dos conceitos é aumentada. Além disso, um questionário de baixo risco antes da aula estabelece a intenção do aluno em aprender um tópico, enquanto um segundo questionário após a aula assegura uma retenção maior. Este currículo foi projetado para ser flexível e divertido e pode ser feito integralmente ou em partes. Os projetos começam pequenos e crescem em complexidade ao longo das 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou base para discussão.

Encontre nosso Código de Conduta, Como Contribuir, Traduções e diretrizes de Solução de Problemas. Aguardamos seu feedback construtivo!

Cada lição inclui

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

Uma nota sobre idiomas: Essas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá para a pasta /solution e procure pelas 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 exemplificada para autoria em ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos ao permitir escrevê-los em Markdown. Além disso, documentos R Markdown podem ser renderizados em formatos de saída como PDF, HTML ou Word.

Uma nota sobre quizzes: Todos os quizzes estão contidos na pasta do Quiz App, com 52 quizzes totais de três perguntas cada. Eles estão vinculados dentro das lições, mas o app de quiz 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 à aprendizagem de máquina	Introdução	Aprenda os conceitos básicos por trás da aprendizagem de máquina	Lição	Muhammad
02	A história da aprendizagem de máquina	Introdução	Aprenda a história subjacente a esse campo	Lição	Jen e Amy
03	Justiça e aprendizagem de máquina	Introdução	Quais são as importantes questões filosóficas sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML?	Lição	Tomomi
04	Técnicas para aprendizagem de máquina	Introdução	Quais técnicas os pesquisadores de ML usam para construir modelos de ML?	Lição	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 de abóbora na América do Norte 🎃	Regressão	Visualize e limpe dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços de abóbora na América do Norte 🎃	Regressão	Construa modelos de regressão linear e polinomial	Python • R	Jen e Dmitry • Eric Wanjau
08	Preços de 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 app 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	Deliciosas culinárias asiáticas e indianas 🍜	Classificação	Introdução aos classificadores	Python • R	Jen e Cassie • Eric Wanjau
12	Deliciosas culinárias asiáticas e indianas 🍜	Classificação	Mais classificadores	Python • R	Jen e Cassie • Eric Wanjau
13	Deliciosas culinárias asiáticas e indianas 🍜	Classificação	Construa um app web recomendador usando seu modelo	Python	Jen
14	Introdução a clustering	Agrupamento	Limpe, prepare e visualize seus dados; introdução a clustering	Python • R	Jen • Eric Wanjau
15	Explorando gostos musicais na Nigéria 🎧	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 em PLN ☕️	Processamento de linguagem natural	Aprofunde seu conhecimento em PLN entendendo tarefas comuns necessárias 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 na Europa ♥️	Processamento de linguagem natural	Análise de sentimento com avaliações de hotéis 1	Python	Stephen
20	Hotéis românticos na 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 mundial de energia ⚡️ - previsão de séries temporais com ARIMA	Séries temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais 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	Aprendizado por reforço Gym	Python	Dmitry
Pós-escrito	Cenários e aplicações do ML no mundo real	ML no Mundo Real	Aplicações interessantes e reveladoras do ML clássico	Lição	Equipe
Pós-escrito	Depuração de modelos ML usando painel RAI	ML no Mundo Real	Depuração de modelos em Machine Learning usando componentes do painel Responsible AI	Lição	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 Essencial

---

Série Copilot

Obter 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 acolhedora onde perguntas são bem-vindas e o conhecimento é compartilhado livremente.

Se você tiver feedback sobre produtos ou erros durante o desenvolvimento, visite:

Dicas Adicionais de Aprendizado

• Revise os notebooks após cada aula para melhor compreensão.
• Pratique implementar algoritmos por conta própria.
• Explore conjuntos de dados do mundo real usando os conceitos aprendidos.

---

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 automatizadas 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 feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.