ML-For-Beginners/translations/br

🌐 Suporte a Múltiplos Idiomas

Suportado via GitHub Action (Automatizado e Sempre Atualizado)

Árabe | Bengalês | Búlgaro | Burmês (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 | Malayalam | Marata | Nepali | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polonês | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalog (Filipino) | Tamil | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Junte-se à Nossa Comunidade

Temos uma série no Discord "Learn with AI" em andamento, 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 Data Science.

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 e 26 lições totalmente sobre 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 IA para Iniciantes. Combine estas lições com nosso 'Data Science for Beginners' curriculum também!

Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de muitas regiões do planeta. Cada lição inclui quizzes 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 maneira 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 and Amy Boyd

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

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

🤩 Agradecimento 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 de problemas comuns com instalação, configuração e execução das lições.

Estudantes, para usar este currículo, faça um fork de todo o repositório para sua própria conta do GitHub e complete os exercícios sozinho ou em grupo:

• Comece com um quiz 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 executar o código da solução; no entanto, esse código está disponível nas pastas /solution em cada lição orientada por projeto.
• Faça o quiz pós-aula.
• Complete o desafio.
• Complete a tarefa.
• Depois de concluir um grupo de lições, visite o Fórum de Discussão e "aprenda em voz alta" preenchendo a rubrica PAT apropriada. Um 'PAT' é uma Progress Assessment Tool (Ferramenta de Avaliação de Progresso) que é uma rubrica que você preenche para aprofundar seu aprendizado. Você também pode reagir a outros PATs para que possamos aprender juntos.

Para estudo adicional, recomendamos seguir estes módulos e trilhas de aprendizagem do Microsoft Learn.

Professores, incluímos algumas sugestões sobre como usar este currículo: for-teachers.md.

---

Tutoriais em vídeo

Algumas das lições estão disponíveis em vídeo de formato curto. Você pode encontrar todos eles incorporados 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 ver um vídeo sobre o projeto e as pessoas que o criaram!

---

Pedagogia

Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que ele 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 estudantes e a retenção dos conceitos será aumentada. Além disso, um quiz de baixo risco antes da aula define a intenção do estudante em aprender um tópico, enquanto um segundo quiz após a aula garante maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser feito na íntegra 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 do mundo real de ML, que pode ser usado como crédito extra ou como base para discussão.

Encontre nosso Código de Conduta, Contribuindo, Tradução, e diretrizes de Solução de Problemas. Agradecemos seus comentários construtivos!

Cada lição inclui

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

Uma nota sobre linguagens: Essas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá até a pasta /solution e procure por lições em R. Elas incluem uma extensão .rmd que representa um arquivo R Markdown que pode ser simplesmente definido como uma incorporação de trechos 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 um framework exemplar de autoria para 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 quizzes: Todos os quizzes estão contidos na pasta Quiz App, totalizando 52 quizzes de três perguntas cada. Eles estão vinculados a partir das lições, mas o app de quizzes 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	Introdução	Aprenda os conceitos básicos por trás do aprendizado de máquina	Lição	Muhammad
02	A História do aprendizado de máquina	Introdução	Aprenda a história que fundamenta este campo	Lição	Jen and Amy
03	Equidade e aprendizado de máquina	Introdução	Quais são as questões filosóficas importantes em torno da equidade que os estudantes devem considerar ao construir e aplicar modelos de ML?	Lição	Tomomi
04	Técnicas para aprendizado de máquina	Introdução	Que técnicas os pesquisadores de ML usam para construir modelos de ML?	Lição	Chris and Jen
05	Introdução à regressão	Regressão	Comece com Python e Scikit-learn para modelos de regressão	Python • R	Jen • Eric Wanjau
06	Preços de abóboras na América do Norte 🎃	Regressão	Visualize e limpe os dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços de abóboras na América do Norte 🎃	Regressão	Construa modelos de regressão linear e polinomial	Python • R	Jen and Dmitry • Eric Wanjau
08	Preços de abóboras na América do Norte 🎃	Regressão	Construa um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Um Aplicativo Web 🔌	Aplicativo 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 and Cassie • Eric Wanjau
11	Culinárias asiáticas e indianas deliciosas 🍜	Classificação	Introdução a classificadores	Python • R	Jen and Cassie • Eric Wanjau
12	Culinárias asiáticas e indianas deliciosas 🍜	Classificação	Mais classificadores	Python • R	Jen and Cassie • Eric Wanjau
13	Culinárias asiáticas e indianas deliciosas 🍜	Classificação	Construa um aplicativo web de recomendação 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 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 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 de séries temporais com ARIMA	Séries temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Consumo de energia mundial ⚡️ - previsão de séries temporais com SVR	Séries temporais	Previsão de séries temporais com Support Vector Regressor	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 com Gym	Python	Dmitry
Postscript	Cenários e aplicações de ML no mundo real	ML in the Wild	Aplicações interessantes e reveladoras do mundo real de ML clássico	Lição	Equipe
Postscript	Depuração de modelos em ML usando o painel RAI	ML in the Wild	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 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 dúvidas sobre criar 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 encontrar erros durante o desenvolvimento, visite:

---

Isenção de responsabilidade: Este documento foi traduzido usando o serviço de tradução por IA Co-op Translator (https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se tradução humana profissional. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.