ML-For-Beginners/translations/pt

🌐 Suporte Multilíngue

Suportado via GitHub Action (Automatizado e sempre atualizado)

Árabe | Bengalês | 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 | Malayalam | Marathi | 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 Learn with AI em curso; saiba mais e junte-se a nós em Série Learn with AI de 18 a 30 de setembro de 2025. Vai obter dicas e truques para usar o GitHub Copilot para Data Science.

Série Learn with AI

Aprendizagem Automática para Principiantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos Aprendizagem Automática através das culturas do mundo 🌍

Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas e 26 lições inteiramente sobre Aprendizagem Automática. Neste currículo, irá aprender sobre o que por 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 for Beginners. Combine estas lições com o nosso currículo 'Data Science for Beginners' também!

Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de muitas regiões do globo. Cada lição inclui questionários pré e pós-aula, instruções escritas para completar a lição, uma solução, um trabalho, e muito mais. A nossa pedagogia baseada em projetos permite que aprenda enquanto constrói, uma forma comprovada de consolidar novas competências.

✍️ Um grande agradecimento 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

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

🙏 Agradecimentos especiais 🙏 aos nossos Embaixadores Estudantis da Microsoft autores, revisores e contribuidores de conteúdo, nomeadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, e Snigdha Agarwal

🤩 Agradecimento extra aos Embaixadores Estudantis da Microsoft Eric Wanjau, Jasleen Sondhi, e Vidushi Gupta pelas nossas lições em R!

Primeiros Passos

Siga estes passos:

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

Estudantes, para utilizar este currículo, faça fork de todo o repositório para a sua própria conta GitHub e complete os exercícios por conta própria ou em grupo:

• Comece com um questionário de aquecimento 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 executar o código da solução; no entanto esse código está disponível nas pastas /solution em cada lição orientada por projeto.
• 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 a sua aprendizagem. Também pode reagir a outros PATs para aprendermos em conjunto.

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

Professores, incluímos algumas sugestões sobre como utilizar este currículo.

---

Guias em vídeo

Algumas das lições estão disponíveis em formato de vídeo curto. Pode encontrá-los embutidos 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 ver 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 quizzes frequentes. Além disso, este currículo tem um tema comum para lhe conferir coerência.

Ao garantir que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os alunos e a retenção de conceitos será aumentada. Além disso, um questionário de baixo risco antes da aula define a intenção do aluno relativamente a aprender um tema, enquanto um segundo questionário após a aula assegura uma maior retenção. Este currículo foi concebido para ser flexível e divertido e pode ser frequentado na íntegra ou em parte. 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.

Consulte o nosso Código de Conduta, Contribuição, Tradução, e Resolução de Problemas. Agradecemos o seu feedback construtivo!

Cada aula inclui

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

Uma nota sobre linguagens: Estas lições estão 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. Incluem uma extensão .rmd que representa um ficheiro R Markdown que pode ser simplesmente definido como uma incorporação de code chunks (de R ou outras linguagens) e um YAML header (que orienta como formatar saídas como PDF) num Markdown document. Como tal, serve como um quadro de autoria exemplar para data science, uma vez que permite combinar o seu código, a sua saída e as suas reflexões escrevendo-as em Markdown. Além disso, os 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 folder, totalizando 52 quizzes com três perguntas cada. Eles estão ligados a partir das lições, mas a aplicação de quizzes pode ser executada localmente; siga as instruções na pasta quiz-app para hospedar localmente ou implantar no Azure.

Número da Aula	Tópico	Agrupamento de Aulas	Objetivos de Aprendizagem	Aula Associada	Autor
01	Introdução ao machine learning	Introduction	Aprenda os conceitos básicos subjacentes ao machine learning	Lição	Muhammad
02	História do machine learning	Introduction	Aprenda a história subjacente a esta área	Lição	Jen e Amy
03	Equidade e machine learning	Introduction	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 machine learning	Introduction	Que técnicas os investigadores de ML usam para construir modelos de ML?	Lição	Chris e 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	Visualizar e limpar dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços de abóboras na América do Norte 🎃	Regression	Construir modelos de regressão linear e polinomial	Python • R	Jen e Dmitry • Eric Wanjau
08	Preços de abóboras na América do Norte 🎃	Regression	Construir um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Uma aplicação Web 🔌	Web App	Construir uma aplicação web para usar o seu modelo treinado	Python	Jen
10	Introdução à classificação	Classification	Limpar, preparar e visualizar os seus dados; introdução à classificação	Python • R	Jen e Cassie • Eric Wanjau
11	Culinárias asiática e indiana deliciosas 🍜	Classification	Introdução aos classificadores	Python • R	Jen e Cassie • Eric Wanjau
12	Culinárias asiática e indiana deliciosas 🍜	Classification	Mais classificadores	Python • R	Jen e Cassie • Eric Wanjau
13	Culinárias asiática e indiana deliciosas 🍜	Classification	Construir uma aplicação web de recomendação usando o seu modelo	Python	Jen
14	Introdução ao clustering	Clustering	Limpar, preparar e visualizar os seus dados; Introdução ao clustering	Python • R	Jen • Eric Wanjau
15	Explorar os gostos musicais nigerianos 🎧	Clustering	Explorar 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 PNL construindo um bot simples	Python	Stephen
17	Tarefas comuns de PNL ☕️	Natural language processing	Aprofunde os seus conhecimentos de PNL compreendendo as 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 críticas de hotéis 1	Python	Stephen
20	Hotéis românticos da Europa ♥️	Natural language processing	Análise de sentimento com críticas de hotéis 2	Python	Stephen
21	Introdução à previsão de séries temporais	Time series	Introdução à previsão de séries temporais	Python	Francesca
22	⚡️ Consumo de energia mundial ⚡️ - previsão de séries temporais com ARIMA	Time series	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Consumo de energia mundial ⚡️ - previsão de séries temporais com SVR	Time series	Previsão de séries temporais com Support Vector Regressor	Python	Anirban
24	Introdução ao aprendizado por reforço	Reinforcement learning	Introdução à aprendizagem por reforço com Q-Learning	Python	Dmitry
25	Ajude o Peter a evitar o lobo! 🐺	Reinforcement learning	Gym de aprendizagem por reforço	Python	Dmitry
Postscript	Cenários e aplicações de ML no mundo real	ML in the Wild	Aplicações interessantes e reveladoras de ML clássico no mundo real	Lição	Equipa
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	Lição	Ruth Yakubu

Encontre todos os recursos adicionais para este curso na nossa coleção Microsoft Learn

Acesso offline

Poderá executar esta documentação offline utilizando Docsify. Faça um fork deste repositório, instale o Docsify na sua máquina local, e depois, na pasta raiz deste repositório, escreva 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! Consulte:

LangChain

---

Azure / Edge / MCP / Agentes

---

Série de IA Generativa

---

Aprendizagem Principal

---

Série Copilot

Obter Ajuda

Se ficar preso ou tiver alguma dúvida sobre a criação de aplicações de IA, junte-se a outros aprendizes e a programadores experientes nas discussões sobre o 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:

---

Isenção de responsabilidade: Este documento foi traduzido através do serviço de tradução por IA Co-op Translator (https://github.com/Azure/co-op-translator). Embora nos esforcemos por garantir a precisão, tenha em atenção que traduções automáticas podem conter erros ou imprecisões. O documento original, no seu idioma original, deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se a tradução por um tradutor profissional. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.