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 | Neerlandês | Estónio | Finlandês | Francês | Alemão | Grego | Hebraico | Hindi | Húngaro | Indonésio | Italiano | Japonês | Kannada | Coreano | Lituano | Malaio | Malayalam | Marathi | Nepalês | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polaco | 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 "Aprender com IA" em curso; saiba mais e junte-se a nós em Série Aprender com IA de 18 a 30 de setembro de 2025. Vai obter 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 do mundo 🌍

Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas com 26 lições, tudo sobre Aprendizagem Automática. Neste currículo, irá aprender sobre o que por vezes é chamado aprendizagem automática clássica, usando principalmente a biblioteca Scikit-learn e evitando 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 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-lhe aprender enquanto constrói, uma forma comprovada de as novas competências 'ficarem'.

✍️ Agradecimentos sinceros 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

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

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

🤩 Agradecimento extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, e Vidushi Gupta pelas nossas lições em R!

Como começar

Siga estes passos:

1. Fazer fork do repositório: Clique no botão "Fork" no canto superior direito desta página.
2. Clonar 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 usar este currículo, faça fork de todo o repositório para a sua própria conta GitHub e complete os exercícios sozinho ou em grupo:

• Comece com um questionário de 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 projeto.
• Faça o questionário pós-aula.
• Complete o desafio.
• Complete a tarefa.
• Depois de completar um grupo de lições, visite o Painel 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 que possamos aprender juntos.

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

Professores, incluímos algumas sugestões sobre como usar este currículo.

---

Passo a passo em vídeo

Algumas das lições estão disponíveis em formato de vídeo curto. Pode encontrar todos estes vídeos dentro das próprias 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 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 de conceitos será aumentada. Além disso, um questionário de baixo risco antes de uma aula define a intenção do estudante para aprender um tópico, enquanto um segundo questionário após a aula assegura uma retenção adicional. Este currículo foi concebido para ser flexível e divertido e pode ser seguido 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 também inclui um posfácio sobre aplicações do ML no mundo real, que pode ser usado como crédito extra ou como base para discussão.

Encontre as nossas directrizes de Código de Conduta, Contribuição, Tradução e Resolução de Problemas. Agradecemos o seu feedback construtivo!

Cada lição inclui

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

Uma nota sobre linguagens: Estas lições estão escritas principalmente 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 a extensão .rmd que representa um R Markdown, que pode ser definido simplesmente como a incorporação de trechos 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 exemplo de estrutura de autoria para ciência de dados pois lhe permite combinar o seu código, a sua saída e os seus pensamentos permitindo que os escreva em Markdown. Além disso, documentos R Markdown podem ser renderizados para formatos de saída tais como PDF, HTML ou Word.

Uma nota sobre questionários: Todos os questionários estão contidos na pasta Quiz App, totalizando 52 questionários de três perguntas cada. Eles são ligados a partir das lições, mas a aplicação de quiz pode ser executada localmente; siga as instruções na pasta quiz-app para o hospedar localmente ou implantar no Azure.

Número da Lição	Tópico	Agrupamento de Aulas	Objetivos de Aprendizagem	Lição Ligada	Autor
01	Introdução à aprendizagem automática	Introdução	Aprenda os conceitos básicos da aprendizagem automática	Lição	Muhammad
02	A história da aprendizagem automática	Introdução	Conheça a história subjacente a esta área	Lição	Jen and Amy
03	Equidade e aprendizagem automática	Introdução	Quais são as questões filosóficas importantes sobre equidade que os alunos devem considerar ao construir e aplicar modelos de aprendizagem automática?	Lição	Tomomi
04	Técnicas para aprendizagem automática	Introdução	Que técnicas os investigadores de ML usam para construir modelos de aprendizagem automática?	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 a aprendizagem automática	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	Uma aplicação web 🔌	Aplicação Web	Crie uma aplicação web para usar o seu modelo treinado	Python	Jen
10	Introdução à classificação	Classificação	Limpe, prepare e visualize os seus dados; introdução à classificação	Python • R	Jen and Cassie • Eric Wanjau
11	Deliciosas cozinhas asiática e indiana 🍜	Classificação	Introdução aos classificadores	Python • R	Jen and Cassie • Eric Wanjau
12	Deliciosas cozinhas asiática e indiana 🍜	Classificação	Mais classificadores	Python • R	Jen and Cassie • Eric Wanjau
13	Deliciosas cozinhas asiática e indiana 🍜	Classificação	Crie uma aplicação web de recomendação usando o seu modelo	Python	Jen
14	Introdução ao agrupamento	Agrupamento	Limpe, prepare e visualize os 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 os fundamentos do processamento de linguagem natural construindo um bot simples	Python	Stephen
17	Tarefas comuns de PLN ☕️	Processamento de linguagem natural	Aprofunde os seus conhecimentos de PLN compreendendo as tarefas comuns necessárias ao lidar com estruturas linguísticas	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 críticas de hotéis 1	Python	Stephen
20	Hotéis românticos da Europa ♥️	Processamento de linguagem natural	Análise de sentimento com críticas de hotéis 2	Python	Stephen
21	Introdução à previsão de séries temporais	Séries temporais	Introdução à previsão de séries temporais	Python	Francesca
22	⚡️ Consumo mundial de energia ⚡️ - previsão de séries temporais com ARIMA	Séries temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Consumo mundial de energia ⚡️ - previsão de séries temporais com SVR	Séries temporais	Previsão de séries temporais com Regressor de Vetores de Suporte (SVR)	Python	Anirban
24	Introdução à aprendizagem por reforço	Aprendizagem por reforço	Introdução à aprendizagem por reforço com Q-Learning	Python	Dmitry
25	Ajude o Peter a evitar o lobo! 🐺	Aprendizagem por reforço	Aprendizagem por reforço com Gym	Python	Dmitry
Posfácio	Cenários e aplicações do mundo real de aprendizagem automática	ML no Mundo Real	Aplicações do mundo real interessantes e reveladoras da aprendizagem automática	Lição	Equipa
Posfácio	Depuração de modelos em ML usando o painel RAI	ML no Mundo Real	Depuração de modelos em aprendizagem automática usando componentes do painel Responsible AI	Lição	Ruth Yakubu

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

Acesso offline

Pode executar esta documentação offline usando o 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! Veja:

LangChain

---

Azure / Edge / MCP / Agentes

---

Série de IA Generativa

---

Aprendizagem Essencial

---

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 desenvolvedores experientes em discussões sobre o MCP. É uma comunidade de apoio onde as perguntas são bem-vindas e o conhecimento é partilhado livremente.

Se tiver comentários sobre o produto ou encontrar erros durante o desenvolvimento, visite:

---

Isenção de responsabilidade: Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos por garantir a precisão, note que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deverá ser considerado a fonte autorizada. Para informações críticas, recomenda-se a tradução profissional por um tradutor humano. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.