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.
122 lines
16 KiB
122 lines
16 KiB
[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
|
|
[](http://makeapullrequest.com)
|
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
|
|
|
|
# Machine Learning para Principiantes - Um Curso
|
|
|
|
> 🌍 Viaja pelo mundo enquanto exploramos o Machine Learning através das culturas mundiais 🌍
|
|
|
|
Os Azure Cloud Advocates da Microsoft têm o gosto de oferecer um curso de 24 lições com a duração 12 semanas sobre **Machine Learning**. Neste curso, irás aprender o que algumas 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'. Combina também estas lições com o nosso próximo curso de 'Data Science para Iniciantes'.
|
|
|
|
Viaja connosco ao redor do mundo enquanto aplicamos estas técnicas clássicas a dados de muitas áreas do mundo. Cada aula inclui questionários pré- e pós-aula, instruções escritas para completar a aula, uma solução, uma tarefa e muito mais. A nossa pedagogia baseada em projetos permite que aprendas enquanto constróis, uma forma comprovada de "colar"" as novas habilidades.
|
|
|
|
**✍️ Muito obrigado 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
|
|
|
|
**🙏 Agradecimento especial 🙏 aos nossos autores Microsoft Student Ambassador, revisores e contribuidores**, notavelmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, e Snigdha Agarwal
|
|
|
|
---
|
|
|
|
# Começando
|
|
|
|
**Estudantes**, para usar este curso, faz fork no nosso repositório para a tua conta GitHub e completa os exercícios individualmente ou em grupo:
|
|
|
|
- Começa com o teste pré-aula
|
|
- Lê a aula e completa as atividades, fazendo uma pausa e refletindo a cada verificação de conhecimento.
|
|
- Tenta criar os projetos compreendedo as aulas ao invés de executar o código da solução. No entanto, esse código está disponível nas pastas `/solution` em cada aula que contenha um projeto.
|
|
- Faz o teste pós-aula
|
|
- Completa um desafio
|
|
- Conclui a tarefa
|
|
- Depois de concluir uma aula em grupo, visita o [Quadro de discussão](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprende em voz alta" preenchendo a rúbrica PAT apropriada. Um 'PAT' é uma ferramenta de avaliação de progresso que é uma rúbrica que preenches para promover a tua aprendizagem. Também podes reagir a outros PATs para que possamos aprender juntos.
|
|
|
|
> Para um estudo mais aprofundado, recomendamos que sigas estes [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-15963-cxa) módulos e percursos de aprendizagem.
|
|
|
|
**Professores**, [incluímos algumas sugestões](for-teachers.md) em como usar este curso.
|
|
|
|
---
|
|
|
|
## Conhece a equipa
|
|
|
|
[](https://youtu.be/Tj1XWrDSYJU 'Promo video')
|
|
|
|
> 🎥 Clica na imagem acima para um vídeo sobre o projeto e as pessoas que o criaram!
|
|
|
|
---
|
|
|
|
## Pedagogia
|
|
|
|
Escolhemos dois princípios pedagógicos ao construir este curso: garantindo que seja um trabalho prático **baseado em projeto** e isso inclui **testes frequentes**. Adicionalmente, este currículo 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 um segundo teste após a aula garante maior retenção. Este curso foi projetado para ser flexível e divertido e pode ser realizado no seu todo ou parcialmente. Os projetos começam pequenos e tornam-se cada vez mais complexos no final do ciclo de 12 semanas. Este currículo também inclui um pós-escrito sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussão.
|
|
|
|
> Encontra o nosso [Código de Conduta](CODE_OF_CONDUCT.md), diretrizes de [Contribuição](CONTRIBUTING.md), e [Tradução](TRANSLATIONS.md). Agradecemos o teu feedback construtivo!
|
|
|
|
## Cada aula inclui:
|
|
|
|
- esboço opcional
|
|
- vídeo suplementar opcional
|
|
- teste de aquecimento pré-aula
|
|
- aula escrita
|
|
- para aulas baseadas em projetos, guias passo a passo sobre como contruir o projeto
|
|
- verificações de conhecimento
|
|
- um desafio
|
|
- leitura suplementar
|
|
- tarefa
|
|
- teste pós-aula
|
|
|
|
> **Uma nota sobre testes**: Podes encontrar todos os testes [nesta app](https://jolly-sea-0a877260f.azurestaticapps.net), para um total de 50 testes de 3 perguntas cada. Eles estão vinculados às aulas, mas a aplicação do teste pode ser executada localmente; segue as intruções na pasta `quiz-app`.
|
|
|
|
| Número de aula | Tópico | Agrupamento de Aulas | Objetivos de aprendizagem | Aula vinculada | Autor |
|
|
| :------------: | :-------------------------------------------------------------------: | :---------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------------ | :-------------------------------------------------: | :----------: |
|
|
| 01 | Introdução ao machine learning | [Introdução](1-Introduction/README.md) | Aprender os conceitos básicos atrás do machine learning | [aula](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
|
|
| 02 | A História de machine learning | [Introdução](1-Introduction/README.md) | Aprender a história subjacente nesta área | [aula](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
|
|
| 03 | Justiça e machine learning | [Introdução](1-Introduction/README.md) | Quais são as questões filosóficas importantes sobre justiça que os estudantes devem considerar ao construir e aplicar modelos de ML? | [aula](1-Introduction/3-fairness/README.md) | Tomomi |
|
|
| 04 | Técnicas para machine learning | [Introdução](1-Introduction/README.md) | Que técnicas os investigadores de ML usam para construir modelos de ML? | [aula](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
|
|
| 05 | Introdução à regressão | [Regressão](2-Regression/README.md) | Começando a usar Python e Scikit-learn para modelos de regressão | [aula](2-Regression/1-Tools/README.md) | Jen |
|
|
| 06 | Preços das abóboras norte americanas 🎃 | [Regressão](2-Regression/README.md) | Visualizar e limpar os dados em preparação para o ML | [aula](2-Regression/2-Data/README.md) | Jen |
|
|
| 07 | Preços das abóboras norte americanas 🎃 | [Regressão](2-Regression/README.md) | Construir modelos de regressão linear e polinomial | [aula](2-Regression/3-Linear/README.md) | Jen |
|
|
| 08 | Preços das abóboras norte americanas 🎃 | [Regressão](2-Regression/README.md) | Construir um modelo de regressão logística | [aula](2-Regression/4-Logistic/README.md) | Jen |
|
|
| 09 | Uma Web App 🔌 | [Web App](3-Web-App/README.md) | Criar uma web app para usar o teu modelo treinado | [aula](3-Web-App/1-Web-App/README.md) | Jen |
|
|
| 10 | Introdução à classificação | [Classificação](4-Classification/README.md) | Limpar, preparar e visualizar os dados; introdução à classificação | [aula](4-Classification/1-Introduction/README.md) | Jen e Cassie |
|
|
| 11 | Deliciosas cozinhas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Introdução aos classificadores | [aula](4-Classification/2-Classifiers-1/README.md) | Jen e Cassie |
|
|
| 12 | Deliciosas cozinhas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Mais classificadores | [aula](4-Classification/3-Classifiers-2/README.md) | Jen e Cassie |
|
|
| 13 | Deliciosas cozinhas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Criar uma web app de recomendação usando o teu modelo | [aula](4-Classification/4-Applied/README.md) | Jen |
|
|
| 14 | Introdução ao clustering | [Clustering](5-Clustering/README.md) | Limpar, preparar e visualizar os dados; Introdução ao clustering | [aula](5-Clustering/1-Visualize/README.md) | Jen |
|
|
| 15 | Explorando Gostos Musicais Nigerianos 🎧 | [Clustering](5-Clustering/README.md) | Explorar o método de agrupamento K-Means | [aula](5-Clustering/2-K-Means/README.md) | Jen |
|
|
| 16 | Introdução processamento de linguagem natural ☕️ | [Processamento de linguagem natural](6-NLP/README.md) | Aprender o básico sobre NLP construindo um bot simples | [aula](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
|
|
| 17 | Tarefas NLP comuns ☕️ | [Processamento de linguagem natural](6-NLP/README.md) | Aprofundar o conhecimento de NLP percebendo tarefas comuns exigidas ao lidar com estruturas de linguagem | [aula](6-NLP/2-Tasks/README.md) | Stephen |
|
|
| 18 | Tradução e análise de sentimento ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Tradução e análise de sentimento com Jane Austen | [aula](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
|
|
| 19 | Hotéis romanticos da Europa ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis, 1 | [aula](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
|
|
| 20 | Hotéis romanticos da Europa ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis, 2 | [aula](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
|
|
| 21 | Introdução previsão de séries temporais | [Séries temporais](7-TimeSeries/README.md) | Introdução a previsão de séries temporais | [aula](7-TimeSeries/1-Introduction/README.md) | Francesca |
|
|
| 22 | ⚡️ Uso de Energia Mundial ⚡️ - previsão de série temporal com ARIMA | [Séries temporais](7-TimeSeries/README.md) | Previsão de séries temporais com ARIMA | [aula](7-TimeSeries/2-ARIMA/README.md) | Francesca |
|
|
| 23 | Introdução à aprendizagem por reforço | [Aprendizagem por reforço](8-Reinforcement/README.md) | Introdução à aprendizagem por reforço com Q-Learning | [aula](8-Reinforcement/1-QLearning/README.md) | Dmitry |
|
|
| 24 | Ajuda o Pedro a escapar do lobo! 🐺 | [Aprendizagem por reforço](8-Reinforcement/README.md) | Ginásio de aprendizagem por reforço | [aula](8-Reinforcement/2-Gym/README.md) | Dmitry |
|
|
| Postscript | Cenários reais de ML e aplicações | [ML na vida real](9-Real-World/README.md) | Aplicações interessantes e reveladoras do mundo real do ML clássico | [aula](9-Real-World/1-Applications/README.md) | Equipa |
|
|
|
|
## Acesso Offline
|
|
|
|
Podes usar este documento offline usando o [Docsify](https://docsify.js.org/#/). Dá fork neste repositório, [instala o Docsify](https://docsify.js.org/#/quickstart) no teu computador, e depois na pasta raiz deste repositório, escreve `docsify serve`. O site será executado na porta 3000 do teu localhost: `localhost:3000`.
|
|
|
|
## PDFs
|
|
|
|
Encontras um pdf do curso com links [aqui](pdf/readme.pdf)
|
|
|
|
## Help Wanted!
|
|
|
|
Gostarias de contribuir para uma tradução? Por favor lê as nossas [diretrizes de tradução](TRANSLATIONS.md) e adiciona o teu input [aqui](https://github.com/microsoft/ML-For-Beginners/issues/71)
|
|
|
|
## Outros Cursos
|
|
|
|
A nossa equipa produziu outros cursos! Confere:
|
|
|
|
- [Web Dev para Iniciantes](https://aka.ms/webdev-beginners)
|
|
- [IoT para Iniciantes](https://aka.ms/iot-beginners)
|