24 KiB

Raw Blame History Unescape Escape

Aprendizado de Máquina para Iniciantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos o Aprendizado de Máquina por meio das culturas do mundo 🌍

Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 aulas, tudo sobre Aprendizado de Máquina. Neste currículo, você aprenderá sobre o que às vezes é chamado de aprendizado de máquina clássico, utilizando principalmente o Scikit-learn como biblioteca e evitando o aprendizado profundo, que é abordado em nosso currículo de IA para Iniciantes. Combine estas lições com nosso currículo de 'Ciência de Dados para Iniciantes', também!

Viaje conosco pelo mundo enquanto aplicamos essas técnicas clássicas a dados de muitas áreas do mundo. Cada lição inclui questionários antes e depois da aula, instruções escritas para completar a lição, uma solução, uma tarefa e muito mais. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma maneira comprovada de fazer novas habilidades 'grudarem'.

✍️ Agradecimentos especiais 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 colaboradores de conteúdo Microsoft Student Ambassador, notavelmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal

🤩 Agradecimentos extras aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta por nossas lições de R!

Começando

Siga estas etapas:

Faça um Fork do Repositório: Clique no botão "Fork" no canto superior direito desta página.
Clone o Repositório: git clone https://github.com/microsoft/ML-For-Beginners.git

encontre todos os recursos adicionais para este curso em nossa coleção do Microsoft Learn

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 questionário pré-aula.
Leia a aula e complete as atividades, pausando e refletindo a 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 a projetos.
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 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 aprendizado do Microsoft Learn.

Professores, incluímos algumas sugestões sobre como usar este currículo.

Vídeos explicativos

Algumas das lições estão disponíveis como vídeos curtos. Você pode encontrar todos esses vídeos dentro das lições ou na playlist ML para Iniciantes no canal do YouTube da Microsoft Developer 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 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 os projetos, o processo se torna mais envolvente para os alunos e a retenção dos conceitos será aumentada. Além disso, um questionário de baixo risco antes de uma aula estabelece a intenção do aluno em relação ao aprendizado de um tópico, enquanto um segundo questionário após a aula garante uma maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser realizado total ou parcialmente. Os projetos começam pequenos e se tornam cada vez mais complexos até o final do ciclo de 12 semanas. Este currículo também inclui um pós-escrito sobre aplicações do mundo real de ML, que pode ser usado como crédito extra ou como base para discussão.

Encontre nosso Código de Conduta, diretrizes de Contribuição e Tradução. Agradecemos seu feedback construtivo!

Cada lição inclui

sketchnote opcional
vídeo suplementar opcional
vídeo explicativo (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
leitura suplementar
tarefa
questionário pós-aula

Uma nota sobre idiomas: Essas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para completar uma lição de R, vá até a pasta /solution e procure lições de R. Elas incluem uma extensão .rmd que representa um arquivo 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) em um Markdown document. Assim, serve como uma estrutura de autoria exemplar para ciência de dados, pois permite que você combine seu código, sua saída e seus pensamentos ao permitir que você os escreva em Markdown. Além disso, documentos R Markdown podem ser renderizados em formatos de saída como PDF, HTML ou Word.

Uma nota sobre questionários: Todos os questionários estão contidos na pasta do aplicativo de questionários, totalizando 52 questionários de três perguntas cada. Eles estão vinculados dentro das lições, mas o aplicativo de questionários 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 Aprendizado	Lição Vinculada	Autor
01	Introdução ao aprendizado de máquina	Introdução	Aprender os conceitos básicos por trás do aprendizado de máquina	Lição	Muhammad
02	A História do aprendizado de máquina	Introdução	Aprender a história subjacente a este campo	Lição	Jen e Amy
03	Justiça e aprendizado de máquina	Introdução	Quais são as questões filosóficas importantes em torno da justiça que os alunos devem considerar ao construir e aplicar modelos de ML?	Lição	Tomomi
04	Técnicas de aprendizado de máquina	Introdução	Quais técnicas os pesquisadores de ML usam para construir modelos de ML?	Aula	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 os 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 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 os 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 conceitos básicos sobre PLN construindo um bot simples	Python	Stephen
17	Tarefas Comuns de PLN ☕️	Processamento de linguagem natural	Aprofunde seu conhecimento em PLN entendendo 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 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	⚡️ Uso de Energia Mundial ⚡️ - previsão de séries temporais com ARIMA	Séries Temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Uso de Energia Mundial ⚡️ - previsão de séries temporais com SVR	Séries Temporais	Previsão de séries temporais com Regressor de Vetores 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 no Gym	Python	Dmitry
Postscript	Cenários e Aplicações do ML no Mundo Real	ML no Mundo Real	Aplicações interessantes e reveladoras do ML clássico	Aula	Equipe
Postscript	Depuração de Modelos em ML usando o painel RAI	ML no Mundo Real	Depuração de modelos em Aprendizado de Máquina usando componentes do painel de IA Responsável	Aula	Ruth Yakubu

encontre todos os recursos adicionais para este curso em nossa coleção do 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, em seguida, 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.

Ajuda Necessária

Você gostaria de contribuir com uma tradução? Por favor, leia nossas diretrizes de tradução e adicione uma questão com modelo para gerenciar a carga de trabalho aqui.

Outros Currículos

Nossa equipe produz outros currículos! Confira:

Isenção de responsabilidade:
Este documento foi traduzido utilizando serviços de tradução baseados em IA. Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional por um humano. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações errôneas decorrentes do uso desta tradução.

24 KiB Raw Blame History Unescape Escape