ML-For-Beginners/translations/br

🌐 Suporte Multilíngue

Suportado via GitHub Action (Automatizado e Sempre Atualizado)

Árabe | Bengali | Búlgaro | Birmanês (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 | Malaiala | Marathi | Nepali | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polonês | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalog (Filipino) | Tâmil | Telugo | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Prefere Clonar Localmente?

Este repositório inclui mais de 50 traduções de idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use o sparse checkout:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Isso oferece tudo que você precisa para completar o curso com um download muito mais rápido.

Junte-se à Nossa Comunidade

Estamos realizando uma série de aprendizado com IA no Discord, saiba mais e junte-se a nós em Learn with AI Series de 18 a 30 de setembro de 2025. Você receberá dicas e truques para usar o GitHub Copilot para Ciência de Dados.

Machine Learning para Iniciantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos Machine Learning por meio das culturas do mundo 🌍

Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas e 26 lições inteiramente sobre Machine Learning. Neste currículo, você aprenderá sobre o que às vezes é chamado de machine learning clássico, usando principalmente a biblioteca Scikit-learn e evitando deep learning, que é abordado em nosso currículo AI for Beginners. Combine essas lições também com nosso currículo 'Data Science for Beginners'.

Viaje conosco pelo mundo enquanto aplicamos essas técnicas clássicas em dados de diversas regiões. Cada lição inclui quizzes 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 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 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 do Microsoft Student Ambassador, notavelmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal

🤩 Gratidão extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas 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 comuns relacionadas a instalação, configuração e execução das lições.

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

• Comece com um quiz pré-aula.
• Leia a aula e complete as atividades, pausando e refletindo a cada verificação de conhecimento.
• Tente criar os projetos compreendendo as lições ao invés de apenas rodar o código da solução; contudo, esse código está disponível nas pastas /solution de cada lição orientada a projeto.
• Faça o quiz pós-aula.
• Complete o desafio.
• Complete a tarefa.
• Após concluir um grupo de lições, visite o Fórum de Discussão e "aprenda em voz alta" preenchendo o formulário PAT apropriado. PAT é uma Ferramenta de Avaliação de Progresso que você preenche para aprofundar seu aprendizado. Você também pode reagir a outros PATs para aprendermos 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 em vídeos curtos. Você pode encontrar todos eles incorporados nas lições, ou na playlist ML for Beginners no canal Microsoft Developer do YouTube clicando na imagem abaixo.

---

Conheça a Equipe

Gif por Mohit Jaisal

🎥 Clique na imagem acima para assistir a 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 quizzes frequentes. Além disso, este currículo tem um tema comum para dar coesão.

Ao garantir que o conteúdo esteja alinhado com projetos, o processo fica mais envolvente para os estudantes e a retenção dos conceitos será aumentada. Além disso, um quiz de baixo risco antes da aula orienta a intenção do aluno durante o aprendizado, enquanto um segundo quiz após a aula garante maior retenção. Este currículo foi elaborado para ser flexível e divertido, podendo ser feito completo ou parcialmente. Os projetos começam pequenos e tornam-se progressivamente mais complexos até o final do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussões.

Consulte nosso Código de Conduta, Contribuindo, Tradução e Resolução de Problemas. Aguardamos seu feedback construtivo!

Cada lição inclui

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

Uma nota sobre idiomas: Essas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, acesse a pasta /solution e procure as lições em R. Elas incluem a extensão .rmd que representa um arquivo R Markdown, que pode ser simplesmente definido como a incorporação de blocos 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 para autoria em ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos, ao possibilitar 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 quizzes: Todos os quizzes estão contidos na pasta Quiz App, com um total de 52 quizzes de três perguntas cada. Eles são vinculados dentro das lições, mas o aplicativo de quiz pode ser executado localmente; siga as instruções na pasta quiz-app para hospedar localmente ou implantar no Azure.

Número da Aula	Tópico	Agrupamento da Aula	Objetivos de Aprendizagem	Aula Vinculada	Autor
01	Introdução ao aprendizado de máquina	Introdução	Aprenda os conceitos básicos por trás do aprendizado de máquina	Aula	Muhammad
02	A História do aprendizado de máquina	Introdução	Aprenda a história por trás desta área	Aula	Jen e Amy
03	Justiça e aprendizado de máquina	Introdução	Quais são as questões filosóficas importantes sobre justiça que estudantes devem considerar ao construir e aplicar modelos de ML?	Aula	Tomomi
04	Técnicas para 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 abóboras na América do Norte 🎃	Regressão	Visualize e limpe 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 e 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 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	Culinárias deliciosas asiáticas e indianas 🍜	Classificação	Introdução a classificadores	Python • R	Jen e Cassie • Eric Wanjau
12	Culinárias deliciosas asiáticas e indianas 🍜	Classificação	Mais classificadores	Python • R	Jen e Cassie • Eric Wanjau
13	Culinárias deliciosas asiáticas e indianas 🍜	Classificação	Construa um app web recomendador usando seu modelo	Python	Jen
14	Introdução ao clustering	Clustering	Limpe, prepare e visualize seus dados; introdução ao clustering	Python • R	Jen • Eric Wanjau
15	Explorando gostos musicais nigerianos 🎧	Clustering	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 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	⚡️ Consumo mundial de energia ⚡️ - previsão com ARIMA	Séries temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Consumo mundial de energia ⚡️ - previsão 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
Pós-escrito	Cenários e aplicações reais de ML	ML na prática	Aplicações reais interessantes e reveladoras de ML clássico	Aula	Equipe
Pós-escrito	Depuração de modelos em ML usando painel RAI	ML na prática	Depuração de modelos em Machine Learning usando componentes do painel Responsible AI	Aula	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 travado ou tiver alguma dúvida sobre como criar apps de IA, junte-se a outros estudantes e desenvolvedores experientes nas discussões sobre MCP. É uma comunidade acolhedora 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:

---

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos pela precisão, por favor, 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 tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.