ML-For-Beginners/translations/pt

🌐 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 | Checo | Dinamarquês | Holandês | Estónio | Finlandês | Francês | Alemão | Grego | Hebraico | Hindi | Húngaro | Indonésio | Italiano | Japonês | Kannada | Coreano | Lituano | Malaio | Malaiala | Marata | Nepalês | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polaco | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalo (Filipino) | Tâmil | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita

Prefere Clonar Localmente?

Este repositório inclui mais de 50 traduções que aumentam significativamente o tamanho do download. Para clonar sem traduções, use checkout esparso:

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'

Isto dá-lhe tudo o que precisa para completar o curso com um download muito mais rápido.

Junte-se à Nossa Comunidade

Temos uma série de aprendizagem com IA no Discord, saiba mais e junte-se a nós em Learn with AI Series de 18 a 30 de setembro de 2025. Irá receber dicas e truques sobre como usar o GitHub Copilot para Ciência de Dados.

Aprendizagem Automática para Iniciantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos a Aprendizagem Automática através das culturas mundiais 🌍

Os Cloud Advocates na Microsoft têm o prazer de oferecer um currículo de 12 semanas e 26 aulas, totalmente dedicado à Aprendizagem Automática. Neste currículo, irá aprender sobre o que às 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 'Data Science for Beginners' curriculum, também!

Viaje connosco pelo mundo enquanto aplicamos essas técnicas clássicas a dados de várias áreas do mundo. Cada aula inclui questionários pré e pós-aula, instruções escritas para completar a lição, uma solução, um desafio, e muito mais. Nossa pedagogia baseada em projetos permite que aprenda construindo, uma forma comprovada para fixar 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 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, nomeadamente 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 nossas lições de R!

Começando

Siga estes passos:

1. 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 usar este currículo, faça fork do repositório completo para a sua conta 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 em cada verificação de conhecimento.
• Tente criar os projetos compreendendo as lições e não apenas executando o código da solução; no entanto, o código está disponível nas pastas /solution em cada lição orientada a projetos.
• Faça o questionário pós-aula.
• Complete o desafio.
• Complete a tarefa.
• Depois de completar um grupo de aulas, 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 o seu aprendizado. Pode também reagir a outros PATs para aprendermos juntos.

Para estudar mais, recomendamos seguir estes módulos e percursos de aprendizagem Microsoft Learn.

Professores, incluímos algumas sugestões sobre como usar este currículo.

---

Vídeos explicativos

Algumas das lições estão disponíveis em formato de vídeo curto. Pode encontrá-los integrados nas lições, ou na playlist ML for Beginners do canal Microsoft Developer no YouTube clicando na imagem abaixo.

---

Conheça a Equipa

Gif por Mohit Jaisal

🎥 Clique na imagem acima para um vídeo sobre o projeto e as pessoas que o criaram!

---

Pedagogia

Escolhemos dois princípios pedagógicos enquanto construíamos 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 assegurar que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos será aumentada. Além disso, um questionário de baixo risco antes da aula define a intenção do estudante para aprender um tópico, enquanto um segundo questionário após a aula garante uma retenção adicional. Este currículo foi desenhado para ser flexível e divertido, podendo ser realizado na íntegra ou em parte. Os projetos começam pequenos e tornam-se progressivamente mais complexos até ao fim do ciclo de 12 semanas. O currículo inclui também um pós-escrito sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussão.

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

Cada lição inclui

• sketchnote opcional
• vídeo suplementar opcional
• vídeo explicativo (em algumas lições)
• questionário de aquecimento pré-aula
• lição escrita
• para lições baseadas em projetos, guias passo a passo para construir o projeto
• verificações de conhecimento
• um desafio
• leitura suplementar
• 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 à pasta /solution e procure lições de R. Elas incluem uma extensão .rmd que representa um ficheiro R Markdown, que pode ser simplesmente definido como uma integração de blocos de código (de R ou outras linguagens) e um cabeçalho YAML (que orienta como formatar as saídas como PDF) num documento Markdown. Como tal, serve como um excelente framework de autoria para ciência de dados, permitindo combinar o seu código, o seu output e as suas reflexões escrevendo-as em Markdown. Além disso, 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, com um total de 52 quizzes com três perguntas cada. Eles estão ligados dentro 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 Lição	Tema	Agrupamento de Lição	Objetivos de Aprendizagem	Lição Ligada	Autor
01	Introdução ao machine learning	Introdução	Aprender os conceitos básicos por detrás do machine learning	Lição	Muhammad
02	A História do machine learning	Introdução	Aprender a história que suporta esta área	Lição	Jen e Amy
03	Justiça e machine learning	Introdução	Quais são as importantes questões filosóficas em torno da justiça que os estudantes devem considerar ao construir e aplicar modelos ML?	Lição	Tomomi
04	Técnicas para machine learning	Introdução	Quais técnicas os investigadores de ML usam para construir modelos ML?	Lição	Chris e Jen
05	Introdução à regressão	Regressão	Começar com Python e Scikit-learn para modelos de regressão	Python • R	Jen • Eric Wanjau
06	Preços da abóbora na América do Norte 🎃	Regressão	Visualizar e limpar dados em preparação para ML	Python • R	Jen • Eric Wanjau
07	Preços da abóbora na América do Norte 🎃	Regressão	Construir modelos de regressão linear e polinomial	Python • R	Jen e Dmitry • Eric Wanjau
08	Preços da abóbora na América do Norte 🎃	Regressão	Construir um modelo de regressão logística	Python • R	Jen • Eric Wanjau
09	Uma Aplicação Web 🔌	Web App	Construir uma aplicação web para utilizar o seu modelo treinado	Python	Jen
10	Introdução à classificação	Classificação	Limpar, preparar e visualizar os seus dados; introdução à classificação	Python • R	Jen e Cassie • Eric Wanjau
11	Cozinhas asiáticas e indianas deliciosas 🍜	Classificação	Introdução aos classificadores	Python • R	Jen e Cassie • Eric Wanjau
12	Cozinhas asiáticas e indianas deliciosas 🍜	Classificação	Mais classificadores	Python • R	Jen e Cassie • Eric Wanjau
13	Cozinhas asiáticas e indianas deliciosas 🍜	Classificação	Construir uma aplicação web recomendadora 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	Explorando gostos musicais nigerianos 🎧	Clustering	Explorar o método de clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introdução ao processamento de linguagem natural ☕️	Processamento de linguagem natural	Aprender o básico sobre PLN construindo um bot simples	Python	Stephen
17	Tarefas comuns de PLN ☕️	Processamento de linguagem natural	Aprofundar o seu conhecimento sobre PLN compreendendo tarefas comuns quando se lida com estruturas de linguagem	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	⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com ARIMA	Séries temporais	Previsão de séries temporais com ARIMA	Python	Francesca
23	⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com SVR	Séries temporais	Previsão de séries temporais com Support Vector Regressor	Python	Anirban
24	Introdução ao reinforcement learning	Aprendizagem por reforço	Introdução ao reinforcement learning com Q-Learning	Python	Dmitry
25	Ajude o Peter a evitar o lobo! 🐺	Aprendizagem por reforço	Aprendizagem por reforço Gym	Python	Dmitry
Epílogo	Cenários e aplicações reais de ML	ML no Mundo Real	Aplicações reais interessantes e reveladoras do ML clássico	Lição	Equipa
Epílogo	Debugging de modelos ML usando o dashboard RAI	ML no Mundo Real	Debugging 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

Pode executar esta documentação offline usando Docsify. Faça fork deste repositório, instale Docsify na sua máquina local e depois, 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 ligações aqui.

🎒 Outros Cursos

A nossa equipa produz outros cursos! Confira:

LangChain

---

Azure / Edge / MCP / Agents

---

Série de IA Generativa

---

 

Aprendizagem Central

---

 

Série Copilot

Obter Ajuda

Se ficar bloqueado ou tiver alguma dúvida sobre a construção de aplicações de IA. Junte-se a outros aprendizes e desenvolvedores experientes em discussões sobre o MCP. É uma comunidade de apoio onde perguntas são bem-vindas e o conhecimento é partilhado livremente.

Se tiver feedback sobre produtos ou erros durante a construção, visite:

---

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que as traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se a tradução profissional realizada por um humano. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.