Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
Prefere clonar localmente?
Este repositório inclui traduções em mais de 50 idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use o sparse checkout:
Bash / macOS / Linux:
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'CMD (Windows):
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.
Estamos com uma série de aprendizado no Discord chamada learn with AI, 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 GitHub Copilot para Ciência de Dados.
🌍 Viaje pelo mundo enquanto exploramos 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 lições, inteiramente dedicado ao Aprendizado de Máquina. Neste currículo, você aprenderá sobre o que às vezes é chamado de aprendizado de máquina clássico, usando principalmente Scikit-learn como biblioteca e evitando deep learning, que é abordado em nosso currículo AI para Iniciantes. Combine essas aulas também com nosso 'Ciência de Dados para Iniciantes' currículo!
Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de várias regiões do mundo. Cada lição inclui quizzes pré e pós-lição, instruções escritas para completar a lição, uma solução, uma tarefa e mais. Nossa pedagogia baseada em projetos permite que você aprenda construindo, uma forma comprovada para fixar novas habilidades.
✍️ Muitos agradecimentos 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 do conteúdo Microsoft Student Ambassador, notavelmente 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!
Siga estes passos:
- 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 Microsoft Learn
🔧 Precisa de ajuda? Confira nosso Guia de solução de problemas para soluções comuns de instalação, configuração e execução das lições.
Estudantes, para usar este currículo, faça o fork de todo o repo para sua própria conta GitHub e realize os exercícios sozinho ou em grupo:
- Comece com um quiz 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 copiar o código da solução; contudo, esse código está disponível nas pastas
/solutionde cada lição orientada a projetos. - Faça o quiz pós-aula.
- Complete o desafio.
- Complete a tarefa.
- Depois de concluir 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 você preenche para aprofundar seu aprendizado. Você também pode reagir a outros PATs para aprendermos juntos.
Para estudos adicionais, recomendamos seguir estes módulos e trilhas de aprendizado do Microsoft Learn.
Professores, fornecemos algumas sugestões sobre como usar este currículo.
Algumas das lições estão disponíveis em formato de vídeo curto. Você pode encontrar todos eles embutidos nas lições, ou na playlist ML for Beginners no canal Microsoft Developer no YouTube clicando na imagem abaixo.
Gif por Mohit Jaisal
🎥 Clique na imagem acima para assistir a um vídeo sobre o projeto e as pessoas que o criaram!
Optamos por 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 possui um tema comum para dar coesão.
Garantindo que o conteúdo esteja alinhado a projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos será aumentada. Além disso, um quiz de baixa pressão antes de uma aula cria a intenção do aluno de aprender um tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser feito todo ou em partes. Os projetos começam pequenos e ficam 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.
Encontre nosso Código de Conduta, Contribuições, Traduções e Solução de Problemas. Agradecemos seu feedback construtivo!
- esboço opcional
- vídeo suplementar opcional
- vídeo explicativo (algumas lições somente)
- quiz 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
- quiz pós-aula
Uma nota sobre idiomas: Estas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá até a pasta
/solutione procure pelas lições em R. Elas incluem uma extensão .rmd que representa um arquivo R Markdown, que pode ser simplesmente definido como uma incorporação deblocos de código(de R ou outras linguagens) e umcabeçalho YAML(que orienta como formatar saídas, como PDF) em umdocumento Markdown. Como tal, serve como um excelente framework para autoria em ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos escrevendo-os 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 Quiz App, totalizando 52 questionários com três perguntas cada. Eles estão vinculados nas lições, mas o aplicativo de questionários pode ser executado localmente; siga as instruções na pastaquiz-apppara hospedar localmente ou implantar no Azure.
| Número da Lição | Tópico | Agrupamento da Lição | Objetivos de Aprendizagem | Lição Vinculada | Autor |
|---|---|---|---|---|---|
| 01 | Introdução ao aprendizado de máquina | Introdução | Aprenda os conceitos básicos por trás do aprendizado de máquina | Lição | Muhammad |
| 02 | A História do aprendizado de máquina | Introdução | Aprenda a história subjacente a este campo | Lição | Jen e Amy |
| 03 | Justiça e aprendizado de máquina | Introdução | Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML? | Lição | Tomomi |
| 04 | Técnicas para aprendizado de máquina | Introdução | Quais técnicas os pesquisadores de ML usam para construir modelos de ML? | Lição | 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 aplicativo web 🔌 | Aplicativo Web | Construa um aplicativo 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 cozinhas asiáticas e indianas 🍜 | Classificação | Introdução aos classificadores | Python • R | Jen e Cassie • Eric Wanjau |
| 12 | Deliciosas cozinhas asiáticas e indianas 🍜 | Classificação | Mais classificadores | Python • R | Jen e Cassie • Eric Wanjau |
| 13 | Deliciosas cozinhas asiáticas e indianas 🍜 | Classificação | Construa um aplicativo web de recomendação usando seu modelo | Python | Jen |
| 14 | Introdução à clusterização | Clusterização | Limpe, prepare e visualize seus dados; introdução à clusterização | Python • R | Jen • Eric Wanjau |
| 15 | Explorando gostos musicais na Nigéria 🎧 | Clusterização | Explore o método de clusterização 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 de PLN entendendo tarefas comuns 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 de séries temporais ARIMA | Séries temporais | Previsão de séries temporais com ARIMA | Python | Francesca |
| 23 | ⚡️ Consumo mundial de energia ⚡️ - previsão de séries temporais 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 | Reinforcement learning Gym | Python | Dmitry |
| Pós-escrito | Cenários e aplicações reais de ML | ML na prática | Aplicações interessantes e reveladoras do aprendizado de máquina clássico | Lição | Equipe |
| Pós-escrito | Depuração de modelos em ML usando o painel RAI | ML na prática | Depuração de modelos em Aprendizado de Máquina usando componentes do painel Responsible AI | Lição | Ruth Yakubu |
encontre todos os recursos adicionais para este curso em nossa coleção Microsoft Learn
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.
Encontre um pdf do currículo com links aqui.
Nossa equipe produz outros cursos! Confira:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Se você ficar preso ou tiver dúvidas sobre como criar aplicativos de IA. Junte-se a outros aprendizes e desenvolvedores experientes em discussões sobre o 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 a criação, visite:
- Revise os notebooks após cada aula para melhor compreensão.
- Pratique implementar algoritmos por conta própria.
- Explore conjuntos de dados do mundo real usando os conceitos aprendidos.
Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos empenhemos para garantir a precisão, esteja ciente de que traduções automatizadas 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 realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.