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 de idiomas, o que aumenta significativamente o tamanho da transferência. Para clonar sem traduções, use checkout esparso:
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"Isto dá-lhe tudo o que precisa para completar o curso com uma transferência muito mais rápida.
Temos uma série continuada no Discord aprender com IA, saiba mais e junte-se a nós em Learn with AI Series de 18 a 30 de setembro de 2025. Vai receber dicas e truques para usar o GitHub Copilot para Ciência de Dados.
🌍 Viaje pelo mundo enquanto exploramos Machine Learning através das culturas mundiais 🌍
Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 aulas, inteiramente sobre Machine Learning. 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 de AI para Iniciantes. Combine estas aulas com o nosso currículo de Ciência de Dados para Iniciantes, também!
Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de muitas regiões do globo. Cada lição inclui quizzes antes e depois da aula, instruções escritas para completar a lição, uma solução, um exercício e mais. A nossa pedagogia baseada em projetos permite-lhe aprender enquanto constrói, uma forma comprovada de fazer as novas habilidades 'ficarem'.
✍️ Um grande obrigado 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 Ambassadors, nomeadamente 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 aulas 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 na nossa coleção Microsoft Learn
🔧 Precisa de ajuda? Consulte o nosso Guia de Resolução de Problemas para soluções comuns relacionadas com a instalação, configuração e execução das aulas.
Estudantes, para usar este currículo, faça fork do repositório inteiro para a sua conta GitHub e complete os exercícios sozinho ou em grupo:
- Comece com um quiz pré-aula.
- Leia a aula e complete as atividades, parando para refletir em cada ponto de verificação de conhecimento.
- Tente criar os projetos compreendendo as aulas, em vez de executar o código da solução; contudo, esse código está disponível nas pastas
/solutionde cada aula orientada a projeto. - Faça o quiz pós-aula.
- Complete o desafio.
- Complete o exercício.
- 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 outras PATs para aprendermos juntos.
Para estudo adicional, recomendamos seguir estes módulos e percursos de aprendizagem do Microsoft Learn.
Professores, incluímos algumas sugestões sobre como usar este currículo.
Algumas das aulas estão disponíveis em formato de vídeo curto. Pode encontrar todos estes vídeos integrados nas aulas, 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 ver um vídeo sobre o projeto e as pessoas que o criaram!
Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que é prático e baseado em projetos e que inclui quizzes frequentes. Além disso, este currículo tem um tema comum para lhe dar coerência.
Garantindo 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 quiz de baixo risco antes da aula define a intenção do estudante para aprender um tópico, enquanto um segundo quiz após a aula assegura uma maior retenção. Este currículo foi concebido para ser flexível e divertido, podendo ser seguido na totalidade ou em partes. Os projetos começam pequenos e tornam-se progressivamente mais complexos até ao fim do ciclo de 12 semanas. Este currículo inclui ainda um pós-escrito sobre aplicações reais de ML, que pode ser usado como crédito extra ou base para discussão.
Encontre as nossas diretrizes de Código de Conduta, Contribuições, Traduções e Resolução de Problemas. Agradecemos o seu feedback construtivo!
- esboço opcional
- vídeo suplementar opcional
- vídeo explicativo (apenas algumas aulas)
- quiz de preparação pré-aula
- lição escrita
- para aulas baseadas em projetos, guias passo a passo para construir o projeto
- pontos de verificação de conhecimento
- um desafio
- leitura suplementar
- exercício
- quiz pós-aula
Uma nota sobre idiomas: Estas aulas são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma aula em R, vá à pasta
/solutione procure as aulas em R. Estas incluem a extensão .rmd que representa um ficheiro 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 os outputs, como PDF) numdocumento Markdown. Como tal, serve como um excelente framework para autoria em ciência de dados, pois permite combinar o código, o seu output e os seus pensamentos, permitindo escrevê-los em Markdown. Para além disso, os documentos R Markdown podem ser renderizados para formatos de output como PDF, HTML ou Word. Uma nota sobre quizzes: Todos os quizzes estão contidos na pasta Quiz App, totalizando 52 quizzes de três perguntas cada um. Eles são ligados a partir das lições, mas a app de quizzes pode ser executada localmente; siga as instruções na pastaquiz-apppara hospedar localmente ou implantar no Azure.
| Número da Lição | Tópico | Agrupamento da 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 por detrás desta área | Lição | Jen e Amy |
| 03 | Justiça e machine learning | Introdução | Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos ML? | Lição | Tomomi |
| 04 | Técnicas para machine learning | Introdução | Que técnicas os investigadores de ML usam para construir modelos de 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 Web App 🔌 | Web App | Construir uma web app para usar 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 web app recomendadora usando o seu modelo | Python | Jen |
| 14 | Introdução à clusterização | Clusterização | Limpar, preparar e visualizar os seus dados; Introdução à clusterização | Python • R | Jen • Eric Wanjau |
| 15 | Explorar gostos musicais nigerianos 🎧 | Clusterização | Explorar o método de clusterização 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 | Aprofunde o 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 em séries temporais | Séries Temporais | Introdução à previsão em séries temporais | Python | Francesca |
| 22 | ⚡️ Uso Mundial de Energia ⚡️ - previsão em séries temporais com ARIMA | Séries Temporais | Previsão em séries temporais com ARIMA | Python | Francesca |
| 23 | ⚡️ Uso Mundial de Energia ⚡️ - previsão em séries temporais com SVR | Séries Temporais | Previsão em séries temporais com Support Vector Regressor | Python | Anirban |
| 24 | Introdução ao reinforcement learning | Reinforcement learning | Introdução ao reinforcement learning com Q-Learning | Python | Dmitry |
| 25 | Ajuda o Peter a evitar o lobo! 🐺 | Reinforcement learning | Gym de reinforcement learning | Python | Dmitry |
| Posfácio | Cenários e aplicações de ML no mundo real | ML in the Wild | Aplicações interessantes e reveladoras do ML clássico | Lição | Equipa |
| Posfácio | Depuração de modelos em ML usando dashboard RAI | ML in the Wild | Depuração 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
Pode executar esta documentação offline usando Docsify. Faça um fork deste repositório, instale o 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.
Encontre um pdf do currículo com links aqui.
A nossa equipa produz outros cursos! Veja:
-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 ficar preso ou tiver alguma questão sobre como construir aplicações de IA. Junte-se a outros alunos e desenvolvedores experientes nas discussões sobre MCP. É uma comunidade de apoio onde as perguntas são bem-vindas e o conhecimento é partilhado livremente.
Se tiver feedback sobre produtos ou erros durante a construção visite:
- Reveja os notebooks após cada lição para uma melhor compreensão.
- Pratique implementar algoritmos por conta própria.
- Explore conjuntos de dados reais utilizando os conceitos aprendidos.
Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos por 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 oficial. Para informações críticas, recomenda-se a tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.