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 | Khmer | 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 para mais de 50 idiomas que aumentam significativamente o tamanho do download. Para clonar sem 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"Isto dá-lhe tudo o que precisa para completar o curso com um download muito mais rápido.
Temos uma série Discord de aprendizagem com IA em curso, saiba mais e junte-se a nós em Learn with AI Series de 18 a 30 de setembro de 2025. Receberá dicas e truques para usar o GitHub Copilot para Ciência de Dados.
🌍 Viaje pelo mundo enquanto exploramos Aprendizagem Automática através das culturas mundiais 🌍
Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, todo sobre Aprendizagem Automática. Neste currículo, aprenderá sobre o que por vezes é chamado aprendizagem automática clássica, usando principalmente a biblioteca Scikit-learn e evitando 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 estas técnicas clássicas a dados de muitas áreas do mundo. Cada lição inclui questionários antes e depois da lição, instruções escritas para completar a lição, uma solução, uma tarefa e mais. A nossa pedagogia baseada em projetos permite aprender enquanto se constrói, uma forma comprovada para que novas competências 'ficarem'.
✍️ Sinceros 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
🎨 Obrigado também aos nossos ilustradores Tomomi Imura, Dasani Madipalli e Jen Looper
🙏 Agradecimento especial 🙏 aos nossos autores, revisores e colaboradores de conteúdo do Microsoft Student Ambassador, nomeadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
🤩 Agradecimento especial extra aos Embaixadores Estudantes Microsoft Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas lições R!
Siga estes passos:
- Faça 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 para problemas comuns com instalação, configuração e execução das lições.
Estudantes, para usar este currículo, faça fork de todo o repositório para sua própria conta GitHub e complete os exercícios sozinho ou em grupo:
- Comece com um quiz pré-lectura.
- 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 executar o código da solução; no entanto, esse código está disponível nas pastas
/solutionem cada lição orientada por projeto. - Faça o quiz pós-lectura.
- Complete o desafio.
- Complete a tarefa.
- Depois de completar um grupo de lições, visite o Fórum de Discussão e "aprenda em voz alta" preenchendo o formulário de avaliação PAT adequado. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que é um formulário que preenche para aprofundar seu aprendizado. Pode também reagir a outros PATs para aprendermos juntos.
Para estudo adicional, recomendamos seguir estes módulos e caminhos de aprendizagem Microsoft Learn.
Professores, incluímos algumas sugestões sobre como usar este currículo.
Algumas das lições estão disponíveis em vídeo curto. Pode encontrá-los 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 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 coesão.
Ao garantir que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os estudantes e a retenção de conceitos é aumentada. Além disso, um quiz de baixo risco antes da aula define a intenção do aluno na aprendizagem de um tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi concebido para ser flexível e divertido e pode ser realizado na totalidade ou em partes. Os projetos começam pequenos e tornam-se progressivamente mais complexos ao longo do ciclo de 12 semanas. Este currículo inclui também um posfácio sobre aplicações reais da aprendizagem automática, que pode ser usado como crédito extra ou como base para discussão.
Encontre o nosso Código de Conduta, Contributos, Traduções e Resolução de Problemas. Agradecemos o seu feedback construtivo!
- esboço opcional
- vídeo suplementar opcional
- guia em vídeo (apenas algumas lições)
- quiz de aquecimento pré-lectura
- lição escrita
- para lições baseadas em projeto, guias passo a passo para construir o projeto
- verificações de conhecimento
- um desafio
- leitura suplementar
- tarefa
- quiz pós-lectura
Uma nota sobre línguas: Estas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá para a pasta
/solutione procure lições em R. Elas incluem uma 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 saídas como PDF) numdocumento Markdown. Como tal, serve como um exemplo de estrutura de autoria para ciência de dados, pois permite combinar o seu código, a sua saída e os seus pensamentos ao permitir que os escreva 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, totalizando 52 quizzes de três perguntas cada. Estão ligados dentro das lições, mas a aplicação de quizzes pode ser executada localmente; siga as instruções na pasta
quiz-apppara hospedar localmente ou implantar no Azure.
| Número da Lição | Tema | Agrupamento da Lição | Objetivos de Aprendizagem | Lição Ligada | Autor |
|---|---|---|---|---|---|
| 01 | Introdução ao machine learning | Introdução | Aprender os conceitos básicos por trás do machine learning | Lição | Muhammad |
| 02 | História do machine learning | Introdução | Aprender a história por trás desta área | Lição | Jen and 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 de ML? | Lição | Tomomi |
| 04 | Técnicas para machine learning | Introdução | Que técnicas os investigadores de ML usam para construir modelos de ML? | Lição | Chris and 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 and 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 aplicação web 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 and Cassie • Eric Wanjau |
| 11 | Deliciosas cozinhas asiáticas e indianas 🍜 | Classificação | Introdução a classificadores | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Deliciosas cozinhas asiáticas e indianas 🍜 | Classificação | Mais classificadores | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Deliciosas cozinhas asiáticas e indianas 🍜 | 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 na Nigéria 🎧 | 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 PLP construindo um bot simples | Python | Stephen |
| 17 | Tarefas comuns de PLP ☕️ | Processamento de linguagem natural | Aprofundar o seu conhecimento em PLP, 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 na Europa |
Processamento de linguagem natural | Análise de sentimento com avaliações de hotéis 1 | Python | Stephen |
| 20 | Hotéis românticos na 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 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 aprendizado por reforço | Aprendizado por reforço | Introdução ao aprendizado por reforço com Q-Learning | Python | Dmitry |
| 25 | Ajudar o Peter a evitar o lobo! 🐺 | Aprendizado por reforço | Aprendizado por reforço Gym | Python | Dmitry |
| Pós-escrito | Cenários e aplicações reais de ML | ML na vida real | Aplicações interessantes e reveladoras do ML clássico | Lição | Equipa |
| Pós-escrito | Depuração de modelos em ML usando dashboard RAI | ML na vida real | Depuração de modelos em Machine Learning usando componentes do painel 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 website 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 dúvidas enquanto aprende Aprendizagem Automática ou desenvolve aplicações de IA, não se preocupe — a ajuda está disponível.
Pode juntar-se a discussões com outros aprendizes e desenvolvedores, fazer perguntas e partilhar as suas ideias com a comunidade.
- Junte-se à comunidade para fazer perguntas e aprender com outros
- Discuta conceitos de Aprendizagem Automática e ideias para projetos
- Obtenha orientação de desenvolvedores experientes
Uma comunidade de apoio é uma ótima forma de desenvolver as suas competências e resolver problemas mais rapidamente.
Microsoft Foundry Discord Community
Se encontrar bugs, erros ou tiver sugestões para melhorias, também pode abrir um Issue neste repositório para reportar o problema.
Para feedback sobre produtos ou para pesquisar posts existentes na comunidade, visite o Fórum de Desenvolvedores:
- Reveja os notebooks após cada lição para melhor compreensão.
- Pratique implementar algoritmos por si próprio.
- Explore conjuntos de dados do mundo real usando os conceitos aprendidos.
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 traduções automáticas podem conter erros ou imprecisões. O documento original no seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes do uso desta tradução.