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 | Malay | Malayalam | 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 | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita
Prefere Clonar Localmente?
Este repositório inclui traduções para mais de 50 idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as 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"Isso oferece tudo que você precisa para completar o curso com um download muito mais rápido.
Estamos realizando uma série de aprendizado no Discord com IA, 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 de como usar o GitHub Copilot para Ciência de Dados.
🌍 Viaje pelo mundo enquanto exploramos o 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 sobre Aprendizado de Máquina. Neste currículo, você aprenderá sobre o que às vezes é chamado de aprendizado de máquina clássico, usando principalmente a biblioteca Scikit-learn e evitando o deep learning, que é abordado no nosso currículo AI para Iniciantes. Combine estas lições com nosso currículo Ciência de Dados para Iniciantes, também!
Viaje conosco pelo mundo aplicando essas técnicas clássicas a dados de várias regiões do planeta. Cada lição inclui quizzes pré e pós-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 forma comprovada de fixar novos conhecimentos.
✍️ Nossos sinceros agradecimentos aos 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 ilustradores Tomomi Imura, Dasani Madipalli e Jen Looper
🙏 Agradecimentos especiais 🙏 aos nossos autores, revisores e colaboradores do Microsoft Student Ambassador, especialmente 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 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 resolver dúvidas comuns sobre instalação, configuração e execução de lições.
Estudantes, para usar este currículo, faça um fork do repositório completo na sua conta do 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 checagem de conhecimento.
- Tente criar os projetos compreendendo as lições ao invés de executar diretamente o código da solução; no entanto, esse código está disponível nas pastas
/solutionde cada lição orientada a projeto. - Faça o quiz pós-lectura.
- Realize o desafio.
- Faça a tarefa.
- Após terminar 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 na qual você registra seu aprendizado. Você também pode reagir aos PATs de outras pessoas para aprendermos juntos.
Para estudos adicionais, recomendamos seguir os módulos e trilhas de aprendizado Microsoft Learn.
Professores, incluímos algumas sugestões sobre como usar este currículo.
Algumas lições estão disponíveis em vídeo de formato curto. Você pode encontrar todos esses vídeos embutidos nas lições, ou na playlist ML para Iniciantes 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!
Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que seja prático baseado em projetos e que inclua quizzes frequentes. Além disso, este currículo tem um tema comum para dar coesão.
Garantindo que o conteúdo esteja alinhado a projetos, o processo torna-se mais envolvente para os alunos, e a retenção dos conceitos será aumentada. Além disso, um quiz de baixa pressão antes da aula define a intenção do estudante para aprender o tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido, podendo ser feito integralmente ou parcialmente. Os projetos começam pequenos e se tornam progressivamente mais complexos ao longo 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.
Encontre nossas diretrizes de Código de Conduta, Contribuição, Tradução e Solução de Problemas. Aguardamos seu feedback construtivo!
- sketchnote opcional
- vídeo suplementar opcional
- vídeo explicativo (algumas lições apenas)
- quiz de pré-aula
- lição escrita
- para lições baseadas em projeto, guias passo a passo para construir o projeto
- verificações de conhecimento
- um desafio
- leitura complementar
- 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, vá para a pasta
/solutione procure as lições de R. Elas incluem uma extensão .rmd que representa um arquivo R Markdown, que pode ser simplesmente definido como uma incorporação detrechos de código(de R ou outras linguagens) e umcabeçalho YAML(que orienta como formatar saídas como PDF) em umdocumento Markdown. Como tal, serve como uma estrutura exemplar para autoria em ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos permitindo que você os escreva em Markdown. Além disso, documentos R Markdown podem ser exportados 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, cada um com três perguntas. Eles são vinculados dentro das lições, mas o aplicativo de quiz pode ser executado localmente; siga as instruções na pasta
quiz-apppara hospedar localmente ou implantar no Azure.
| Número da Lição | Tópico | Agrupamento da Lição | Objetivos de Aprendizado | 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 | Conheça a história por trás deste 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 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 aos 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 clustering 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 sentimentos |
Processamento de linguagem natural | Tradução e análise de sentimentos 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 | ⚡️ Uso de energia mundial ⚡️ - previsão de séries temporais com ARIMA | Séries temporais | Previsão de séries temporais com ARIMA | Python | Francesca |
| 23 | ⚡️ Uso de energia mundial ⚡️ - 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 | Ajude Peter a evitar o lobo! 🐺 | Aprendizado por reforço | Aprendizado por reforço Gym | Python | Dmitry |
| Pós-Escrito | Cenários e aplicações reais de ML | ML na prática | Aplicações reais interessantes e reveladoras do ML clássico | Lição | 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 | 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 então 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.
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 alguma dúvida sobre a construção de aplicativos de IA. Junte-se a outros aprendizes 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 erros durante a construção, visite:
- Reveja os notebooks após cada lição 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 usando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a 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 autorizada. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.