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 | Malayalam | Marathi | Nepali | Pidgin Nigeriano | Norueguês | Persa (Farsi) | Polaco | Português (Brasil) | Português (Portugal) | Punjabi (Gurmukhi) | Romeno | Russo | Sérvio (Cirílico) | Eslovaco | Esloveno | Espanhol | Suaíli | Sueco | Tagalog (Filipino) | Tamil | Telugu | Tailandês | Turco | Ucraniano | Urdu | Vietnamita
Prefere clonar localmente?
Este repositório inclui mais de 50 traduções de idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem traduções, utilize o 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 concluir o curso com um download muito mais rápido.
Temos uma série contínua no Discord para aprender com IA, 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 a Aprendizagem Automática através das culturas mundiais 🌍
Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, inteiramente sobre Aprendizagem Automática. Neste currículo, aprenderá sobre aquilo que é por vezes chamado de aprendizagem automática clássica, usando principalmente a biblioteca Scikit-learn e evitando aprendizagem profunda, que é abordada no nosso currículo AI for Beginners. Combine estas lições com o nosso currículo Ciência de Dados para Iniciantes, também!
Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de várias regiões. Cada lição inclui quizzes pré e pós-lição, instruções escritas para completar a lição, uma solução, um desafio, e mais. A nossa pedagogia baseada em projetos permite aprender fazendo, uma forma comprovada para fixar novas competências.
✍️ 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
🎨 Agradecimentos também aos nossos ilustradores Tomomi Imura, Dasani Madipalli, e Jen Looper
🙏 Agradecimentos especiais 🙏 aos nossos autores, revisores e colaboradores da Microsoft Student Ambassador, 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 lições de R!
Siga estes passos:
- 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 sobre 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 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 simplesmente executar o código da solução; contudo, esse código está disponível nas pastas
/solutionem cada lição orientada a projetos. - Faça o quiz pós-aula.
- Complete o desafio.
- Conclua a tarefa.
- Após completar 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 preenche para aprofundar o seu aprendizado. Também pode reagir a outros PATs para aprendermos juntos.
Para estudo adicional, recomendamos seguir estes módulos e trajetórias de aprendizagem do Microsoft Learn.
Professores, incluímos algumas sugestões sobre como usar este currículo.
Algumas das lições estão disponíveis em formato vídeo curto. Pode encontrá-los embutidos nas lições, ou na playlist ML for Beginners no canal Microsoft Developer do 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 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 alunos e a retenção de conceitos será aumentada. Além disso, um quiz de baixo risco antes da aula define a intenção do aluno para aprender um tema, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido, podendo ser feito integralmente ou apenas parcialmente. Os projetos começam pequenos e tornam-se progressivamente mais complexos até ao final do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais de Aprendizagem Automática, que pode ser usado como crédito extra ou base para discussões.
Consulte as nossas diretrizes Código de Conduta, Contribuição, Tradução, e Resolução de Problemas. Agradecemos o seu feedback construtivo!
- sketchnote opcional
- vídeo suplementar opcional
- vídeo de acompanhamento (apenas algumas lições)
- quiz de aquecimento pré-aula
- lição escrita
- para lições baseadas em projeto, guias passo a passo sobre como construir o projeto
- verificações de conhecimento
- um desafio
- leitura suplementar
- tarefa
- quiz pós-aula
Uma nota sobre idiomas: Estas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá à 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 as saídas como PDF) numdocumento Markdown. Como tal, serve como um excelente framework de autoria para ciência de dados, pois permite combinar o seu código, a sua saída e os seus pensamentos, permitindo escrevê-los 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 de três perguntas cada. Eles estão ligados a partir das lições, mas a aplicação de quiz pode ser executada localmente; siga as instruções na pasta
quiz-apppara hospedar localmente ou fazer deploy para Azure.
| Número da Lição | Tema | Agrupamento de Lições | 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 | Conhecer a história que sustenta esta área | Lição | Jen e Amy |
| 03 | Justiça e machine learning | Introdução | Quais são as questões filosóficas importantes sobre a justiça que os estudantes 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 de abóboras norte-americanas 🎃 | Regressão | Visualizar e limpar dados em preparação para ML | Python • R | Jen • Eric Wanjau |
| 07 | Preços de abóboras norte-americanas 🎃 | Regressão | Construir modelos de regressão linear e polinomial | Python • R | Jen e Dmitry • Eric Wanjau |
| 08 | Preços de abóboras norte-americanas 🎃 | Regressão | Construir um modelo de regressão logística | Python • R | Jen • Eric Wanjau |
| 09 | Uma App Web 🔌 | App Web | Construir uma app 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 e Cassie • Eric Wanjau |
| 11 | Culinárias asiáticas e indianas deliciosas 🍜 | Classificação | Introdução a classificadores | Python • R | Jen e Cassie • Eric Wanjau |
| 12 | Culinárias asiáticas e indianas deliciosas 🍜 | Classificação | Mais classificadores | Python • R | Jen e Cassie • Eric Wanjau |
| 13 | Culinárias asiáticas e indianas deliciosas 🍜 | Classificação | Construir uma app web recomendadora usando o seu modelo | Python | Jen |
| 14 | Introdução a 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 NLP construindo um bot simples | Python | Stephen |
| 17 | Tarefas comuns de NLP ☕️ | Processamento de Linguagem Natural | Aprofundar o seu conhecimento em NLP compreendendo tarefas comuns ao lidar 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 a hotéis 1 | Python | Stephen |
| 20 | Hotéis românticos da Europa |
Processamento de Linguagem Natural | Análise de sentimento com críticas a 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 com ARIMA | Séries Temporais | Previsão de séries temporais com ARIMA | Python | Francesca |
| 23 | ⚡️ Consumo Mundial de Energia ⚡️ - previsão 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 | Reinforcement learning Gym | Python | Dmitry |
| Posfácio | Cenários e aplicações reais de ML | ML na Vida Real | Aplicações reais interessantes e reveladoras do ML clássico | Lição | Equipa |
| Posfácio | Depuração de modelos em ML usando dashboard RAI | ML na Vida Real | 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 o 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 bloqueado ou tiver alguma questão sobre como construir aplicações de IA. Junte-se a outros aprendizes e programadores 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 o produto ou erros enquanto desenvolve visite:
- Reveja os notebooks após cada lição para melhor compreensão.
- Pratique a implementação de algoritmos por conta própria.
- Explore conjuntos de dados reais usando 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 traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes do uso desta tradução.