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 em mais de 50 idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use 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 de aprender com IA no Discord 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 e 26 lições totalmente dedicado a Aprendizagem Automática. Neste currículo, aprenderá 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 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 várias regiões do mundo. Cada lição inclui questionários pré e pós-lição, instruções escritas para concluir a lição, uma solução, um desafio, e mais. A nossa pedagogia baseada em projetos permite-lhe aprender enquanto constrói, uma forma comprovada para que as novas competências 'fixem'.
✍️ Muito 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 Ambassador, nomeadamente 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:
- 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 a problemas comuns com instalação, configuração e execução das lições.
Estudantes, para usar este currículo, faça fork do repositório completo para a sua própria conta no GitHub e complete os exercícios sozinho ou em grupo:
- Comece com um questionário pré-entrevista.
- Leia a aula e complete as atividades, pausando e refletindo a cada verificação de conhecimento.
- Tente criar os projetos compreendendo as lições em vez de apenas executar o código da solução; no entanto, esse código está disponível nas pastas
/solutionem cada lição orientada por projeto. - Faça o questionário pós-entrevista.
- Complete o desafio.
- Complete a tarefa.
- Depois de 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 a aprendizagem. Também pode reagir a outras PATs para aprendermos juntos.
Para estudo adicional, recomendamos seguir estes módulos e trajetos de aprendizagem Microsoft Learn.
Professores, temos algumas sugestões sobre como usar este currículo.
Algumas das lições estão disponíveis em formato vídeo curto. Pode encontrá-los incorporados 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 baseado em projetos e que inclui questionários frequentes. Além disso, este currículo tem um tema comum para lhe dar coesão.
Ao garantir que o conteúdo esteja alinhado com os projetos, o processo torna-se mais envolvente para os estudantes e a retenção de conceitos será aumentada. Além disso, um questionário de baixo risco antes da aula define a intenção do estudante para aprender o tema, enquanto um segundo questionário após a aula assegura maior retenção. Este currículo foi desenhado para ser flexível e divertido e pode ser feito na totalidade ou em parte. Os projetos começam pequenos e tornam-se progressivamente mais complexos até ao final do ciclo de 12 semanas. Este currículo inclui também um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussão.
Consulte as nossas diretrizes Código de Conduta, Contribuir, Traduções, e Resolução de Problemas. Agradecemos o seu feedback construtivo!
- sketchnote opcional
- vídeo suplementar opcional
- vídeo explicativo (algumas lições apenas)
- questionário pré-aula
- lição escrita
- para lições baseadas em projetos, guias passo a passo de como construir o projeto
- verificações de conhecimento
- um desafio
- leitura suplementar
- tarefa
- questionário pós-aula
Uma nota sobre linguagens: Estas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá à pasta
/solutione procure pelas lições em R. Elas incluem uma extensão .rmd que representa um ficheiro R Markdown, o qual 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 uma estrutura exemplar de escrita para ciência de dados, pois permite combinar o seu código, a sua saída e as suas ideias ao possibilitar que as escreva em Markdown. Além disso, documentos R Markdown podem ser renderizados para formatos de saída como PDF, HTML ou Word.
Uma nota sobre questionários: Todos os questionários estão contidos na pasta Quiz App, são 52 questionários no total, cada um com três questões. Eles estão ligados a partir das lições, mas a aplicação do questionário pode ser executada localmente; siga as instruções na pasta
quiz-apppara hospedar localmente ou para fazer deploy no Azure.
| Número da Lições | 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 subjacente a esta área | Lição | Jen and Amy |
| 03 | Justiça e machine learning | Introdução | Quais são as questões filosóficas importantes sobre justiça que os estudantes devem considerar ao construir e aplicar modelos ML? | Lição | Tomomi |
| 04 | Técnicas para machine learning | Introdução | Quais técnicas os investigadores de ML usam para construir modelos ML? | Lição | Chris and Jen |
| 05 | Introdução à regressão | Regressão | Comece a usar Python e Scikit-learn para modelos de regressão | Python • R | Jen • Eric Wanjau |
| 06 | Preços de abóboras na América do Norte 🎃 | Regressão | Visualizar e limpar dados para preparação para ML | Python • R | Jen • Eric Wanjau |
| 07 | Preços de abóboras na América do Norte 🎃 | Regressão | Construir modelos de regressão linear e polinomial | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Preços de abóboras 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 | Cozinhas deliciosas asiáticas e indianas 🍜 | Classificação | Introdução a classificadores | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Cozinhas deliciosas asiáticas e indianas 🍜 | Classificação | Mais classificadores | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Cozinhas deliciosas asiáticas e indianas 🍜 | Classificação | Construir uma aplicação web recomendadora usando o seu modelo | Python | Jen |
| 14 | Introdução a clustering | Clustering | Limpar, preparar e visualizar os seus dados; Introdução a clustering | Python • R | Jen • Eric Wanjau |
| 15 | Explorar 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 | Aprenda o básico sobre PLN construindo um bot simples | Python | Stephen |
| 17 | Tarefas comuns de PLN ☕️ | Processamento de linguagem natural | Aprofundar o seu conhecimento em PLN entendendo as tarefas comuns necessárias para 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 críticas de hotéis 1 | Python | Stephen |
| 20 | Hotéis românticos na Europa |
Processamento de linguagem natural | Análise de sentimento com críticas de hotéis 2 | Python | Stephen |
| 21 | Introdução a 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 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 o Peter a evitar o lobo! 🐺 | Aprendizado por reforço | Aprendizado por reforço com Gym | Python | Dmitry |
| Pós-escrito | Cenários e aplicações reais de ML | ML no Mundo Real | Aplicações interessantes e reveladoras no mundo real de ML clássico | Lição | Equipa |
| Pós-escrito | Debugging de modelo em ML usando dashboard RAI | ML no Mundo Real | Debugging de modelo 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, escreva 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! 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 ficar bloqueado ou tiver alguma dúvida sobre como criar aplicações de IA. Junte-se a outros aprendizes e programadores experientes em discussões sobre o 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 cadernos 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 esforcemos pela precisão, por favor note que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa 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 erradas resultantes da utilização desta tradução.