Aprendizado de Máquina para Iniciantes - Um Currículo

April 20, 2026 · View on GitHub

🌐 Suporte Multilíngue

Suportado via GitHub Action (Automatizado e Sempre Atualizado)

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"
Isso fornece tudo que você precisa para completar o curso com um download muito mais rápido.

Estamos conduzindo uma série no Discord chamada aprenda com IA, saiba mais e participe conosco em Learn with AI Series de 18 a 30 de setembro de 2025. Você receberá dicas e truques para usar o GitHub Copilot para Ciência de Dados.

Learn with AI series

Aprendizado de Máquina para Iniciantes - Um Currículo

🌍 Viaje pelo mundo enquanto exploramos Aprendizado de Máquina por meio das culturas mundiais 🌍

Os Cloud Advocates da Microsoft têm prazer em oferecer um currículo de 12 semanas, com 26 lições, totalmente dedicado ao Aprendizado de Máquina. Neste currículo, você aprenderá o que às vezes é chamado de aprendizado de máquina clássico, utilizando principalmente a biblioteca Scikit-learn e evitando deep learning, que é abordado em nosso currículo AI for Beginners. Combine estas lições com nosso currículo Ciência de Dados para Iniciantes, também!

Viaje conosco pelo mundo enquanto aplicamos essas técnicas clássicas a dados de muitas regiões do planeta. Cada lição inclui quizzes pré e pós-aula, instruções escritas para completar a lição, uma solução, um exercício e muito mais. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma maneira 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 autores, revisores e colaboradores de conteúdo que são Microsoft Student Ambassadors, notadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal

🤩 Um agradecimento extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta por nossas lições de R!

Começando

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 do Microsoft Learn

🔧 Precisa de ajuda? Confira nosso Guia de Solução de Problemas para soluções comuns relacionadas à instalação, configuração e execução das lições.

Estudantes, para utilizar este currículo, faça um fork de todo o repositório para sua conta no GitHub e complete os exercícios sozinho ou em grupo:

Comece com um quiz pré-aula.
Leia a aula e complete as atividades, parando e refletindo a cada verificação de conhecimento.
Tente criar os projetos compreendendo as lições em vez de apenas executar o código da solução; porém esse código está disponível nas pastas /solution em cada lição orientada a projetos.
Faça o quiz pós-aula.
Complete o desafio.
Faça o exercício.
Após concluir um grupo de lições, visite o Fórum de Discussão e "aprenda em voz alta" preenchendo o formulário PAT apropriado. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que é uma rubrica que você preenche para aprofundar seu aprendizado. Você também pode reagir aos PATs de outros para aprendermos juntos.

Para estudos adicionais, recomendamos seguir estes módulos e trilhas de aprendizado do Microsoft Learn.

Professores, incluímos algumas sugestões sobre como usar este currículo.

Vídeos explicativos

Algumas lições estão disponíveis em vídeos curtos. Você pode encontrar todos eles embutidos nas lições, ou na playlist ML for Beginners no canal Microsoft Developer no YouTube clicando na imagem abaixo.

Conheça a Equipe

Gif por Mohit Jaisal

🎥 Clique na imagem acima para assistir a um vídeo sobre o projeto e as pessoas que o criaram!

Pedagogia

Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que seja prático e baseado em projetos e que inclua quizzes frequentes. Além disso, este currículo tem um tema comum para dar coerência.

Garantindo que o conteúdo esteja alinhado aos projetos, o processo se torna mais envolvente para os alunos e a retenção dos conceitos será aumentada. Além disso, um quiz de baixa pressão antes da aula prepara a intenção do estudante para aprender um tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido, podendo ser feito inteiro ou parcialmente. Os projetos começam pequenos e ficam progressivamente mais complexos ao longo do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais do Aprendizado de Máquina, que pode ser usado como crédito extra ou como base para discussão.

Encontre nosso Código de Conduta, Guia para Contribuições, Traduções e Solucionando Problemas. Agradecemos seu feedback construtivo!

Cada lição inclui

esboço opcional (sketchnote)
vídeo suplementar opcional
vídeo explicativo (algumas lições apenas)
quiz preparatório pré-aula
lição escrita
para lições baseadas em projetos, guias passo a passo para construir o projeto
verificações de conhecimento
um desafio
leitura suplementar
exercício
quiz pós-aula

Uma nota sobre idiomas: Essas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para concluir uma lição em R, vá para a pasta /solution e procure por lições em R. Elas incluem uma extensão .rmd que representa um arquivo R Markdown, que pode ser simplesmente definido como uma incorporação de blocos de código (de R ou outras linguagens) e um cabeçalho YAML (que orienta como formatar saídas, como PDF) em um documento 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 renderizados para formatos de saída como PDF, HTML ou Word.

Uma nota sobre quizzes: Todos os quizzes estão contidos na pasta Quiz App, com 52 quizzes no total, cada um com três perguntas. Eles são vinculados dentro das lições, mas o aplicativo de quizzes pode ser executado localmente; siga as instruções na pasta quiz-app para hospedar localmente ou implantar no Azure.

Número da Lição	Tópico	Agrupamento da Lição	Objetivos de Aprendizagem	Lição Vinculada	Autor
01	Introdução ao aprendizado de máquina	Introdução	Aprender os conceitos básicos por trás do aprendizado de máquina	Lição	Muhammad
02	A História do aprendizado de máquina	Introdução	Conhecer a história que fundamenta esse 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 🔌	Web App	Crie um app web para usar seu modelo treinado	Python	Jen
10	Introdução à classificação	Classificação	Limpar, preparar e visualizar seus dados; introdução à classificação	Python • R	Jen e Cassie • Eric Wanjau
11	Culinárias deliciosas asiáticas e indianas 🍜	Classificação	Introdução a 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	Crie um app web recomendador usando seu modelo	Python	Jen
14	Introdução a clustering	Clustering	Limpar, preparar e visualizar seus dados; Introdução a 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 em PLN ☕️	Processamento de linguagem natural	Aprofunde seus conhecimentos em PLN entendendo tarefas comuns necessárias para lidar com estruturas de linguagem	Python	Stephen
18	Tradução e análise de sentimento ♥️	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	⚡️ Consumo mundial de energia ⚡️ - previsão 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 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 usando Gym	Python	Dmitry
Pós-escrito	Cenários e aplicações reais de ML	ML na prática	Aplicações interessantes e reveladoras do aprendizado de máquina clássico	Lição	Equipe
Pós-escrito	Depuração de modelos de ML usando painel RAI	ML na prática	Depuração de modelos de aprendizado de máquina usando componentes do painel Responsible AI	Lição	Ruth Yakubu

encontre todos os recursos adicionais para este curso na nossa coleção Microsoft Learn

Acesso offline

Você pode executar esta documentação offline usando Docsify. Faça um fork deste repositório, instale o Docsify na sua máquina local e, em seguida, na pasta raiz deste repositório, digite docsify serve. O site será servido na porta 3000 no seu localhost: localhost:3000.

PDFs

Encontre um pdf do currículo com links aqui.

🎒 Outros Cursos

Nossa equipe produz outros cursos! Confira:

LangChain

Azure / Edge / MCP / Agentes

Série de IA Generativa

Aprendizado Fundamental

Série Copilot

Obtendo Ajuda

Se você ficar travado ou tiver dúvidas enquanto aprende Machine Learning ou desenvolve aplicações de IA, não se preocupe — ajuda está disponível.

Você pode participar de discussões com outros alunos e desenvolvedores, fazer perguntas e compartilhar suas ideias com a comunidade.

Participe da comunidade para fazer perguntas e aprender com outros
Discuta conceitos de Machine Learning e ideias para projetos
Obtenha orientação de desenvolvedores experientes

Uma comunidade solidária é uma ótima maneira de aprimorar suas habilidades e resolver problemas mais rápido.

Microsoft Foundry Discord Community

Se você encontrar bugs, erros ou tiver sugestões para melhorias, também pode abrir um Issue neste repositório para relatar o problema.

Para feedback sobre o produto ou para pesquisar posts existentes na comunidade, visite o Fórum de Desenvolvedores:

Dicas Adicionais de Aprendizado

Revise os notebooks após cada aula para melhor compreensão.
Pratique implementar os 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 sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações errôneas decorrentes do uso desta tradução.