🌍 Viaje pelo mundo enquanto exploramos o Machine Learning através das culturas mundiais 🌍
Os Advocates do Azure Cloud da Microsoft têm o prazer de oferecer um curso de 12 semanas com 24 lições (mais uma!) sobre Machine Learning. Neste curso, você irá aprender o que às vezes chamamos de machine learning clássico, usando principalmente Scikit-learn como biblioteca e evitando deep learning, que será coberto no próximo curso 'IA para Iniciantes'. Combine também essas lições com o curso de Data Science para Iniciantes!
Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de muitas áreas do mundo. Cada lição inclui questionários pré e pós-aula, instruções escritas para completar a lição, uma solução, uma tarefa e muito mais. A nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma forma comprovada de "aderir" as novas habilidades.
✍️ sinceros agradecimentos aos nossos autores Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Ornella Altunyan, e Amy Boyd
🎨 Obrigado também aos nossos ilustradores Tomomi Imura, Dasani Madipalli, e Jen Looper
🙏 Agradecimentos especiais 🙏 aos autores, revisores e colaboradores de conteúdo do Microsoft Student Ambassador, notavelmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, e Snigdha Agarwal
🤩 Agradecimento extra ao Microsoft Student Ambassador, Eric Wanjau, por nossas aulas de R!
Estudantes, para usar este curso, faça um fork do nosso repositório para sua conta do GitHub e complete os exercícios de forma individual ou em grupo:
- Comece com o questionário de pré-aula.
- Leia as aulas e conclua as atividades, pausando e refletindo a cada verificação de conhecimento.
- Tente criar os projetos compreendendo as lições ao invés de executar o código da solução; No entanto, esse código está disponível nas pastas
/solutionem cada lição que contenha um projeto. - Faça o teste de pós-aula.
- Complete o desafio.
- Conclua a tarefa.
- Após concluir uma lição em grupo, visite o Quadro de discussões e "aprenda em voz alta" preenchendo de forma apropriada a rubrica PAT. Um 'PAT' é uma ferramenta de avaliação de progresso que é uma rubrica que você preenche para promover seu aprendizado. Você também pode reagir a outros PATs para que possamos aprender juntos.
Para um estudo mais aprofundado, recomendamos seguir os módulos e percursos de aprendizagem da Microsoft Learn.
Professores, incluímos algumas sugestões em como usar este curso.
🎥 Clique na imagem acima para o vídeo sobre o projeto e as pessoas que o criaram!
Escolhemos dois princípios pedagógicos ao construir este curso: garantir que seja prático baseado em projeto e que inclua questionários frequentes. Além disso, este curso tem um tema comum para dar-lhe coesão.
Ao garantir que o conteúdo esteja alinhado com os projetos, o processo torna-se mais envolvente para os estudantes e a retenção dos conceitos é aumentada. Além disso, um teste de baixo risco antes da aula define a intenção do estudante de aprender um tópico, enquanto que o segundo questionário após a aula garante maior retenção. Este curso foi projetado para ser flexível e divertido e pode ser realizado por completo ou parcialmente. Os projetos começam pequenos e tornam-se cada vez mais complexos ao final do ciclo de 12 semanas. Este curso também inclui um pós-escrito sobre aplicações de ML no mundo real, que pode ser usado como crédito extra ou como base para discussão.
Encontre as diretrizes do nosso Código de Conduta, Contribuição e Tradução. Agradecemos seu feedback construtivo!
- esboço opcional
- vídeo complementar opcional
- teste de aquecimento da pré-aula
- aula escrita
- para aulas baseadas em projetos, guias com passo a passo sobre como construir o projeto
- verificações de conhecimento
- um desafio
- leitura suplementar
- tarefa
- questionário pós-aula
Uma nota sobre questionários: Todos os questionários estão contidos neste aplicativo, para um total de 50 testes de três perguntas cada. Eles estão vinculados nas lições, mas o aplicativo de teste pode ser executado localmente; siga as instruções na pasta
quiz-app.
| Número da aula | Tópico | Agrupamento de Aulas | Objetivos de aprendizagem | Aula vinculada | Autor |
|---|---|---|---|---|---|
| 01 | Introdução ao machine learning | Introdução | Aprenda os conceitos básicos atrás do machine learning | Aula | Muhammad |
| 02 | A História de machine learning | Introdução | Aprenda a história subjacente desta área | Aula | Jen e Amy |
| 03 | Equidade 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? | Aula | Tomomi |
| 04 | Técnicas para machine learning | Introdução | Quais técnicas os pesquisadores de ML usam para construir modelos de ML? | Aula | Chris e Jen |
| 05 | Introdução à regressão | Regressão | Comece a usar Python e Scikit-learn para modelos de regressão |
|
|
| 06 | Preços das abóboras norte americanas 🎃 | Regressão | Visualize e limpe os dados em preparação para o ML |
|
|
| 07 | Preços das abóboras norte americanas 🎃 | Regressão | Construa modelos de regressão linear e polinomial |
|
|
| 08 | Preços das abóboras norte americanas 🎃 | Regressão | Construa um modelo de regressão logística |
|
|
| 09 | Uma Web App 🔌 | Web App | Crie um aplicativo web para usar seu modelo treinado | Python | Jen |
| 10 | Introdução à classificação | Classificação | Limpe, prepare e visualize seus dados; introdução à classificação |
|
|
| 11 | Deliciosas cozinhas asiáticas e indianas 🍜 | Classificação | Introdução aos classificadores |
|
|
| 12 | Deliciosas cozinhas asiáticas e indianas 🍜 | Classificação | Mais classificadores |
|
|
| 13 | Deliciosas cozinhas asiáticas e indianas 🍜 | Classificação | Construa um aplicativo web de recomendação usando seu modelo | Python | Jen |
| 14 | Introdução ao clustering | Clustering | Limpe, prepare e visualize seus dados; Introdução ao clustering |
|
|
| 15 | Explorando Gostos Musicais Nigerianos 🎧 | Clustering | Explore o método de agrupamento K-Means |
|
|
| 16 | Introdução processamento de linguagem natural ☕️ | Processamento de linguagem natural | Aprenda o básico sobre PNL criando um bot simples | Python | Stephen |
| 17 | Tarefas NLP comuns ☕️ | Processamento de linguagem natural | Aprofunde seu conhecimento de PNL entendendo as tarefas comuns exigidas 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 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 série temporal com ARIMA | Séries temporais | Previsão de séries temporais com ARIMA | Python | Francesca |
| 23 | Introdução à aprendizagem por reforço | Aprendizagem por reforço | Introdução à aprendizagem por reforço com Q-Learning | Python | Dmitry |
| 24 | Ajuda o Pedro a evitar do lobo! 🐺 | Aprendizagem por reforço | Ginásio de aprendizagem por reforço | Python | Dmitry |
| Postscript | Cenários e aplicações de ML do mundo real | ML na natureza | Aplicações interessantes e reveladoras do mundo real do ML clássico | Aula | Equipe |
Você pode executar esta documentação offline usando Docsify. Faça um fork deste repositório, instale o Docsify em sua máquina local e, em seguida, na pasta raiz deste repositório, digite docsify serve. O site será servido na porta 3000 em seu localhost: localhost: 3000.
Encontre o pdf do curso com os links aqui
Você gostaria de contribuir com uma tradução? Leia nossas diretrizes de tradução e adicione informações aqui
Nossa equipe produziu outros cursos! Confira: