ML For Beginners
1.0.0
? Viajar pelo mundo enquanto exploramos o aprendizado de máquina por meio de culturas mundiais?
Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas e 26 aulas sobre aprendizado de máquina . Neste currículo, você aprenderá sobre o que às vezes é chamado de aprendizado de máquina clássico , usando principalmente o Scikit-learn como biblioteca e evitando o aprendizado profundo, que é abordado em nosso currículo de IA para iniciantes. Combine essas lições também com nosso currículo 'Ciência de Dados para Iniciantes'!
Viaje conosco ao redor do mundo enquanto aplicamos essas técnicas clássicas a dados de muitas áreas do mundo. Cada lição inclui testes pré e pós-aula, instruções escritas para concluir 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 novas habilidades.
✍️ Agradecimentos sinceros 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
? Obrigado também aos nossos ilustradores Tomomi Imura, Dasani Madipalli e Jen Looper
Agradecimentos especiais aos nossos autores, revisores e colaboradores de conteúdo Microsoft Student Ambassador , principalmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
? Gratidão extra aos estudantes embaixadores da Microsoft Eric Wanjau, Jasleen Sondhi e Vidushi Gupta por nossas aulas de R!
Siga estas etapas:
git clone https://github.com/microsoft/ML-For-Beginners.gitencontre todos os recursos adicionais para este curso em nossa coleção Microsoft Learn
Os alunos , para usar este currículo, transferem todo o repositório para sua própria conta GitHub e concluem os exercícios sozinhos ou em grupo:
/solution em cada lição orientada a projetos.Para um estudo mais aprofundado, recomendamos seguir estes módulos e caminhos de aprendizagem do Microsoft Learn.
Professores , incluímos algumas sugestões sobre como usar este currículo.
Algumas das lições estão disponíveis em formato de vídeo curto. Você pode encontrar tudo isso in-line nas lições ou na lista de reprodução ML para iniciantes no canal Microsoft Developer no YouTube clicando na imagem abaixo.
Gif de Mohit Jaisal
? Clique na imagem acima para ver um vídeo sobre o projeto e as pessoas que o criaram!
Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que ele seja prático, baseado em projetos e que inclua questionários frequentes . Além disso, este currículo tem um tema comum para lhe dar coesão.
Ao garantir que o conteúdo esteja alinhado aos projetos, o processo se torna mais envolvente para os alunos e a retenção de conceitos aumenta. Além disso, um teste de baixo risco antes da aula define a intenção do aluno em aprender um tópico, enquanto um segundo teste após a aula garante maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser cursado total ou parcialmente. Os projetos começam pequenos e tornam-se cada vez mais complexos ao final do ciclo de 12 semanas. Este currículo 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 nosso Código de Conduta, Diretrizes de Contribuição e Tradução. Agradecemos seu feedback construtivo!
Uma observação sobre linguagens : essas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para concluir uma lição de R, vá para a pasta
/solutione procure por lições de R. Eles incluem uma extensão .rmd que representa um arquivo R Markdown que pode ser simplesmente definido como uma incorporação decode chunks(de R ou outras linguagens) e umYAML header(que orienta como formatar saídas como PDF) em umMarkdown document. Como tal, serve como uma estrutura de autoria exemplar para ciência de dados, uma vez que permite combinar seu código, sua saída e seus pensamentos, permitindo que você os escreva no Markdown. Além disso, os documentos R Markdown podem ser renderizados em formatos de saída como PDF, HTML ou Word.
Uma observação sobre questionários : Todos os questionários estão contidos na pasta Quiz App, com um total de 52 questionários de três perguntas cada. Eles estão vinculados nas aulas, mas o aplicativo de teste pode ser executado localmente; siga as instruções na pasta
quiz-apppara hospedar localmente ou implantar no Azure.
| Número da lição | Tópico | Agrupamento de aulas | Objetivos de aprendizagem | Lição vinculada | Autor |
|---|---|---|---|---|---|
| 01 | Introdução ao aprendizado de máquina | Introdução | Aprenda os conceitos básicos por trás do aprendizado de máquina | Lição | Maomé |
| 02 | A história do aprendizado de máquina | Introdução | Aprenda a história subjacente a este 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 a usar Python e Scikit-learn para modelos de regressão |
|
|
| 06 | Preços da abóbora na América do Norte? | Regressão | Visualize e limpe dados em preparação para ML |
|
|
| 07 | Preços da abóbora na América do Norte? | Regressão | Construir modelos de regressão linear e polinomial |
|
|
| 08 | Preços da abóbora na América do Norte? | Regressão | Construa um modelo de regressão logística |
|
|
| 09 | Um aplicativo da Web? | Aplicativo Web | Crie um aplicativo da web para usar seu modelo treinado | Pitão | 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 | Crie um aplicativo da web de recomendação usando seu modelo | Pitão | Jen |
| 14 | Introdução ao clustering | Agrupamento | Limpe, prepare e visualize seus dados; Introdução ao clustering |
|
|
| 15 | Explorando os gostos musicais nigerianos | Agrupamento | Explore o método de agrupamento K-Means |
|
|
| 16 | Introdução ao processamento de linguagem natural ☕️ | Processamento de linguagem natural | Aprenda o básico sobre PNL construindo um bot simples | Pitão | Estêvão |
| 17 | Tarefas comuns de PNL ☕️ | Processamento de linguagem natural | Aprofunde seu conhecimento em PNL compreendendo tarefas comuns necessárias ao lidar com estruturas linguísticas | Pitão | Estêvão |
| 18 | Tradução e análise de sentimento | Processamento de linguagem natural | Tradução e análise de sentimentos com Jane Austen | Pitão | Estêvão |
| 19 | Hotéis românticos da Europa | Processamento de linguagem natural | Análise de sentimento com avaliações de hotéis 1 | Pitão | Estêvão |
| 20 | Hotéis românticos da Europa | Processamento de linguagem natural | Análise de sentimento com avaliações de hotéis 2 | Pitão | Estêvão |
| 21 | Introdução à previsão de séries temporais | Série temporal | Introdução à previsão de séries temporais | Pitão | Francesca |
| 22 | ⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com ARIMA | Série temporal | Previsão de série temporal com ARIMA | Pitão | Francesca |
| 23 | ⚡️ Uso mundial de energia ⚡️ - previsão de série temporal com SVR | Série temporal | Previsão de série temporal com Support Vector Regressor | Pitão | Anirban |
| 24 | Introdução à aprendizagem por reforço | Aprendizagem por reforço | Introdução à aprendizagem por reforço com Q-Learning | Pitão | Dmitri |
| 25 | Ajude Peter a evitar o lobo! ? | Aprendizagem por reforço | Ginásio de aprendizagem por reforço | Pitão | Dmitri |
| Pós-escrito | Cenários e aplicações de ML do mundo real | ML na natureza | Aplicações interessantes e reveladoras do mundo real do ML clássico | Lição | Equipe |
| Pós-escrito | Depuração de modelo em ML usando painel RAI | ML na natureza | Depuração de modelo em aprendizado de máquina usando componentes de painel de IA responsável | Lição | Ruth Yakubu |
encontre todos os recursos adicionais para este curso em nossa coleção Microsoft Learn
Você pode executar esta documentação offline usando Docsify. Bifurque este 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 um pdf do currículo com links aqui.
Gostaria de contribuir com uma tradução? Leia nossas diretrizes de tradução e adicione um modelo de problema para gerenciar a carga de trabalho aqui.
Nossa equipe produz outros currículos! Confira:
