Detalhes do Projeto ML-For-Beginners

Visão Geral do Projeto

ML-For-Beginners é um projeto abrangente de tutorial para iniciantes em aprendizado de máquina desenvolvido pela equipe de Defensores da Nuvem da Microsoft. É um currículo clássico de aprendizado de máquina de 12 semanas, contendo 26 lições e 52 questionários, focado no uso de dados culturais de todo o mundo para explorar o aprendizado de máquina.

Principais Características

• 🌍 Perspectiva Global: Aprenda aprendizado de máquina através de dados culturais de todo o mundo
• 📚 Currículo Sistemático: Sistema de curso completo de 12 semanas, 26 lições detalhadas
• 🧪 Orientado à Prática: Metodologia de ensino baseada em projetos, aprenda fazendo
• 🔍 Sistema de Avaliação: Contém 52 questionários, avaliação dupla antes e depois da aula
• 🎯 Aprendizado de Máquina Clássico: Usa principalmente a biblioteca Scikit-learn, evitando conteúdo de aprendizado profundo

Filosofia de Ensino

Dois Princípios Centrais de Ensino

1. Prática: Garantir que todo o conteúdo seja baseado no aprendizado prático baseado em projetos
2. Avaliação Frequente: Garantir o efeito de aprendizado através de questionários antes e depois da aula

Estrutura do Curso

Cada curso contém os seguintes componentes:

• Notas de desenho à mão opcionais (sketchnote)
• Vídeos suplementares opcionais
• Demonstração em vídeo (alguns cursos)
• Questionário de aquecimento pré-aula
• Conteúdo escrito do curso
• Guia passo a passo baseado em projetos
• Ponto de verificação de conhecimento
• Exercícios de desafio
• Materiais de leitura suplementares
• Tarefa
• Questionário pós-aula

Plano de Curso Completo

Lições 1-4: Introdução aos Fundamentos do Aprendizado de Máquina

• Lição 1: Introdução ao Aprendizado de Máquina
• Lição 2: História do Aprendizado de Máquina
• Lição 3: Equidade no Aprendizado de Máquina
• Lição 4: Técnicas de Aprendizado de Máquina

Lições 5-8: Análise de Regressão

• Lição 5: Introdução à Regressão Linear
• Lição 6: Previsão de Preços de Abóbora na América do Norte (Regressão Linear)
• Lição 7: Previsão de Preços de Abóbora (Regressão Polinomial)
• Lição 8: Introdução à Regressão Logística

Lição 9: Desenvolvimento de Aplicações Web

• Lição 9: Construindo Aplicações Web

Lições 10-13: Algoritmos de Classificação

• Lição 10: Introdução aos Algoritmos de Classificação
• Lição 11: Classificação de Culinária Asiática e Indiana
• Lição 12: Mais Algoritmos de Classificação
• Lição 13: Sistemas de Recomendação

Lições 14-15: Algoritmos de Agrupamento

• Lição 14: Introdução aos Algoritmos de Agrupamento
• Lição 15: Explorando o Gosto Musical Nigeriano

Lições 16-20: Processamento de Linguagem Natural

• Lição 16: Introdução ao Processamento de Linguagem Natural
• Lição 17: Tarefas Comuns de PNL
• Lição 18: Tradução e Análise de Sentimento
• Lição 19: Análise de Avaliações de Hotéis Românticos (1)
• Lição 20: Análise de Avaliações de Hotéis Românticos (2)

Lições 21-23: Análise de Séries Temporais

• Lição 21: Introdução à Previsão de Séries Temporais
• Lição 22: Previsão de Séries Temporais ARIMA
• Lição 23: Previsão de Séries Temporais de Regressão de Vetores de Suporte

Lições 24-25: Aprendizado por Reforço

• Lição 24: Aprendizado por Reforço e Q-Learning
• Lição 25: Aprendizado por Reforço com Gym

Lição 26: Aplicações no Mundo Real

• Lição 26: Aplicações de Aprendizado de Máquina no Mundo Real

Pilha de Tecnologia e Ferramentas

Principais Linguagens de Programação

• Python: Principalmente usando Python para ensino
• R: Algumas lições fornecem versão em linguagem R

Principais Bibliotecas e Frameworks

• Scikit-learn: Principal biblioteca de aprendizado de máquina
• Ecossistema de Ciência de Dados Python: pandas, numpy, matplotlib, etc.

Ferramentas de Suporte

• Jupyter Notebook: Ambiente de programação interativo
• R Markdown: Usado para cursos de linguagem R
• Quiz App: Aplicativo de teste dedicado

Recursos de Aprendizagem

Suporte Multimídia

• Notas de desenho à mão ajudam a entender os conceitos
• Tutoriais em vídeo fornecem explicações adicionais
• Demonstrações de projetos práticos

Sistema de Avaliação

• 52 questionários (cada um contendo 3 perguntas)
• Teste de pré-visualização antes da aula
• Teste de consolidação pós-aula
• Avaliação de projetos práticos

Suporte da Comunidade

• Fórum de discussão do GitHub
• Ferramenta de avaliação do progresso de aprendizagem (PAT)
• Aprendizagem e feedback de pares

Sugestões de Aprendizagem

Público Alvo

• Iniciantes em aprendizado de máquina
• Alunos com experiência básica em programação
• Pessoas que desejam aprender aprendizado de máquina clássico sistematicamente

Método de Aprendizagem

1. Faça um fork do projeto para sua conta pessoal do GitHub
2. Conclua cada lição em ordem
3. Conclua todos os projetos práticos
4. Participe de discussões da comunidade e aprendizado de pares

Cursos Complementares

• AI for Beginners: Conteúdo de aprendizado profundo
• Data Science for Beginners: Fundamentos da ciência de dados

Equipe do Projeto

Principais Autores

• Jen Looper, Stephen Howell, Francesca Lazzeri
• Tomomi Imura, Cassie Breviu, Dmitry Soshnikov
• Chris Noring, Anirban Mukherjee, Ornella Altunyan
• Ruth Yakubu, Amy Boyd

Design de Ilustração

• Tomomi Imura, Dasani Madipalli, Jen Looper

Contribuidores Embaixadores Estudantis

• Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj
• Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum
• Ioan Samuila, Snigdha Agarwal

Como Usar

Obter o Projeto

git clone https://github.com/microsoft/ML-For-Beginners.git

Executar Documentação Localmente

npm i docsify-cli -g
docsify serve

Acesso Online

• Acesse diretamente o repositório do GitHub
• Veja a coleção do Microsoft Learn
• Assista aos tutoriais em vídeo do YouTube

Licença e Contribuição

Este projeto segue uma licença de código aberto e as contribuições da comunidade são bem-vindas. O projeto fornece um guia de contribuição detalhado e um código de conduta, suportando tradução multilíngue e melhorias de conteúdo.