RomanNum3ral
/
AI-For-Beginners
mirror of https://github.com/microsoft/AI-For-Beginners.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity
AI-For-Beginners/translations/pt-PT/AGENTS.md

12 KiB
Raw Blame History

AGENTS.md

Visão Geral do Projeto

AI for Beginners é um currículo abrangente de 12 semanas e 24 aulas que cobre os fundamentos da Inteligência Artificial. Este repositório educacional inclui lições práticas usando Jupyter Notebooks, questionários e laboratórios práticos. O currículo aborda:

  • IA Simbólica com Representação de Conhecimento e Sistemas Especialistas
  • Redes Neurais e Aprendizagem Profunda com TensorFlow e PyTorch
  • Técnicas e arquiteturas de Visão Computacional
  • Processamento de Linguagem Natural (NLP), incluindo transformers e BERT
  • Tópicos especializados: Algoritmos Genéticos, Aprendizagem por Reforço, Sistemas Multiagentes
  • Ética em IA e princípios de IA Responsável

Principais Tecnologias: Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (para aplicação de questionários)

Arquitetura: Repositório de conteúdo educacional com Jupyter Notebooks organizados por áreas temáticas, complementado por uma aplicação de questionários baseada em Vue.js e suporte extensivo a múltiplos idiomas.

Comandos de Configuração

Ambiente de Desenvolvimento Principal (Python/Jupyter)

O currículo foi projetado para ser executado com Python e Jupyter Notebooks. A abordagem recomendada é usar miniconda:

# Clone the repository
git clone https://github.com/microsoft/ai-for-beginners
cd ai-for-beginners

# Create and activate conda environment
conda env create --name ai4beg --file environment.yml
conda activate ai4beg

# Start Jupyter Notebook
jupyter notebook
# OR
jupyter lab

Alternativa: Usar devcontainer

# Open in VS Code and select "Reopen in Container" when prompted
# The devcontainer will automatically set up the environment

Configuração da Aplicação de Questionários

A aplicação de questionários é uma aplicação Vue.js separada localizada em etc/quiz-app/:

cd etc/quiz-app
npm install
npm run serve  # Development server
npm run build  # Production build
npm run lint   # Lint and fix files

Fluxo de Trabalho de Desenvolvimento

Trabalhar com Jupyter Notebooks

  1. Desenvolvimento Local:

    • Ativar o ambiente conda: conda activate ai4beg
    • Iniciar o Jupyter: jupyter notebook ou jupyter lab
    • Navegar pelas pastas das lições e abrir os ficheiros .ipynb
    • Executar as células interativamente para acompanhar as lições

  2. VS Code com Extensão Python:

    • Abrir o repositório no VS Code
    • Instalar a extensão Python
    • O VS Code deteta automaticamente e utiliza o ambiente conda
    • Abrir ficheiros .ipynb diretamente no VS Code

  3. Desenvolvimento na Nuvem:

    • GitHub Codespaces: Clique em "Code" → "Codespaces" → "Create codespace on main"
    • Binder: Use o emblema Binder no README para iniciar no navegador
    • Nota: O Binder tem recursos limitados e algumas restrições de acesso à web

Suporte a GPU para Lições Avançadas

As lições posteriores beneficiam significativamente da aceleração por GPU:

  • Azure Data Science VM: Utilize VMs da série NC com suporte a GPU
  • Azure Machine Learning: Utilize funcionalidades de notebooks com computação GPU
  • Google Colab: Carregue os notebooks individualmente (tem suporte gratuito a GPU)

Desenvolvimento da Aplicação de Questionários

cd etc/quiz-app
npm run serve  # Hot-reload development server at http://localhost:8080

Instruções de Teste

Este é um repositório educacional focado em conteúdo de aprendizagem, em vez de testes de software. Não há um conjunto de testes tradicional.

Abordagens de Validação:

  1. Jupyter Notebooks: Execute as células sequencialmente para verificar se os exemplos de código funcionam
  2. Teste da Aplicação de Questionários: Teste manual através do servidor de desenvolvimento
  3. Validação de Traduções: Verifique o conteúdo traduzido na pasta translations/
  4. Linting da Aplicação de Questionários: npm run lint em etc/quiz-app/

Executar Exemplos de Código:

# Activate environment first
conda activate ai4beg

# Run Python scripts directly
python lessons/4-ComputerVision/07-ConvNets/pytorchcv.py

# Or execute notebooks
jupyter notebook lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb

Estilo de Código

Estilo de Código Python

  • Convenções padrão de Python para código educacional
  • Código claro e legível, priorizando o aprendizado em vez da otimização
  • Comentários explicando conceitos-chave
  • Compatível com Jupyter Notebook: as células devem ser autossuficientes sempre que possível
  • Não há requisitos rigorosos de linting para o conteúdo das lições

JavaScript/Vue.js (Aplicação de Questionários)

  • Configuração ESLint em etc/quiz-app/package.json
  • Execute npm run lint para verificar e corrigir automaticamente problemas
  • Convenções do Vue 2.x
  • Arquitetura baseada em componentes

Organização de Ficheiros

lessons/
  ├── 0-course-setup/          # Setup instructions
  ├── 1-Intro/                 # Introduction to AI
  ├── 2-Symbolic/              # Symbolic AI
  ├── 3-NeuralNetworks/        # Neural Networks basics
  ├── 4-ComputerVision/        # Computer Vision
  ├── 5-NLP/                   # Natural Language Processing
  ├── 6-Other/                 # Other AI techniques
  ├── 7-Ethics/                # AI Ethics
  └── X-Extras/                # Additional content

etc/
  ├── quiz-app/                # Vue.js quiz application
  └── quiz-src/                # Quiz source files

translations/                  # Multi-language translations

Construção e Implementação

Conteúdo Jupyter

Não é necessário processo de construção - os Jupyter Notebooks são executados diretamente.

Aplicação de Questionários

cd etc/quiz-app

# Development
npm run serve

# Production build
npm run build  # Outputs to etc/quiz-app/dist/

# Deploy to Azure Static Web Apps
# Azure automatically creates GitHub Actions workflow
# See etc/quiz-app/README.md for detailed deployment instructions

Site de Documentação

O repositório utiliza Docsify para documentação:

Diretrizes de Contribuição

Processo de Pull Request

  1. Formato do Título: Títulos claros e descritivos que descrevam a alteração
  2. Requisito CLA: O CLA da Microsoft deve ser assinado (verificação automatizada)
  3. Diretrizes de Conteúdo:
    • Mantenha o foco educacional e abordagem amigável para iniciantes
    • Teste todos os exemplos de código nos notebooks
    • Certifique-se de que os notebooks são executados de ponta a ponta
    • Atualize traduções se modificar o conteúdo em inglês
  4. Alterações na Aplicação de Questionários: Execute npm run lint antes de fazer commit

Contribuições de Tradução

  • As traduções são automatizadas via GitHub Actions usando co-op-translator
  • Traduções manuais vão para translations/<language-code>/
  • Traduções de questionários em etc/quiz-app/src/assets/translations/
  • Idiomas suportados: mais de 40 idiomas (consulte o README para a lista completa)

Áreas Ativas de Contribuição

Consulte etc/CONTRIBUTING.md para necessidades atuais:

  • Secções de Aprendizagem por Reforço Profundo
  • Melhorias na Detecção de Objetos
  • Exemplos de Reconhecimento de Entidades Nomeadas
  • Amostras de treino de embeddings personalizados

Configuração do Ambiente

Dependências Necessárias

# Core Python packages (from requirements.txt)
tensorflow==2.17.0
torch (via conda)
torchvision (via conda)
keras==3.5.0
opencv (via conda)
scikit-learn
numpy==1.26
pandas==2.2.2
matplotlib==3.9
jupyter

Variáveis de Ambiente

Não são necessárias variáveis de ambiente especiais para uso básico.

Para implementações no Azure (aplicação de questionários):

  • AZURE_STATIC_WEB_APPS_API_TOKEN (configurado automaticamente pelo Azure)

Depuração e Resolução de Problemas

Problemas Comuns

Problema: Falha na criação do ambiente conda

  • Solução: Atualize o conda primeiro: conda update conda -y
  • Certifique-se de que há espaço suficiente em disco (recomendado 50GB)

Problema: Kernel do Jupyter não encontrado

  • Solução: 
    conda activate ai4beg
python -m ipykernel install --user --name ai4beg

Problema: GPU não detetada nos notebooks

  • Solução:
    • Verifique a instalação do CUDA: nvidia-smi
    • Verifique GPU no PyTorch: python -c "import torch; print(torch.cuda.is_available())"
    • Verifique GPU no TensorFlow: python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Problema: Aplicação de questionários não inicia

  • Solução: 
    cd etc/quiz-app
rm -rf node_modules package-lock.json
npm install
npm run serve

Problema: Binder expira ou bloqueia downloads

  • Solução: Use GitHub Codespaces ou configuração local para melhor acesso a recursos

Problemas de Memória

Algumas lições requerem RAM significativa (recomendado 8GB+):

  • Utilize VMs na nuvem para lições que exigem muitos recursos
  • Feche outras aplicações ao treinar modelos
  • Reduza os tamanhos de batch nos notebooks se ficar sem memória

Notas Adicionais

Para Instrutores do Curso

  • Consulte lessons/0-course-setup/for-teachers.md para orientações de ensino
  • As lições são autossuficientes e podem ser ensinadas em sequência ou selecionadas individualmente
  • Tempo estimado: 12 semanas com 2 lições por semana

Recursos na Nuvem

  • Azure for Students: Créditos gratuitos disponíveis para estudantes
  • Microsoft Learn: Caminhos de aprendizagem suplementares ligados ao longo do curso
  • Binder: Gratuito, mas com recursos limitados e algumas restrições de rede

Opções de Execução de Código

  1. Local (Recomendado): Controle total, melhor desempenho, suporte a GPU
  2. GitHub Codespaces: VS Code baseado na nuvem, bom para acesso rápido
  3. Binder: Jupyter baseado no navegador, gratuito mas limitado
  4. Azure ML Notebooks: Opção empresarial com suporte a GPU
  5. Google Colab: Carregue os notebooks individualmente, disponível nível gratuito de GPU

Trabalhar com Notebooks

  • Os notebooks foram projetados para serem executados célula por célula para aprendizagem
  • Muitos notebooks fazem download de datasets na primeira execução (pode demorar)
  • Alguns modelos requerem GPU para tempos de treino razoáveis
  • Modelos pré-treinados são usados sempre que possível para reduzir requisitos de computação

Considerações de Desempenho

  • Lições posteriores de visão computacional (CNNs, GANs) beneficiam de GPU
  • Lições de transformers em NLP podem exigir RAM significativa
  • Treinar do zero é educativo, mas demorado
  • Exemplos de aprendizagem por transferência minimizam o tempo de treino

Aviso:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se uma tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.