NovoJornada
Curso de machine learning prático em Python
Um curso de machine learning grátis e mão na massa. Escreva código real de scikit-learn, treine modelos com dados reais e veja seus gráficos surgirem na aba Gráficos, um passo de cada vez.
1,000+ codders inscritos
233 lições231 desafios965 perguntas de quiz
- Ideal para iniciantes
Ajuda de codificação com IA
Lições interativas e práticas
Narração em áudio em todas as lições
Questionários para testar seu conhecimento
Certificado grátis de conclusão
Treine um modelo no seu navegador
Código real do scikit-learn com o resultado real. Arraste o controle deslizante para mudar uma linha e veja o que o modelo aprende.
Com k pequeno, o modelo memoriza cada ponto de treino e desenha uma fronteira irregular. Com k maior, ela fica suave.
main.py
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Carregando os gráficos
Saída
Programa
Seção 1
Dados e gráficosPágina própria
Começar seçãoIniciarExpandirRecolherO conjunto de ferramentas com que todo projeto de machine learning começa: arrays do NumPy, gráficos do matplotlib e tabelas do pandas. Carregue conjuntos de dados reais, faça resumos e visualize o que encontrar.Introdução
4 lições320Arrays do NumPy
5 lições520Matemática com Arrays
6 lições625Moldando dados
4 lições415Gráficos de Linhas e Dispersão
6 lições625Gráficos para Dados
5 lições520DataFrames do pandas
6 lições625Filtragem e Ordenação
5 lições520Agrupamento e Limpeza
5 lições520Plotando DataFrames
5 lições520Conjuntos de dados para ML
5 lições520Desafios Finais
4 lições420Seção 2
Estatística para MLPágina própria
Começar seçãoIniciarExpandirRecolherA estatística por trás de todo modelo: medidas de tendência central e dispersão, distribuições, probabilidade por simulação, amostras, valores atípicos, correlação, linhas de tendência e testes entre grupos; depois, escalonamento e codificação de atributos. Cada conceito é calculado com dados reais e representado em gráficos.Centro e dispersão
6 lições625Distribuições
6 lições625Probabilidade por Simulação
6 lições625Amostras e Populações
5 lições520Valores atípicos
5 lições520Relações
6 lições525Linhas de tendência
6 lições625Comparando grupos
6 lições625Escalonamento de Recursos
5 lições520Codificação de Categorias
4 lições415Explorando um conjunto de dados
5 lições520Desafios Finais
4 lições420Seção 3
Aprendizado supervisionadoPágina própria
Começar seçãoIniciarExpandirRecolherTreine modelos reais com scikit-learn: divida os dados, ajuste, faça previsões e avalie o desempenho. k-NN, regressão linear e logística, árvores, florestas e boosting; avaliação rigorosa com validação cruzada e pipelines, culminando em um projeto completo com pinguins.Seu primeiro modelo
5 lições520Vizinhos Mais Próximos
5 lições520Regressão Linear
5 lições520Regressão logística
5 lições520Avaliando Classificadores
6 lições625Árvores de Decisão
5 lições520Sobreajuste
5 lições520Validação Cruzada
4 lições415Métodos ensemble
4 lições415Pipelines
5 lições520Projeto: Espécies de Pinguins
5 lições525Desafios Finais
4 lições420Seção 4
Aprendizado não supervisionadoPágina própria
Começar seçãoIniciarExpandirRecolherEncontre estruturas nos dados sem rótulos: k-means, agrupamento hierárquico e por densidade, PCA para visualizar e comprimir muitos atributos e detecção de anomalias, culminando em um projeto de exploração de dígitos.Encontrando Grupos
5 lições520Escolhendo k
5 lições520Interpretando agrupamentos
5 lições520Clustering Hierárquico
4 lições415Agrupamento por Densidade
4 lições415Menos Dimensões
5 lições520PCA na prática
5 lições520Detecção de Anomalias
5 lições520Agrupamentos em ação
4 lições415Projeto: Explorando os Dígitos
5 lições525Desafios finais
4 lições420
O que você recebe
Tudo o que você vai usar para aprender a programar
Aprenda Fazendo
Escreva código real, consulte bancos de dados, crie sites e domine prompts de IA. Nossas lições interativas cobrem todas as habilidades que desenvolvedores modernos precisam.
playground.js
Editor de Código
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
Teste #1
Teste #2
Teste #3
Entrada
"Alex"
Saída
"Hello, Coddy! Alex"
Construa Sua Sequência
Mantenha a consistência e veja seu progresso crescer! Acompanhe seu hábito diário de programação, proteja sua sequência com dias de congelamento e ganhe recompensas por aparecer todos os dias.
12 dias de sequência
Volte amanhã para manter sua sequência!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Tudo ou Nada
Dia 5 de 7
Congelar Sequência
2 left
Você Não Está Sozinho
Compita em placares globais, convide amigos para ganhar recompensas e celebre as conquistas uns dos outros. Programar é melhor com amigos!
Liga ChallengerTop 7 avançam
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
Zona de promoçãoAprenda de todas as formas
Leia, ouça, teste-se, pergunte à IA ou consulte qualquer coisa que já tenha estudado. Cada lição se adapta a você.
Introdução a variáveis
Áudio
Uma variável é um contêiner nomeado que armazena um valor que você pode referenciar depois.
Em Python, você cria uma escrevendo o nome, um sinal de igual e o valor que quer armazenar.
O valor pode mudar com o tempo - reatribuir o nome simplesmente o aponta para um novo valor.
1xSarah
Seja Certificado
Ganhe certificados para cada curso que você completar. Adicione-os ao seu perfil do LinkedIn e currículo para mostrar sua experiência em programação aos empregadores.
Certificado de ConclusãoEste certifica queJoão Silvacompletou com sucesso
Fundamentos de Python
Fundamentos de Python
Datajan 2026
Adicionar ao LinkedInPor que aprender machine learning com a Coddy
- Você vê antes de ler. Toda aula começa com um gráfico ou um diagrama: um gráfico de dispersão de flores iris, uma fronteira de decisão, um dendrograma. Depois você escreve o código e o seu próprio gráfico aparece ao lado, na aba Gráficos.
- Python de verdade, bibliotecas de verdade.
numpy,pandas,matplotlib,scipyescikit-learnrodam na Coddy, nas mesmas versões que os cientistas de dados usam, entãomodel.fit(X_train, y_train)aqui émodel.fit(X_train, y_train)no trabalho. Nada para instalar, nenhum notebook para configurar. - Quatro seções na ordem em que o trabalho acontece: dados e gráficos, estatística para ML, aprendizado supervisionado e, por fim, aprendizado não supervisionado. 233 aulas curtas, cada uma com uma ideia nova e uma tarefa que a coloca em prática.
- Dados reais com história: flores iris, química de vinhos, dígitos escritos à mão, pinguins Palmer. Você conclui dois projetos, um classificador de espécies de pinguins e um explorador de dígitos, e todo gráfico tem título e rótulos, pronto para um relatório.
Perguntas frequentes sobre o curso de machine learning
O que é machine learning?
Machine learning (aprendizado de máquina) é ensinar um computador com exemplos em vez de regras. Você mostra a um modelo muitas linhas de dados, por exemplo flores com o tamanho das pétalas e a espécie, e ele aprende um padrão que pode usar em linhas que nunca viu. Se as linhas vêm com a resposta, é aprendizado supervisionado; se não vêm e o modelo encontra grupos sozinho, é aprendizado não supervisionado. Este curso ensina os dois.
Preciso ser bom em matemática para aprender machine learning?
Não. Você precisa da matemática da escola e de paciência para ler um gráfico. O curso ensina a estatística que o machine learning usa (médias, dispersão, distribuições, correlação, p-valores) com simulações e imagens, e o scikit-learn faz a matemática pesada por você. Cálculo e álgebra linear ajudam se mais tarde você quiser criar algoritmos novos, mas você não precisa deles para treinar, testar e entender modelos.
Preciso saber Python antes?
O básico, sim: variáveis,
if, loops, funções e listas. É a seção Fundamentos do curso de Python, algumas semanas a uma hora por dia. Todo o resto, import, NumPy, pandas, matplotlib e scikit-learn, é ensinado aqui desde a primeira linha.Quais bibliotecas de Python vou aprender?
O kit padrão do machine learning: NumPy para arrays, pandas para tabelas, matplotlib para gráficos, SciPy para estatística e scikit-learn para os modelos (k vizinhos mais próximos, regressão linear e logística, árvores de decisão, random forests, gradient boosting, k-means, DBSCAN, PCA e mais). Elas rodam na Coddy em versões atuais, então o que você escreve aqui roda igual no seu computador.
Preciso de uma GPU ou de um computador potente?
Não. Seu código roda nos servidores da Coddy e os gráficos voltam para o seu navegador, então um notebook, um Chromebook ou um tablet bastam. Além disso, o machine learning clássico com scikit-learn roda bem em um processador comum; a GPU importa para treinar grandes redes neurais, que este curso não cobre.
O que posso construir depois deste curso?
Modelos que respondem perguntas reais a partir de uma tabela: este e-mail é spam, quais clientes devem cancelar, de que espécie é este pinguim, quantas bicicletas serão alugadas amanhã, que grupos de compradores existem, quais leituras de um servidor parecem erradas. Você também aprende a avaliá-los com honestidade usando conjuntos de teste, validação cruzada, matrizes de confusão e curvas ROC, que é o que torna um modelo confiável.
Quanto tempo leva para aprender machine learning?
Este curso tem 233 aulas em 4 seções, cerca de 40 horas no seu ritmo, ou dois a três meses a meia hora por dia. A trilha de ciência de dados o coloca depois de Python e SQL. Depois dele, o jeito mais rápido de evoluir é pegar um conjunto de dados público que te interesse e repetir nele o fluxo de trabalho dos projetos do curso.
Este curso de machine learning é grátis?
Sim. As aulas, os gráficos, as dicas de IA e os certificados são grátis. Uma conta gratuita avança algumas aulas por dia, e o Pro remove o limite diário.
