Merge pull request #491 from microsoft/update-translations

🌐 Update translations via Co-op Translator

Author: leestott

translations/br/README.md

@@ -0,0 +1,183 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "# Classificação de Dígitos MNIST com nosso próprio Framework\n",
+    "\n",
+    "Tarefa prática do [Currículo de IA para Iniciantes](https://github.com/microsoft/ai-for-beginners).\n",
+    "\n",
+    "### Lendo o Conjunto de Dados\n",
+    "\n",
+    "Este código baixa o conjunto de dados do repositório na internet. Você também pode copiar manualmente o conjunto de dados do diretório `/data` do repositório do Currículo de IA.\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 4,
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [
+    {
+     "name": "stderr",
+     "output_type": "stream",
+     "text": [
+      "  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current\n",
+      "                                 Dload  Upload   Total   Spent    Left  Speed\n",
+      "\n",
+      "  0     0    0     0    0     0      0      0 --:--:-- --:--:-- --:--:--     0\n",
+      "100  9.9M  100  9.9M    0     0   9.9M      0  0:00:01 --:--:--  0:00:01 15.8M\n"
+     ]
+    }
+   ],
+   "source": [
+    "!rm *.pkl\n",
+    "!wget https://raw.githubusercontent.com/microsoft/AI-For-Beginners/main/data/mnist.pkl.gz\n",
+    "!gzip -d mnist.pkl.gz"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 3,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import pickle\n",
+    "with open('mnist.pkl','rb') as f:\n",
+    "    MNIST = pickle.load(f)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 4,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "labels = MNIST['Train']['Labels']\n",
+    "data = MNIST['Train']['Features']"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Vamos ver qual é o formato dos dados que temos:\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 5,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "(42000, 784)"
+      ]
+     },
+     "execution_count": 5,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "data.shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Dividindo os Dados\n",
+    "\n",
+    "Usaremos o Scikit Learn para dividir os dados entre conjunto de treinamento e conjunto de teste:\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 6,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "Train samples: 33600, test samples: 8400\n"
+     ]
+    }
+   ],
+   "source": [
+    "from sklearn.model_selection import train_test_split\n",
+    "\n",
+    "features_train, features_test, labels_train, labels_test = train_test_split(data,labels,test_size=0.2)\n",
+    "\n",
+    "print(f\"Train samples: {len(features_train)}, test samples: {len(features_test)}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Instruções\n",
+    "\n",
+    "1. Pegue o código base do framework da lição e cole neste notebook ou (ainda melhor) em um módulo Python separado.\n",
+    "1. Defina e treine um perceptron de uma camada, observando a precisão de treinamento e validação durante o processo.\n",
+    "1. Tente entender se houve overfitting e ajuste os parâmetros da camada para melhorar a precisão.\n",
+    "1. Repita os passos anteriores para perceptrons de 2 e 3 camadas. Experimente diferentes funções de ativação entre as camadas.\n",
+    "1. Tente responder às seguintes perguntas:\n",
+    "    - A função de ativação entre as camadas afeta o desempenho da rede?\n",
+    "    - Precisamos de uma rede de 2 ou 3 camadas para esta tarefa?\n",
+    "    - Você enfrentou algum problema ao treinar a rede? Especialmente à medida que o número de camadas aumentou.\n",
+    "    - Como os pesos da rede se comportam durante o treinamento? Você pode plotar o valor absoluto máximo dos pesos em relação às épocas para entender a relação.\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "\n---\n\n**Aviso Legal**:  \nEste documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.\n"
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3.7.4 64-bit (conda)",
+   "metadata": {
+    "interpreter": {
+     "hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5"
+    }
+   },
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.9.5"
+  },
+  "orig_nbformat": 2,
+  "coopTranslator": {
+   "original_hash": "6fa055f484eb5d6bdf41166a356d3abf",
+   "translation_date": "2025-08-28T13:41:16+00:00",
+   "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/MyFW_MNIST.ipynb",
+   "language_code": "br"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 2
+}