[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[](https://aka.ms/foundry/forum)
مدافعان فضای ابری آزور در مایکروسافت خوشحالند که یک برنامه درسی ۱۰ هفتهای با ۲۰ درس درباره علوم داده ارائه دهند. هر درس شامل آزمونهای قبل و بعد از درس، دستورالعملهای نوشتاری برای تکمیل درس، راهحل و تمرین است. روش آموزشی مبتنی بر پروژه ما به شما اجازه میدهد در حین ساختن یاد بگیرید، روشی اثباتشده برای ماندگاری مهارتهای جدید.
مدافعان ابر Azure در مایکروسافت خوشحالند یک برنامه ۱۰ هفتهای شامل ۲۰ درس در زمینه علم داده ارائه دهند. هر درس شامل آزمونهای قبل و بعد از درس، دستورالعملهای مکتوب برای تکمیل درس، پاسخ و یک تمرین است. روش یادگیری ما بر پایه پروژه به شما اجازه میدهد در هنگام ساخت، یاد بگیرید که این راه اثبات شدهای برای تثبیت مهارتهای جدید است.
> این مخزن شامل بیش از ۵۰ ترجمه زبان است که اندازه دانلود را به طور قابل توجهی افزایش میدهد. برای کلون کردن بدون ترجمهها، از sparse checkout استفاده کنید:
> این مخزن شامل بیش از ۵۰ ترجمه زبانی است که به طور قابل توجهی حجم دانلود را افزایش میدهد. برای کلون کردن بدون ترجمهها، از sparse checkout استفاده کنید:
>
> **Bash / macOS / Linux:**
> ```bash
@ -46,158 +46,156 @@
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
ما سری یادگیری با هوش مصنوعی را در دیسکورد داریم، بیشتر بدانید و از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ به ما در [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) بپیوندید. شما نکات و ترفندهای استفاده از GitHub Copilot برای علوم داده را خواهید آموخت.
ما یک سری یادگیری با هوش مصنوعی در دیسکورد برگزار میکنیم، برای اطلاعات بیشتر و پیوستن به ما به [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ مراجعه کنید. شما نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را دریافت خواهید کرد.
# آیا دانشجو هستید؟
# آیا شما دانشجو هستید؟
با منابع زیر شروع کنید:
- [صفحه مرکز دانشجویی](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) در این صفحه منابع مبتدی، بستههای دانشجویی و حتی راههایی برای دریافت کوپن رایگان گواهینامه را خواهید یافت. این صفحهای است که میخواهید نشانهگذاری کنید و هر از گاهی بررسی کنید زیرا ما حداقل ماهانه محتوا را تغییر میدهیم.
- [سفیران دانشجویی مایکروسافت](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) به جامعه جهانی سفیران دانشجویی بپیوندید، این میتواند راه ورود شما به مایکروسافت باشد.
- [صفحه مرکز دانشجویان](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) در این صفحه منابع برای مبتدیان، بستههای دانشجویی و حتی راههایی برای دریافت کوپن رایگان گواهینامه خواهید یافت. این یکی صفحهای است که میخواهید نشانک بزنید و هر از گاهی آن را بررسی کنید چون ما محتوای آن را حداقل ماهیانه تغییر میدهیم.
- [سفیران دانشجویی مایکروسافت](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) به یک جامعه جهانی از سفرای دانشجویی بپیوندید، این میتواند راه شما به سمت مایکروسافت باشد.
# شروع به کار
## 📚 مستندات
- **[راهنمای نصب](INSTALLATION.md)** - دستورالعملهای گام به گام راهاندازی برای مبتدیان
- **[راهنمای استفاده](USAGE.md)** - مثالها و جریانهای کاری رایج
- **[راهنمای مشارکت](CONTRIBUTING.md)** - چطور به این پروژه کمک کنید
- **[برای معلمان](for-teachers.md)** - راهنمای تدریس و منابع کلاسی
## 👨🎓 برای دانشجویان
> **کاملاً مبتدی:** به علوم داده تازه واردید؟ با [مثالهای مناسب مبتدیان](examples/README.md) ما شروع کنید! این مثالهای ساده و با توضیحات کامل به شما کمک میکنند قبل از ورود به برنامه درسی کامل، اصول را بفهمید.
> **[دانشجویان](https://aka.ms/student-page)**: برای استفاده از این برنامه به صورت مستقل، کل مخزن را فورک کنید و تمرینها را خودتان کامل کنید، با آزمون پیشدرس شروع کنید. سپس درس را بخوانید و بقیه فعالیتها را انجام دهید. تلاش کنید پروژهها را با درک درسها بسازید نه با کپی کردن کد راهحل؛ البته آن کدها در فولدر /solutions در هر درس پروژهمحور موجود است. ایده دیگر تشکیل گروه مطالعه با دوستان و مرور محتوایی است. برای مطالعه بیشتر، ما مایکروسافت لرن را پیشنهاد میکنیم [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
> **کاملاً مبتدی**: به علم داده تازه واردید؟ با [نمونههای مناسب مبتدیان](examples/README.md) ما شروع کنید! این نمونههای ساده و با کامنتهای خوب به شما کمک میکنند تا اصول اولیه را قبل از ورود به دوره کامل بفهمید.
> **[دانشجویان](https://aka.ms/student-page)**: برای استفاده از این برنامه آموزشی به صورت مستقل، کل مخزن را فورک کنید و تمرینها را با آزمون پیشدرس شروع کنید. سپس درس را بخوانید و بقیه فعالیتها را تکمیل کنید. سعی کنید پروژهها را با درک درسها بسازید نه با کپی کردن کد راهحل؛ البته آن کد در پوشه /solutions در هر درس مرتبط با پروژه موجود است. ایده دیگر تشکیل یک گروه مطالعه با دوستان است و با هم از مطالب عبور کنید. برای مطالعات بیشتر، ما [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) را توصیه میکنیم.
**شروع سریع:**
1. راهنمای نصب را بررسی کنید تا محیط خود را راهاندازی کنید
2. راهنمای استفاده را مرور کنید تا یاد بگیرید چگونه با برنامه کار کنید
3. از درس ۱ شروع کنید و به ترتیب پیش بروید
4. به [جامعه دیسکورد ما](https://aka.ms/ds4beginners/discord) برای دریافت پشتیبانی بپیوندید
1. [راهنمای نصب](INSTALLATION.md) را برای راهاندازی محیط خود بررسی کنید
2. [راهنمای استفاده](USAGE.md) را برای یادگیری کار با دوره مرور کنید
3. با درس ۱ شروع کنید و به ترتیب پیش بروید
4. برای پشتیبانی به [جامعه دیسکورد ما](https://aka.ms/ds4beginners/discord) بپیوندید
## 👩🏫 برای معلمان
> **معلمان**: ما [چند پیشنهاد](for-teachers.md) برای چگونگی استفاده از این برنامه درسی ارائه کردهایم. خوشحال میشویم بازخورد شما را [در انجمن بحث و گفتگو](https://github.com/microsoft/Data-Science-For-Beginners/discussions) دریافت کنیم!
> **معلمان**: ما [چند پیشنهاد](for-teachers.md) درباره نحوه استفاده از این برنامه درسی گنجاندهایم. خوشحال میشویم بازخورد شما را [در انجمن بحث ما](https://github.com/microsoft/Data-Science-For-Beginners/discussions) دریافت کنیم!
**گیف ساخته شده توسط** [موهیت جایسال](https://www.linkedin.com/in/mohitjaisal)
> 🎥 برای دیدن ویدئویی درباره پروژه و افرادی که آن را ساختهاند، روی تصویر بالا کلیک کنید!
> 🎥 برای دیدن ویدئویی درباره پروژه و افرادی که آن را ایجاد کردهاند، روی تصویر بالا کلیک کنید!
## روش تدریس
ما در ساخت این برنامه درسی دو اصل آموزشی را انتخاب کردهایم: اطمینان از اینکه آموزش مبتنی بر پروژه باشد و شامل آزمونهای مکرر باشد. تا پایان این سری درسها، دانشآموزان اصول پایهای علم داده، از جمله مفاهیم اخلاقی، آمادهسازی دادهها، روشهای مختلف کار با دادهها، مصورسازی دادهها، تحلیل دادهها، موارد کاربرد دنیای واقعی علم داده و موارد بیشتر را یاد خواهند گرفت.
در ساخت این برنامه درسی دو اصل آموزشی را انتخاب کردهایم: اطمینان از اینکه مبتنی بر پروژه است و شامل آزمونهای مکرر میباشد. تا پایان این مجموعه، دانشآموزان اصول پایه علم داده را خواهند آموخت، از جمله مفاهیم اخلاقی، آمادهسازی دادهها، روشهای مختلف کار با داده، مصورسازی دادهها، تحلیل داده، کاربردهای دنیای واقعی علم داده و غیره.
علاوه بر این، یک آزمون کم اهمیت قبل از کلاس قصد یادگیری دانشآموز را در مورد موضوعی مشخص میکند، و یک آزمون دوم پس از کلاس حفظ بیشتر را تضمین میکند. این برنامه درسی به گونهای طراحی شده که انعطافپذیر و جذاب باشد و میتوان آن را به طور کامل یا بخشی از آن را گرفت. پروژهها از کوچک شروع میشوند و تا پایان چرخه ده هفتهای به تدریج پیچیدهتر میشوند.
علاوه بر این، آزمون ساده قبل از کلاس، نیت دانشآموز را برای یادگیری موضوع تنظیم میکند، در حالی که آزمون دوم بعد از کلاس به تثبیت بیشتر مطالب کمک میکند. این برنامه درسی به گونهای طراحی شده که انعطافپذیر و سرگرمکننده باشد و میتوان آن را به طور کامل یا بخشی از آن را مطالعه کرد. پروژهها از ساده شروع شده و با پایان دوره ده هفتهای به تدریج پیچیدهتر میشوند.
> راهنمای [رفتارنامه](CODE_OF_CONDUCT.md)، [مشارکت](CONTRIBUTING.md)، [ترجمه](TRANSLATIONS.md) را بیابید. ما از بازخورد سازنده شما استقبال میکنیم!
> میتوانید [قانون رفتار](CODE_OF_CONDUCT.md)، [راهنمای مشارکت](CONTRIBUTING.md)، و [راهنمای ترجمه](TRANSLATIONS.md) ما را بیابید. بازخورد سازنده شما را خوشآمد میگوییم!
## هر درس شامل:
## هر درس شامل موارد زیر است:
- نقشهکشی اختیاری
- نکتهنویسی اختیاری
- ویدئوی مکمل اختیاری
- آزمون گرمکردن پیش از درس
- آزمون گرمکردن پیش از درس
- درس مکتوب
- برای درسهای مبتنی بر پروژه، راهنمای گامبهگام ساخت پروژه
- بررسی دانش
- چالش
- ارزیابی دانش
- یک چالش
- مطالعه مکمل
- تکلیف
- تمرین
- [آزمون پس از درس](https://ff-quizzes.netlify.app/en/)
> **نکتهای درباره آزمونها**: تمام آزمونها در پوشه Quiz-App موجود است، مجموعاً ۴۰ آزمون با سه سوال هر کدام. این آزمونها از داخل درسها لینک شدهاند اما برنامه آزمون میتواند به صورت محلی اجرا یا روی Azure مستقر شود؛ دستورالعملها در پوشه `quiz-app` آمده است. این آزمونها به تدریج بومیسازی میشوند.
> **یادداشتی درباره آزمونها**: همه آزمونها در پوشه Quiz-App قرار دارند، شامل مجموعاً ۴۰ آزمون با سه سوال هر کدام. این آزمونها از داخل دروس لینک شدهاند، اما اپلیکیشن آزمون را میتوان محلی اجرا کرد یا در Azure مستقر نمود؛ دستورالعمل در پوشه `quiz-app` موجود است. در حال تدریج بومیسازی میشوند.
## 🎓 مثالهای مناسب مبتدیان
**به علم داده تازهواردید؟** دایرکتوری خاصی از [مثالها](examples/README.md) ساختهایم با کد ساده و کامنتگذاری شده برای کمک به شروع شما:
**جدید در علم داده؟** ما یک [دایرکتوری مثال](examples/README.md) ویژه ساختهایم که شامل کدهای ساده و خوب کامنتگذاری شده برای شروع کار شماست:
- 🌟 **سلام دنیا** - اولین برنامه علم داده شما
- 📂 **بارگذاری دادهها** - یادگیری خواندن و بررسی مجموعه دادهها
- 📂 **بارگذاری دادهها** - یادگیری نحوه خواندن و کاوش مجموعه دادهها
- 📊 **تحلیل ساده** - محاسبه آمار و یافتن الگوها
- 📈 **مصورسازی پایه** - ایجاد نمودارها و گرافها
- 🔬 **پروژه دنیای واقعی** - جریان کاری کامل از ابتدا تا پایان
- 🔬 **پروژه دنیای واقعی** - روند کامل از شروع تا پایان
هر مثال شامل توضیحات جزئی هر مرحله است که آن را برای مبتدیان مطلق ایدهآل میکند!
هر مثال شامل نظرات مفصل برای توضیح هر مرحله است که آن را برای مبتدیان مطلق ایدهآل میکند!
👉 **[شروع با مثالها](examples/README.md)** 👈
## درسها
## دروس
||
||
|:---:|
| نقشه راه علم داده برای مبتدیان - _نقشهکشی توسط [@nitya](https://twitter.com/nitya)_ |
| شماره درس | موضوع | گروه درس | اهداف یادگیری | درس مرتبط | نویسنده |
| ۰۱ | تعریف علم داده | [مقدمه](1-Introduction/README.md) | یادگیری مفاهیم پایه علم داده و ارتباط آن با هوش مصنوعی، یادگیری ماشین، و دادههای بزرگ. | [درس](1-Introduction/01-defining-data-science/README.md) [ویدئو](https://youtu.be/beZ7Mb_oz9I) | [دیمیتری](http://soshnikov.com) |
| ۰۲ | اخلاق در علم داده | [مقدمه](1-Introduction/README.md) | مفاهیم اخلاق داده، چالشها و چارچوبها. | [درس](1-Introduction/02-ethics/README.md) | [نیتیا](https://twitter.com/nitya) |
| ۰۳ | تعریف داده | [مقدمه](1-Introduction/README.md) | نحوه طبقهبندی دادهها و منابع رایج آنها. | [درس](1-Introduction/03-defining-data/README.md) | [ژاسمین](https://www.twitter.com/paladique) |
| ۰۴ | مقدمهای بر آمار و احتمال | [مقدمه](1-Introduction/README.md) | تکنیکهای ریاضی احتمال و آمار برای فهم دادهها. | [درس](1-Introduction/04-stats-and-probability/README.md) [ویدئو](https://youtu.be/Z5Zy85g4Yjw) | [دیمیتری](http://soshnikov.com) |
| ۰۵ | کار با دادههای رابطهای | [کار با داده](2-Working-With-Data/README.md) | مقدمهای بر دادههای رابطهای و اصول بررسی و تحلیل دادههای رابطهای با زبان پرسوجوی ساختاریافته، معروف به SQL (تلفظ "سی-کول"). | [درس](2-Working-With-Data/05-relational-databases/README.md) | [کریستوفر](https://www.twitter.com/geektrainer) | | |
| ۰۶ | کار با دادههای NoSQL | [کار با داده](2-Working-With-Data/README.md) | مقدمهای بر دادههای غیررابطهای، انواع مختلف آن و اصول بررسی و تحلیل پایگاههای سندی. | [درس](2-Working-With-Data/06-non-relational/README.md) | [ژاسمین](https://twitter.com/paladique)|
| ۰۷ | کار با پایتون | [کار با داده](2-Working-With-Data/README.md) | اصول استفاده از پایتون برای کاوش دادهها با کتابخانههایی مانند Pandas. درک پایهای برنامهنویسی پایتون توصیه میشود. | [درس](2-Working-With-Data/07-python/README.md) [ویدئو](https://youtu.be/dZjWOGbsN4Y) | [دیمیتری](http://soshnikov.com) |
| ۰۸ | آمادهسازی داده | [کار با داده](2-Working-With-Data/README.md) | موضوعات مربوط به تکنیکهای پاکسازی و تبدیل دادهها برای مقابله با چالشهای دادههای ناقص، نادرست یا ناقص. | [درس](2-Working-With-Data/08-data-preparation/README.md) | [ژاسمین](https://www.twitter.com/paladique) |
| ۰۹ | مصورسازی کمیتها | [مصورسازی داده](3-Data-Visualization/README.md) | یادگیری استفاده از Matplotlib برای مصورسازی دادههای پرنده 🦆 | [درس](3-Data-Visualization/09-visualization-quantities/README.md) | [جن](https://twitter.com/jenlooper) |
| ۱۰ | مصورسازی توزیع داده | [مصورسازی داده](3-Data-Visualization/README.md) | مصورسازی مشاهدات و روندها در یک بازه زمانی. | [درس](3-Data-Visualization/10-visualization-distributions/README.md) | [جن](https://twitter.com/jenlooper) |
| نقشه راه علم داده برای مبتدیان - _نکتهنویسی توسط [@nitya](https://twitter.com/nitya)_ |
| شماره درس | موضوع | گروهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
| ۰۱ | تعریف علم داده | [مقدمه](1-Introduction/README.md) | آشنایی با مفاهیم پایه علم داده و ارتباط آن با هوش مصنوعی، یادگیری ماشین و کلان داده. | [درس](1-Introduction/01-defining-data-science/README.md) [ویدئو](https://youtu.be/beZ7Mb_oz9I) | [دیمیتری](http://soshnikov.com) |
| ۰۲ | اخلاقیات علم داده | [مقدمه](1-Introduction/README.md) | مفاهیم اخلاق داده، چالشها و چارچوبها. | [درس](1-Introduction/02-ethics/README.md) | [نیتیا](https://twitter.com/nitya) |
| ۰۳ | تعریف داده | [مقدمه](1-Introduction/README.md) | نحوه طبقهبندی داده و منابع رایج آن. | [درس](1-Introduction/03-defining-data/README.md) | [یاسمین](https://www.twitter.com/paladique) |
| ۰۴ | مقدمهای بر آمار و احتمال | [مقدمه](1-Introduction/README.md) | استفاده از فنون ریاضی احتمال و آمار برای درک دادهها. | [درس](1-Introduction/04-stats-and-probability/README.md) [ویدئو](https://youtu.be/Z5Zy85g4Yjw) | [دیمیتری](http://soshnikov.com) |
| ۰۵ | کار با دادههای رابطهای | [کار با دادهها](2-Working-With-Data/README.md) | معرفی دادههای رابطهای و اصول کاوش و تحلیل دادههای رابطهای با زبان ساختاری پرس و جو که به اختصار SQL گفته میشود. | [درس](2-Working-With-Data/05-relational-databases/README.md) | [کریستوفر](https://www.twitter.com/geektrainer) |
| ۰۶ | کار با دادههای NoSQL | [کار با دادهها](2-Working-With-Data/README.md) | معرفی دادههای غیر رابطهای، انواع مختلف آن و اصول کاوش و تحلیل پایگاههای داده سند محور. | [درس](2-Working-With-Data/06-non-relational/README.md) | [یاسمین](https://twitter.com/paladique) |
| ۰۷ | کار با پایتون | [کار با دادهها](2-Working-With-Data/README.md) | اصول استفاده از پایتون برای کاوش دادهها با کتابخانههایی مانند Pandas. داشتن دانش پایه برنامهنویسی پایتون توصیه میشود. | [درس](2-Working-With-Data/07-python/README.md) [ویدئو](https://youtu.be/dZjWOGbsN4Y) | [دیمیتری](http://soshnikov.com) |
| ۰۸ | آمادهسازی دادهها | [کار با دادهها](2-Working-With-Data/README.md) | موضوعات مربوط به تکنیکهای داده برای پاکسازی و تبدیل دادهها به منظور مقابله با مشکلات دادههای گمشده، نادرست یا ناقص. | [درس](2-Working-With-Data/08-data-preparation/README.md) | [یاسمین](https://www.twitter.com/paladique) |
| ۰۹ | مصورسازی مقادیر | [مصورسازی داده](3-Data-Visualization/README.md) | یادگیری استفاده از Matplotlib برای مصورسازی دادههای پرندگان 🦆 | [درس](3-Data-Visualization/09-visualization-quantities/README.md) | [جن](https://twitter.com/jenlooper) |
| ۱۰ | مصورسازی توزیع دادهها | [مصورسازی داده](3-Data-Visualization/README.md) | مصورسازی مشاهدات و روندها در بازهای مشخص. | [درس](3-Data-Visualization/10-visualization-distributions/README.md) | [جن](https://twitter.com/jenlooper) |
| ۱۲ | مصورسازی روابط | [مصورسازی داده](3-Data-Visualization/README.md) | مصورسازی ارتباطات و همبستگیها بین مجموعههای داده و متغیرهایشان. | [درس](3-Data-Visualization/12-visualization-relationships/README.md) | [جن](https://twitter.com/jenlooper) |
| ۱۳ | مصورسازیهای معنادار | [مصورسازی داده](3-Data-Visualization/README.md) | تکنیکها و راهنمایی برای مفید ساختن مصورسازیها به منظور حل موثر مسئله و کسب بینش. | [درس](3-Data-Visualization/13-meaningful-visualizations/README.md) | [جن](https://twitter.com/jenlooper) |
| ۱۴ | مقدمهای بر چرخه عمر علم داده | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | مقدمهای بر چرخه عمر علم داده و اولین مرحله آن که کسب و استخراج داده است. | [درس](4-Data-Science-Lifecycle/14-Introduction/README.md) | [ژاسمین](https://twitter.com/paladique) |
| ۱۵ | تحلیل داده | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | این مرحله از چرخه عمر علم داده بر تکنیکهای تحلیل داده تمرکز دارد. | [درس](4-Data-Science-Lifecycle/15-analyzing/README.md) | [ژاسمین](https://twitter.com/paladique) | | |
| ۱۶ | ارتباطات | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | این مرحله از چرخه عمر علم داده بر ارائه یافتهها به گونهای که تصمیمگیرندگان بتوانند راحتتر درک کنند متمرکز است. | [درس](4-Data-Science-Lifecycle/16-communication/README.md) | [جالن](https://twitter.com/JalenMcG) | | |
| ۱۷ | علم داده در فضای ابری | [داده ابری](5-Data-Science-In-Cloud/README.md) | این سری درسها علم داده در فضای ابری و مزایای آن را معرفی میکند. | [درس](5-Data-Science-In-Cloud/17-Introduction/README.md) | [تیفانی](https://twitter.com/TiffanySouterre) و [ماد](https://twitter.com/maudstweets) |
| ۱۸ | علم داده در فضای ابری | [داده ابری](5-Data-Science-In-Cloud/README.md) | آموزش مدلها با استفاده از ابزارهای Low Code. |[درس](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [تیفانی](https://twitter.com/TiffanySouterre) و [ماد](https://twitter.com/maudstweets) |
| ۱۹ | علم داده در فضای ابری | [داده ابری](5-Data-Science-In-Cloud/README.md) | استقرار مدلها با Azure Machine Learning Studio. | [درس](5-Data-Science-In-Cloud/19-Azure/README.md)| [تیفانی](https://twitter.com/TiffanySouterre) و [ماد](https://twitter.com/maudstweets) |
| ۱۲ | مصورسازی روابط | [مصورسازی داده](3-Data-Visualization/README.md) | مصورسازی ارتباطات و همبستگی بین مجموعه دادهها و متغیرهای آنها. | [درس](3-Data-Visualization/12-visualization-relationships/README.md) | [جن](https://twitter.com/jenlooper) |
| ۱۳ | مصورسازیهای معنادار | [مصورسازی داده](3-Data-Visualization/README.md) | تکنیکها و راهنمایی برای ساخت مصورسازیهای ارزشمند برای حل موثر مسئله و کسب بینش. | [درس](3-Data-Visualization/13-meaningful-visualizations/README.md) | [جن](https://twitter.com/jenlooper) |
| ۱۴ | مقدمهای بر چرخه عمر علم داده | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | معرفی چرخه عمر علم داده و اولین مرحله آن یعنی کسب و استخراج داده. | [درس](4-Data-Science-Lifecycle/14-Introduction/README.md) | [یاسمین](https://twitter.com/paladique) |
| ۱۵ | تحلیل دادهها | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | این مرحله از چرخه عمر علم داده بر فنون تحلیل داده تمرکز دارد. | [درس](4-Data-Science-Lifecycle/15-analyzing/README.md) | [یاسمین](https://twitter.com/paladique) |
| ۱۶ | ارتباطات | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | این مرحله از چرخه عمر علم داده بر ارائه بینشهای داده به گونهای که برای تصمیمگیرندگان قابل فهمتر باشد، متمرکز است. | [درس](4-Data-Science-Lifecycle/16-communication/README.md) | [جالن](https://twitter.com/JalenMcG) |
| ۱۷ | علم داده در فضای ابری | [دادههای ابری](5-Data-Science-In-Cloud/README.md) | این سری دروس، علم داده در فضای ابری و مزایای آن را معرفی میکند. | [درس](5-Data-Science-In-Cloud/17-Introduction/README.md) | [تیفانی](https://twitter.com/TiffanySouterre) و [ماد](https://twitter.com/maudstweets) |
| ۱۸ | علم داده در فضای ابری | [دادههای ابری](5-Data-Science-In-Cloud/README.md) | آموزش مدلها با استفاده از ابزارهای کد کم. |[درس](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [تیفانی](https://twitter.com/TiffanySouterre) و [ماد](https://twitter.com/maudstweets) |
| ۱۹ | علم داده در فضای ابری | [دادههای ابری](5-Data-Science-In-Cloud/README.md) | استقرار مدلها با Azure Machine Learning Studio. | [درس](5-Data-Science-In-Cloud/19-Azure/README.md)| [تیفانی](https://twitter.com/TiffanySouterre) و [ماد](https://twitter.com/maudstweets) |
| ۲۰ | علم داده در دنیای واقعی | [در دنیای واقعی](6-Data-Science-In-Wild/README.md) | پروژههای مبتنی بر علم داده در دنیای واقعی. | [درس](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [نیتیا](https://twitter.com/nitya) |
## گیتهاب کدسپیسها
## کداسپیسهای گیتهاب
برای باز کردن این نمونه در یک Codespace مراحل زیر را دنبال کنید:
1. منوی کشویی Code را کلیک کرده و گزینه Open with Codespaces را انتخاب کنید.
2. در پایین پنل، + New codespace را انتخاب کنید.
برای اطلاعات بیشتر، مستندات [گیتهاب](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) را بررسی کنید.
برای باز کردن این نمونه در یک کداسپیس گیتهاب مراحل زیر را دنبال کنید:
۱. منوی کشویی Code را کلیک کرده و گزینه Open with Codespaces را انتخاب کنید.
۲. در پایین صفحه گزینه + New codespace را انتخاب کنید.
برای اطلاعات بیشتر، به [مستندات گیتهاب](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) مراجعه کنید.
## VSCode Remote - Containers
برای باز کردن این مخزن در یک کانتینر با استفاده از دستگاه محلی و VSCode مراحل زیر را دنبال کنید با استفاده از افزونه VS Code Remote - Containers:
برای باز کردن این مخزن در یک کانتینر با استفاده از ماشین محلی و VSCode با افزونه VS Code Remote - Containers:
۱. اگر برای اولین بار است که از یک کانتینر توسعه استفاده میکنید، اطمینان حاصل کنید سیستم شما پیشنیازها (مثلا نصب Docker) را دارد در [مستندات شروع](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
۱. اگر برای اولین بار از کانتینر توسعه استفاده میکنید، مطمئن شوید سیستم شما پیشنیازها را دارد (مثلاً Docker نصب شده باشد) در [مستندات شروع به کار](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
برای استفاده از این مخزن، میتوانید آن را یا در یک حجم مجزا داکر باز کنید:
برای استفاده از این مخزن، میتوانید یا مخزن را در یک حجم جداشده Docker باز کنید:
**توجه**: این روش در پسزمینه فرمان Remote-Containers: **Clone Repository in Container Volume...** را اجرا میکند تا کد منبع را در حجم داکر کپی کند، نه در سیستم فایل محلی. [حجمها](https://docs.docker.com/storage/volumes/) مکانیزم ترجیحی برای نگهداری دادههای کانتینر هستند.
**نکته**: در پشت صحنه، این به کمک دستور Remote-Containers: **Clone Repository in Container Volume...** کد منبع را در یک حجم Docker به جای فایل سیستم محلی کلون میکند. [حجمها](https://docs.docker.com/storage/volumes/) مکانیزم ترجیحی برای حفظ دادههای کانتینر هستند.
یا نسخه محلی کپی شده یا دانلود شده مخزن را باز کنید:
یا نسخه کلون شده یا دانلود شده مخزن را باز کنید:
- این مخزن را در سیستم فایل محلی خود کلون کنید.
- کلید F1 را فشار دهید و فرمان**Remote-Containers: Open Folder in Container...** را انتخاب کنید.
- نسخه کلون شده این پوشه را انتخاب کنید، صبر کنید کانتینر شروع شود و شروع به کار کنید.
- این مخزن را روی فایل سیستم محلی کپی کنید.
- کلید F1 را فشار دهید و دستور**Remote-Containers: Open Folder in Container...** را انتخاب کنید.
- نسخه کپی شده این پوشه را انتخاب کنید، منتظر بمانید تا کانتینر شروع به کار کند و امتحان کنید.
## دسترسی آفلاین
میتوانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) روی دستگاه محلی خود، سپس در پوشه ریشه این مخزن دستور `docsify serve` را تایپ کنید. سایت روی پورت ۳۰۰۰ در localhost شما سرو خواهد شد: `localhost:3000`.
میتوانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) روی ماشین محلی خود، سپس در پوشه ریشه این مخزن، دستور `docsify serve` را وارد کنید. وبسایت روی پورت ۳۰۰۰ در لوکالهاست: `localhost:3000` سرو خواهد شد.
> توجه داشته باشید، دفترچه یادداشتها با Docsify رندر نمیشوند، لذا وقتی نیاز به اجرای یک دفترچه یادداشت داشتید، آن را به صورت جداگانه در VS Code با کرنل پایتون اجرا کنید.
> توجه داشته باشید، دفترچهها (نوتبوکها) توسط Docsify رندر نخواهند شد، بنابراین وقتی نیاز به اجرای نوتبوک دارید، آن را جداگانه در VS Code با کرنل پایتون اجرا کنید.
## برنامههای درسی دیگر
@ -206,58 +204,58 @@
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / عوامل
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / عاملها
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### سری هوش مصنوعی مولد
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### مجموعه هوش مصنوعی مولد
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
### یادگیری اصلی
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### سری کمکیار
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
**مشکل دارید؟** راهنمای [عیبیابی](TROUBLESHOOTING.md) ما را برای راهحل مشکلات رایج بررسی کنید.
**با مشکلاتمواجه شدهاید؟** راهنمای [عیبیابی](TROUBLESHOOTING.md) ما را برای راه حلهای مشکلات رایج بررسی کنید.
اگر گیر کردید یا سوالی درباره ساخت برنامههای هوش مصنوعی دارید، به بحثها با دیگر یادگیرندگان و توسعهدهندگان مجرب درباره MCP بپیوندید. این یک جامعه حمایتی است که در آن سوالات پذیرفته میشوند و دانش به صورت آزاد به اشتراک گذاشته میشود.
اگر گیر کردهاید یا سوالی درباره ساخت برنامههای هوش مصنوعی دارید، به جمع یادگیرندگان و توسعهدهندگان مجرب در بحثهای MCP بپیوندید. این یک جامعه حمایتی است که سوالات خوشآمد گفته میشوند و دانش بهصورت آزادانه به اشتراک گذاشته میشود.
[](https://aka.ms/foundry/forum) مراجعه کنید.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است دارای اشتباهات یا نادرستیهایی باشند. سند اصلی به زبان اصلی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، استفاده از ترجمه تخصصی توسط انسان توصیه میشود. ما در قبال هرگونه سوءتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه ماشینی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما برای دقت تلاش میکنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی اشتباهات یا نواقصی باشند. سند اصلی به زبان بومی خود باید منبع معتبر تلقی شود. برای اطلاعات حیاتی، ترجمه حرفهای انسانی توصیه میشود. ما مسئول هیچ گونه سوتفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه نیستیم.
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
مائیکروسافٹ میں Azure کلاؤڈ ایڈووکیٹس خوشی کے ساتھ 10 ہفتوں، 20 اسباق پر مشتمل نصاب پیش کرتے ہیں جو مکمل طور پر ڈیٹا سائنس کے بارے میں ہے۔ ہر سبق میں سبق سے پہلے اور بعد کے کوئزز، سبق مکمل کرنے کی تحریری ہدایات، حل، اور ایک اسائنمنٹ شامل ہیں۔ ہمارا پراجیکٹ پر مبنی تدریسی طریقہ کار آپ کو تعمیر کرتے ہوئے سیکھنے کی اجازت دیتا ہے، جو مہارت کے لیے قابلِ اعتماد طریقہ ہے جس سے نئی مہارتیں بہتر طور پر یاد رہتی ہیں۔
مائیکروسافٹ میں آزور کلاؤڈ وکلاء خوش ہیں کہ وہ آپ کو 10 ہفتوں اور 20 اسباق پر مشتمل ایک نصاب پیش کریں جو مکمل طور پر ڈیٹا سائنس کے بارے میں ہے۔ ہر سبق میں پیشگی اور بعد میں چھوٹے کوئز، سبق مکمل کرنے کی تحریری ہدایات، حل، اور ایک اسائنمنٹ شامل ہے۔ ہمارا پراجیکٹ پر مبنی تعلیمی انداز آپ کو سیکھنے کے دوران بنانے کا موقع دیتا ہے، جو نئی مہارتوں کو مستحکم کرنے کا ایک مؤثر طریقہ ہے۔
> اس ریپوزیٹری میں 50 سے زائد زبانوں کے تراجم شامل ہیں جو ڈاؤن لوڈ کا سائز نمایاں طور پر بڑھاتے ہیں۔ بغیر ترجمے کے کلون کرنے کے لئے sparse checkout استعمال کریں:
> اس مخزن میں 50+ زبانوں کے تراجم شامل ہیں جو ڈاؤن لوڈ کا حجم نمایاں طور پر بڑھاتے ہیں۔ بغیر تراجم کے کلون کرنے کے لیے، sparse checkout استعمال کریں:
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> یہ آپ کو کورس مکمل کرنے کے لیے ہر چیز فراہم کرتا ہے جس کے ساتھ ڈاؤن لوڈ تیز تر ہوگا۔
> اس سے آپ کو تیزی سے ڈاؤن لوڈ کے ساتھ کورس مکمل کرنے کے لیے تمام ضرورت کی چیزیں مل جائیں گی۔
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
**اگر آپ اضافی ترجمے والی زبانوں کی درخواست کرنا چاہتے ہیں تو وہ یہاں درج ہیں [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
**اگر آپ مزید زبانوں کی حمایت چاہتے ہیں تو وہ یہاں درج ہیں [یہاں](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
ہمارے پاس ایک Discord پر سیکھنے کا AI سلسلہ جاری ہے، مزید معلومات اور شامل ہونے کے لئے [Learn with AI Series](https://aka.ms/learnwithai/discord) پر آئیں، جو 18 سے 30 ستمبر، 2025 تک چل رہا ہے۔ آپ کو GitHub Copilot کو ڈیٹا سائنس کے لیے استعمال کرنے کے ٹپس اور ٹرکس ملیں گے۔
ہمارا ڈسکارڈ پر "AI کے ساتھ سیکھیں" سیریز جاری ہے، مزید جاننے اور شامل ہونے کے لیے ہماری ویب سائٹ پر تشریف لائیں [AI کے ساتھ سیکھیں سیریز](https://aka.ms/learnwithai/discord) 18 - 30 ستمبر، 2025۔ آپ کو گیٹ ہب کوپائلٹ کے استعمال کے ٹپس اور ٹرکس ملیں گے جو ڈیٹا سائنس کے لیے ہیں۔
# کیا آپ طالب علم ہیں؟
مندرجہ ذیل وسائل کے ساتھ شروع کریں:
مندرجہ ذیل وسائل کے ساتھ آغاز کریں:
- [طالب علم ہب صفحہ](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) اس صفحہ پر آپ کو ابتدائی افراد کے لئے وسائل، طالب علم پیک اور مفت سرٹیفکیٹ واؤچر حاصل کرنے کے طریقے ملیں گے۔ یہ ایک ایسی صفحہ ہے جسے آپ نشان زد کرنا چاہیں گے اور وقتاً فوقتاً چیک کرتے رہیں کیونکہ ہم کم از کم ماہانہ بار مواد تبدیل کرتے رہتے ہیں۔
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) عالمی سطح پر طالب علم سفیروں کی کمیونٹی میں شامل ہوں، یہ ممکنہ طور پر مائیکروسافٹ میں آپ کا دروازہ ہو سکتا ہے۔
- [طالب علم ہب صفحہ](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) اس صفحہ پر آپ کو ابتدائی وسائل، اسٹوڈنٹ پیکس اور مفت سرٹیفکیٹ واؤچر حاصل کرنے کے طریقے ملیں گے۔ یہ ایک ایسا صفحہ ہے جسے آپ کو بک مارک کرنا چاہیے اور وقتاً فوقتاً چیک کرنا چاہیے کیونکہ ہم کم از کم ماہانہ طور پر مواد کو تبدیل کرتے رہتے ہیں۔
- [مائیکروسافٹ لرن اسٹوڈنٹ ایمبیسیڈرز](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) ایک عالمی طالب علم ایمبیسڈر کمیونٹی میں شامل ہوں، یہ آپ کا مائیکروسافٹ میں داخلے کا ذریعہ ہو سکتا ہے۔
# شروعات
# شروعات کیسے کریں
## 📚 دستاویزات
- **[تنصیب کی رہنمائی](INSTALLATION.md)** - ابتدائی افراد کے لیے مرحلہ وار سیٹ اپ کی ہدایات
- **[استعمال کی رہنمائی](USAGE.md)** - مثالیں اور عام کام کرنے کے طریقے
- **[انسٹالیشن گائیڈ](INSTALLATION.md)** - ابتدائی افراد کے لیے قدم بہ قدم سیٹ اپ ہدایات
- **[استعمال کی گائیڈ](USAGE.md)** - مثالیں اور عمومی ورک فلو
- **[مسائل کا حل](TROUBLESHOOTING.md)** - عام مسائل کے حل
- **[شراکت داری کی رہنمائی](CONTRIBUTING.md)** - اس پروجیکٹ میں کیسے حصہ لیں
- **[اساتذہ کے لیے](for-teachers.md)** - تدریسی رہنمائی اور کلاس روم کے وسائل
- **[شراکت کی گائیڈ](CONTRIBUTING.md)** - اس پروجیکٹ میں شراکت کیسے کریں
- **[اساتذہ کے لیے](for-teachers.md)** - تدریس کی رہنمائی اور کلاس روم کے وسائل
## 👨🎓 طلبہ کے لیے
> **مکمل ابتدائی:** کیا آپ ڈیٹا سائنس میں نئے ہیں؟ ہمارے [ابتدائی دوستانہ مثالوں](examples/README.md) سے شروع کریں! یہ سادہ، اچھی طرح تبصرہ شدہ مثالیں آپ کو بنیادی باتیں سمجھنے میں مدد دیں گی اس سے پہلے کہ آپ پورے نصاب میں داخل ہوں۔
> **[طلبہ](https://aka.ms/student-page)**: یہ نصاب خود استعمال کرنے کے لیے، پوری ریپوزیٹری کو فورک کریں اور اپنے طور پر سرگرمیاں مکمل کریں، لیکچر سے پہلے کوئز سے شروع کریں۔ پھر لیکچر پڑھیں اور باقی سرگرمیاں مکمل کریں۔ حل کاپی کرنے کی بجائے اسباق کو سمجھ کر پروجیکٹس بنانے کی کوشش کریں؛ تاہم، وہ کوڈ ہر پراجیکٹ پر مبنی سبق میں /solutions فولڈر میں دستیاب ہیں۔ ایک اور خیال یہ ہے کہ دوستوں کے ساتھ اسٹڈی گروپ بنائیں اور مواد کو مل کر دیکھیں۔ مزید مطالعات کے لیے، ہم [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) کی تجویز کرتے ہیں۔
## 👨🎓 طلباء کے لیے
> **مکمل نو آموز:** کیا آپ ڈیٹا سائنس میں نئے ہیں؟ ہمارے [آسان اور وضاحتی مثالوں](examples/README.md) سے شروع کریں! یہ سادہ اور عمدہ تبصروں والی مثالیں آپ کو بنیادی باتیں سمجھنے میں مدد دیں گی اس سے پہلے کہ آپ پورے نصاب میں جائیں۔
> **[طلباء](https://aka.ms/student-page)**: اس نصاب کو خود استعمال کرنے کے لیے، پورے ریپوزٹری کو فورک کریں اور خود مشقیں مکمل کریں، پہلے پری لیکچر کوئز سے شروع کریں۔ پھر لیکچر پڑھیں اور باقی سرگرمیاں مکمل کریں۔ کوشش کریں کہ اسباق کو سمجھ کر پروجیکٹس بنائیں نہ کہ حل کے کوڈ کو کاپی کریں؛ تاہم، حل کے کوڈ ہر پروجیکٹ پر مبنی سبق کے /solutions فولڈرز میں دستیاب ہیں۔ ایک اور خیال یہ بھی ہو سکتا ہے کہ دوستوں کے ساتھ ایک مطالعہ گروپ بنائیں اور ساتھ مل کر مواد کو دیکھیں۔ مزید مطالعہ کے لیے، ہم [مائیکروسافٹ لرن](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) کی سفارش کرتے ہیں۔
**فوری آغاز:**
1. اپنی ماحول ترتیب دینے کے لیے [تنصیب کی رہنمائی](INSTALLATION.md) دیکھیں
2. نصاب کے ساتھ کام کرنے کا طریقہ سیکھنے کے لیے [استعمال کی رہنمائی](USAGE.md) کا جائزہ لیں
3. سبق نمبر 1 سے شروع کریں اور ترتیب وار آگے بڑھیں
4. ہمارے [Discord کمیونٹی](https://aka.ms/ds4beginners/discord) میں شامل ہو کر مدد حاصل کریں
1. اپنا ماحول ترتیب دینے کے لیے [انسٹالیشن گائیڈ](INSTALLATION.md) دیکھیں
2. نصاب کے ساتھ کام کرنے کے طریقہ کار سیکھنے کے لیے [استعمال کی گائیڈ](USAGE.md) کا جائزہ لیں
3. سبق 1 سے شروع کریں اور ترتیب وار کام کریں
4. مدد کے لیے ہماری [ڈسکارڈ کمیونٹی](https://aka.ms/ds4beginners/discord) میں شامل ہوں
## 👩🏫 اساتذہ کے لیے
> **اساتذہ**: ہم نے [کریکولم استعمال کرنے کے لئے کچھ تجاویز شامل کی ہیں](for-teachers.md)۔ ہم آپ کی رائے [ہمارے بحث فورم میں](https://github.com/microsoft/Data-Science-For-Beginners/discussions) جاننا پسند کریں گے!
> **اساتذہ**: ہم نے [اس نصاب کو استعمال کرنے کے بارے میں کچھ تجاویز شامل کی ہیں](for-teachers.md)۔ ہمیں آپ کی رائے [ہمارے مباحثہ فورم](https://github.com/microsoft/Data-Science-For-Beginners/discussions) میں پسند آئے گی!
**گف** [موہت جیسل](https://www.linkedin.com/in/mohitjaisal) کی طرف سے
> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ پروجیکٹ اور اسے بنانے والے لوگوں کے بارے میں ویڈیو دیکھ سکیں!
> 🎥 پروجیکٹ اور اس کے بنانے والے لوگوں کے بارے میں ویڈیو کے لیے اوپر دی گئی تصویر پر کلک کریں!
## تعلیم کا طریقہ کار
## تعلیم کا طریقہ
ہم نے اس کریکولم کی تیاری میں دو تدریسی اصول منتخب کیے ہیں: اسے پروجیکٹ پر مبنی بنانا اور بار بار کوئزز شامل کرنا۔ اس سیریز کے اختتام تک، طلباء ڈیٹا سائنس کے بنیادی اصول سیکھ چکے ہوں گے، جس میں اخلاقی تصورات، ڈیٹا کی تیاری، ڈیٹا کے ساتھ کام کرنے کے مختلف طریقے، ڈیٹا کا تصور، ڈیٹا تجزیہ، ڈیٹا سائنس کے حقیقی دنیا کے استعمال کے کیسز، اور بہت کچھ شامل ہے۔
ہم نے اس نصاب کی تیاری کے دوران دو تعلیمی اصول منتخب کیے ہیں: یہ یقینی بنانا کہ یہ پروجیکٹ پر مبنی ہو اور اس میں بار بار کوئزز شامل ہوں۔ اس سلسلے کے اختتام تک، طلباء نے ڈیٹا سائنس کے بنیادی اصول سیکھ لیے ہوں گے، جن میں اخلاقی تصورات، ڈیٹا کی تیاری، ڈیٹا کے ساتھ کام کرنے کے مختلف طریقے، ڈیٹا کی بصری نمائندگی، ڈیٹا کا تجزیہ، ڈیٹا سائنس کے حقیقی دنیا میں استعمال کے کیسز، اور بہت کچھ شامل ہے۔
مزید برآں، کلاس سے پہلے ایک کم دباؤ والا کوئز طلباء کے سیکھنے کے ارادے کو ترتیب دیتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ کورس لچک دار اور دلچسپ بنایا گیا ہے اور اسے مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس چھوٹے سے شروع ہوتے ہیں اور 10 ہفتوں کے دورانیے کے آخر تک پیچیدہ ہوتے چلے جاتے ہیں۔
اس کے علاوہ، کلاس سے پہلے ایک کم دباؤ والا کوئز موضوع سیکھنے کے لیے طالب علم کی نیت قائم کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور مزے دار بنانے کے لیے ڈیزائن کیا گیا ہے اور اسے مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس چھوٹے شروع ہوتے ہیں اور 10 ہفتوں کے دورانیے کے اختتام تک بتدریج پیچیدہ ہوتے جاتے ہیں۔
> ہمارے [رویہ کا ضابطہ](CODE_OF_CONDUCT.md)، [شراکت داری](CONTRIBUTING.md)، [ترجمہ](TRANSLATIONS.md) رہنما اصول دریافت کریں۔ ہم آپ کی تعمیری رائے کا خیرمقدم کرتے ہیں!
> ہمارا [اطوار کا ضابطہ](CODE_OF_CONDUCT.md)، [حصہ لینے کے اصول](CONTRIBUTING.md)، [ترجمہ](TRANSLATIONS.md) کے رہنما اصول دیکھیں۔ ہم آپ کی تعمیری رائے کا خیرمقدم کرتے ہیں!
## ہر درس میں شامل ہے:
## ہر سبق میں شامل ہے:
- اختیاری اسکچ نوٹ
- اختیاری اضافی ویڈیو
- سبق کے پہلے گرم اپ کوئز
- تحریری سبق
- پروجیکٹ پر مبنی اسباق کے لئے، پروجیکٹ بنانے کے مرحلہ وار رہنما
- علم کی جانچ
- ایک چیلنج
- اضافی پڑھائی
- اسائنمنٹ
- [سبق کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/)
- اختیاری خاکہ نوٹ
- اختیاری اضافی ویڈیو
- سبق سے پہلے گرمائش کوئز
- تحریری سبق
- پروجیکٹ پر مبنی اسباق کے لیے، قدم بہ قدم رہنمائی کہ پروجیکٹ کیسے بنایا جائے
- علم کی جانچ
- ایک چیلنج
- اضافی مطالعہ
- اسباق کے بعد کا کوئز [Post-lesson quiz](https://ff-quizzes.netlify.app/en/)
> **کوئزز کے بارے میں ایک نوٹ**: تمام کوئزز Quiz-App فولڈر میں ہیں، کل 40 کوئزز جن میں ہر ایک میں تین سوالات ہوتے ہیں۔ یہ اسباق کے اندر سے لنک کیے جاتے ہیں، لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے یا Azure پر تعینات کیا جا سکتا ہے؛ `quiz-app` فولڈر میں ہدایات پر عمل کریں۔ انہیں بتدریج مقامی زبانوں میں منتقل کیا جا رہا ہے۔
> **کوئزز کے بارے میں ایک نوٹ**: تمام کوئزز Quiz-App فولڈر میں موجود ہیں، کل 40 کوئزز جن میں ہر ایک میں تین سوالات ہوتے ہیں۔ یہ اسباق کے ذریعے مربوط کیے گئے ہیں، لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے یا Azure پر تعینات کیا جا سکتا ہے؛ `quiz-app` فولڈر میں ہدایات پر عمل کریں۔ انہیں تدریجی طور پر مقامی زبان میں تبدیل کیا جا رہا ہے۔
## 🎓 ابتدائیوں کے لیے دوستانہ مثالیں
## 🎓 شروع کرنے والوں کے لیے دوستانہ مثالیں
**ڈیٹا سائنس میں نئے ہیں؟** ہم نے ایک خاص [مثالوں کا ڈائریکٹری](examples/README.md) بنایا ہے جس میں سادہ، اچھی طرح سے تبصرہ شدہ کوڈ موجود ہے تاکہ آپ آسانی سے شروع کر سکیں:
**ڈیٹا سائنس میں نئے ہیں؟** ہم نے ایک خاص [مثالوں کا ڈائریکٹری](examples/README.md) بنایا ہے جس میں آسان، مفصل وضاحت شدہ کوڈ ہے تاکہ آپ کو شروع کرنے میں مدد ملے:
- 🌟 **ہیلو ورلڈ** - آپ کا پہلا ڈیٹا سائنس پروگرام
- 📂 **ڈیٹا لوڈ کرنا** - ڈیٹا سیٹس کو پڑھنے اور دریافت کرنے کا طریقہ سیکھیں
- 📊 **سادہ تجزیہ** - اعدادوشمار کا حساب لگائیں اور پیٹرنز تلاش کریں
- 📈 **بنیادی تصورات** - چارٹ اور گرافس بنائیں
- 🔬 **حقیقی دنیا کا پروجیکٹ** - مکمل ورک فلو ابتدا سے اختتام تک
- 🌟 **ہیلو ورلڈ** - آپ کا پہلا ڈیٹا سائنس پروگرام
- 📂 **ڈیٹا لوڈ کرنا** - datasets کو پڑھنا اور دریافت کرنا سیکھیں
- 📊 **سادہ تجزیہ** - شماریات کا حساب لگائیں اور پیٹرنز دریافت کریں
- 📈 **بنیادی بصری نمائندگی** - چارٹس اور گراف بنائیں
- 🔬 **حقیقی دنیا کا پروجیکٹ** - ابتدا سے اختتام تک مکمل ورک فلو
ہر مثال میں ہر مرحلے کی تفصیلی تشریحات شامل ہیں، جو اسے بالکل ابتدائیوں کے لیے بہترین بناتی ہیں!
ہر مثال میں ہر قدم کی تفصیلی وضاحت شامل ہے، جو نوآموزوں کے لیے بہترین ہے!
👉 **[مثالوں کے ساتھ شروع کریں](examples/README.md)** 👈
👉 **[مثالوں سے شروع کریں](examples/README.md)** 👈
## اسباق
||
||
| 01 | ڈیٹا سائنس کی تعریف | [تعارف](1-Introduction/README.md) | ڈیٹا سائنس کے بنیادی تصورات سیکھیں اور یہ کہ یہ مصنوعی ذہانت، مشین لرننگ، اور بڑے ڈیٹا سے کس طرح متعلق ہے۔ | [سبق](1-Introduction/01-defining-data-science/README.md) [ویڈیو](https://youtu.be/beZ7Mb_oz9I) | [دمیتری](http://soshnikov.com) |
| 02 | ڈیٹا سائنس کی اخلاقیات | [تعارف](1-Introduction/README.md) | ڈیٹا اخلاقیات کے تصورات، چیلنجز اور فریم ورکس۔ | [سبق](1-Introduction/02-ethics/README.md) | [نیتیا](https://twitter.com/nitya) |
| 03 | ڈیٹا کی تعریف | [تعارف](1-Introduction/README.md) | ڈیٹا کس طرح درجہ بندی کیا جاتا ہے اور اس کے عام ذرائع۔ | [سبق](1-Introduction/03-defining-data/README.md) | [یاسمین](https://www.twitter.com/paladique) |
| 04 | اعدادوشمار اور احتمال کا تعارف | [تعارف](1-Introduction/README.md) | ڈیٹا کو سمجھنے کے لیے احتمال اور اعدادوشمار کی ریاضی تکنیکیں۔ | [سبق](1-Introduction/04-stats-and-probability/README.md) [ویڈیو](https://youtu.be/Z5Zy85g4Yjw) | [دمیتری](http://soshnikov.com) |
| 05 | تعلقاتی ڈیٹا کے ساتھ کام کرنا | [ڈیٹا کے ساتھ کام](2-Working-With-Data/README.md) | تعلقاتی ڈیٹا کا تعارف اور Structured Query Language (SQL) کے ذریعے تعلقاتی ڈیٹا کی کھوج اور تجزیے کی بنیادی باتیں۔ | [سبق](2-Working-With-Data/05-relational-databases/README.md) | [کرسٹوفر](https://www.twitter.com/geektrainer) | | |
| 06 | NoSQL ڈیٹا کے ساتھ کام کرنا | [ڈیٹا کے ساتھ کام](2-Working-With-Data/README.md) | غیر تعلقاتی ڈیٹا، اس کی مختلف اقسام اور دستاویزی ڈیٹابیس کی کھوج اور تجزیہ کی بنیادی باتوں کا تعارف۔ | [سبق](2-Working-With-Data/06-non-relational/README.md) | [یاسمین](https://twitter.com/paladique)|
| 07 | پائتھن کے ساتھ کام کرنا | [ڈیٹا کے ساتھ کام](2-Working-With-Data/README.md) | پینڈاز جیسی لائبریریوں کے ذریعے ڈیٹا کی کھوج کے لیے پائتھن کے استعمال کی بنیادی باتیں۔ پائتھن پروگرامنگ کی بنیادی سمجھ کی سفارش کی جاتی ہے۔ | [سبق](2-Working-With-Data/07-python/README.md) [ویڈیو](https://youtu.be/dZjWOGbsN4Y) | [دمیتری](http://soshnikov.com) |
| 08 | ڈیٹا کی تیاری | [ڈیٹا کے ساتھ کام](2-Working-With-Data/README.md) | ڈیٹا کی صفائی اور تبدیلی کی تکنیکیں تاکہ غائب، غلط یا نامکمل ڈیٹا کے مسائل کو حل کیا جا سکے۔ | [سبق](2-Working-With-Data/08-data-preparation/README.md) | [یاسمین](https://www.twitter.com/paladique) |
| 09 | مقدار کی بصری نمائندگی | [ڈیٹا ویژولائزیشن](3-Data-Visualization/README.md) | Matplotlib کا استعمال کرتے ہوئے پرندوں کے ڈیٹا کو بصری شکل میں پیش کریں 🦆 | [سبق](3-Data-Visualization/09-visualization-quantities/README.md) | [جن](https://twitter.com/jenlooper) |
| 10 | ڈیٹا کی تقسیم کی بصری نمائندگی | [ڈیٹا ویژولائزیشن](3-Data-Visualization/README.md) | ایک وقفے کے اندر مشاہدات اور رجحانات کی بصری نمائندگی۔ | [سبق](3-Data-Visualization/10-visualization-distributions/README.md) | [جن](https://twitter.com/jenlooper) |
| 11 | تناسب کی بصری نمائندگی | [ڈیٹا ویژولائزیشن](3-Data-Visualization/README.md) | محدود اور گروپ شدہ فیصدی کی بصری نمائندگی۔ | [سبق](3-Data-Visualization/11-visualization-proportions/README.md) | [جن](https://twitter.com/jenlooper) |
| 12 | تعلقات کی بصری نمائندگی | [ڈیٹا ویژولائزیشن](3-Data-Visualization/README.md) | ڈیٹا کے سیٹوں اور ان کی متغیرات کے درمیان تعلقات اور ربط کی بصری نمائندگی۔ | [سبق](3-Data-Visualization/12-visualization-relationships/README.md) | [جن](https://twitter.com/jenlooper) |
| 13 | معنی خیز بصری نمائندگی | [ڈیٹا ویژولائزیشن](3-Data-Visualization/README.md) | آپ کی بصری نمائندگیوں کو مؤثر مسئلہ حل کرنے اور بصیرت کے لئے قیمتی بنانے کی تکنیکیں اور رہنمائی۔ | [سبق](3-Data-Visualization/13-meaningful-visualizations/README.md) | [جن](https://twitter.com/jenlooper) |
| 14 | ڈیٹا سائنس کے لائف سائیکل کا تعارف | [لائف سائیکل](4-Data-Science-Lifecycle/README.md) | ڈیٹا سائنس کے لائف سائیکل اور اس کے پہلے مرحلے، یعنی ڈیٹا حاصل کرنے اور نکالنے کا تعارف۔ | [سبق](4-Data-Science-Lifecycle/14-Introduction/README.md) | [یاسمین](https://twitter.com/paladique) |
| 15 | تجزیہ کرنا | [لائف سائیکل](4-Data-Science-Lifecycle/README.md) | ڈیٹا سائنس کے لائف سائیکل کا مرحلہ جو ڈیٹا کے تجزیے کی تکنیکوں پر مرکوز ہے۔ | [سبق](4-Data-Science-Lifecycle/15-analyzing/README.md) | [یاسمین](https://twitter.com/paladique) | | |
| 16 | مواصلات | [لائف سائیکل](4-Data-Science-Lifecycle/README.md) | ڈیٹا سائنس کے لائف سائیکل کا مرحلہ جو ڈیٹا سے حاصل کی گئی بصیرت کو اس انداز میں پیش کرنے پر توجہ دیتا ہے تاکہ فیصلہ سازوں کے لیے سمجھنا آسان ہو۔ | [سبق](4-Data-Science-Lifecycle/16-communication/README.md) | [جیلن](https://twitter.com/JalenMcG) | | |
| 17 | کلاؤڈ میں ڈیٹا سائنس | [کلاؤڈ ڈیٹا](5-Data-Science-In-Cloud/README.md) | کلاؤڈ میں ڈیٹا سائنس اور اس کے فوائد کا تعارف۔ | [سبق](5-Data-Science-In-Cloud/17-Introduction/README.md) | [ٹیفنی](https://twitter.com/TiffanySouterre) اور [ماوڈ](https://twitter.com/maudstweets) |
| 18 | کلاؤڈ میں ڈیٹا سائنس | [کلاؤڈ ڈیٹا](5-Data-Science-In-Cloud/README.md) | Low Code ٹولز استعمال کرتے ہوئے ماڈلز کی تربیت۔ |[سبق](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [ٹیفنی](https://twitter.com/TiffanySouterre) اور [ماوڈ](https://twitter.com/maudstweets) |
| 19 | کلاؤڈ میں ڈیٹا سائنس | [کلاؤڈ ڈیٹا](5-Data-Science-In-Cloud/README.md) | Azure Machine Learning Studio کے ذریعے ماڈلز کی تعیناتی۔ | [سبق](5-Data-Science-In-Cloud/19-Azure/README.md)| [ٹیفنی](https://twitter.com/TiffanySouterre) اور [ماوڈ](https://twitter.com/maudstweets) |
| 20 | جنگل میں ڈیٹا سائنس | [جھنگل میں](6-Data-Science-In-Wild/README.md) | حقیقی دنیا میں ڈیٹا سائنس پر مبنی پروجیکٹس۔ | [سبق](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [نیتیا](https://twitter.com/nitya) |
| 01 | ڈیٹا سائنس کی تعریف | [تعارف](1-Introduction/README.md) | ڈیٹا سائنس کے بنیادی تصورات سیکھیں اور یہ مصنوعی ذہانت، مشین لرننگ، اور بگ ڈیٹا سے کیسے متعلق ہے۔ | [سبق](1-Introduction/01-defining-data-science/README.md) [ویڈیو](https://youtu.be/beZ7Mb_oz9I) | [دمیتری](http://soshnikov.com) |
| 02 | ڈیٹا سائنس کی اخلاقیات | [تعارف](1-Introduction/README.md) | ڈیٹا کی اخلاقیات کے تصورات، چیلنجز اور فریم ورک۔ | [سبق](1-Introduction/02-ethics/README.md) | [نیتیا](https://twitter.com/nitya) |
| 03 | ڈیٹا کی تعریف | [تعارف](1-Introduction/README.md) | ڈیٹا کی درجہ بندی اور اس کے عام ذرائع۔ | [سبق](1-Introduction/03-defining-data/README.md) | [جیسمن](https://www.twitter.com/paladique) |
| 04 | شماریات اور احتمال کا تعارف | [تعارف](1-Introduction/README.md) | ڈیٹا کو سمجھنے کے لیے احتمال اور شماریات کی ریاضیاتی تکنیکیں۔ | [سبق](1-Introduction/04-stats-and-probability/README.md) [ویڈیو](https://youtu.be/Z5Zy85g4Yjw) | [دمیتری](http://soshnikov.com) |
| 05 | تعلقاتی ڈیٹا کے ساتھ کام کرنا | [ڈیٹا کے ساتھ کام](2-Working-With-Data/README.md) | تعلقاتی ڈیٹا کا تعارف اور Structured Query Language (SQL) کے ذریعے تعلقاتی ڈیٹا کو تلاش اور تجزیہ کرنے کی بنیادی باتیں۔ | [سبق](2-Working-With-Data/05-relational-databases/README.md) | [کرسٹوفر](https://www.twitter.com/geektrainer) | | |
| 06 | NoSQL ڈیٹا کے ساتھ کام کرنا | [ڈیٹا کے ساتھ کام](2-Working-With-Data/README.md) | غیر تعلقاتی ڈیٹا کا تعارف، اس کی اقسام، اور ڈاکیومنٹ ڈیٹا بیسز کی تلاش اور تجزیہ کی بنیادی باتیں۔ | [سبق](2-Working-With-Data/06-non-relational/README.md) | [جیسمن](https://twitter.com/paladique)|
| 07 | پائتھون کے ساتھ کام کرنا | [ڈیٹا کے ساتھ کام](2-Working-With-Data/README.md) | Pandas جیسی لائبریریز کے ساتھ ڈیٹا دریافت کرنے کے لیے Python کے بنیادی اصول۔ Python پروگرامنگ کی بنیادی سمجھداری کی سفارش کی جاتی ہے۔ | [سبق](2-Working-With-Data/07-python/README.md) [ویڈیو](https://youtu.be/dZjWOGbsN4Y) | [دمیتری](http://soshnikov.com) |
| 08 | ڈیٹا کی تیاری | [ڈیٹا کے ساتھ کام](2-Working-With-Data/README.md) | ڈیٹا صاف کرنے اور اس کی تبدیلی کے موضوعات تاکہ گمشدہ، غیر درست، یا نامکمل ڈیٹا کے چیلنجز سے نمٹا جا سکے۔ | [سبق](2-Working-With-Data/08-data-preparation/README.md) | [جیسمن](https://www.twitter.com/paladique) |
| 09 | مقدار کی بصری نمائندگی | [ڈیٹا کی بصری نمائندگی](3-Data-Visualization/README.md) | پرندوں کے ڈیٹا کی بصری نمائندگی کے لیے Matplotlib کا استعمال سیکھیں 🦆 | [سبق](3-Data-Visualization/09-visualization-quantities/README.md) | [جین](https://twitter.com/jenlooper) |
| 10 | ڈیٹا کی تقسیم کی بصری نمائندگی | [ڈیٹا کی بصری نمائندگی](3-Data-Visualization/README.md) | مشاہدات اور رجحانات کو ایک وقفہ کے اندر بصری طور پر دکھانا۔ | [سبق](3-Data-Visualization/10-visualization-distributions/README.md) | [جین](https://twitter.com/jenlooper) |
| 11 | تناسب کی بصری نمائندگی | [ڈیٹا کی بصری نمائندگی](3-Data-Visualization/README.md) | معین اور گروپ شدہ فیصد کی بصری نمائندگی۔ | [سبق](3-Data-Visualization/11-visualization-proportions/README.md) | [جین](https://twitter.com/jenlooper) |
| 12 | تعلقات کی بصری نمائندگی | [ڈیٹا کی بصری نمائندگی](3-Data-Visualization/README.md) | ڈیٹا سیٹس اور ان کے متغیرات کے درمیان روابط اور تعلقات کی بصری نمائندگی۔ | [سبق](3-Data-Visualization/12-visualization-relationships/README.md) | [جین](https://twitter.com/jenlooper) |
| 13 | بامعنی بصری نمائندگیاں | [ڈیٹا کی بصری نمائندگی](3-Data-Visualization/README.md) | آپ کی بصری نمائندگی کو مسئلہ حل کرنے اور بصیرت کے لیے قیمتی بنانے کے لیے تکنیکیں اور رہنمائی۔ | [سبق](3-Data-Visualization/13-meaningful-visualizations/README.md) | [جین](https://twitter.com/jenlooper) |
| 14 | ڈیٹا سائنس لائف سائیکل کا تعارف | [لائف سائیکل](4-Data-Science-Lifecycle/README.md) | ڈیٹا سائنس لائف سائیکل کا تعارف اور ڈیٹا اکٹھا کرنے اور نکالنے کا پہلا مرحلہ۔ | [سبق](4-Data-Science-Lifecycle/14-Introduction/README.md) | [جیسمن](https://twitter.com/paladique) |
| 15 | تجزیہ کرنا | [لائف سائیکل](4-Data-Science-Lifecycle/README.md) | یہ مرحلہ ڈیٹا سائنس لائف سائیکل کا تجزیہ کے طریقوں پر مرکوز ہے۔ | [سبق](4-Data-Science-Lifecycle/15-analyzing/README.md) | [جیسمن](https://twitter.com/paladique) | | |
| 16 | ابلاغ | [لائف سائیکل](4-Data-Science-Lifecycle/README.md) | یہ مرحلہ ڈیٹا سائنس لائف سائیکل کا ان بصیرتوں کے پیش کرنے پر مرکوز ہے جو فیصلہ سازوں کے لیے سمجھنا آسان بناتی ہیں۔ | [سبق](4-Data-Science-Lifecycle/16-communication/README.md) | [جیلن](https://twitter.com/JalenMcG) | | |
| 17 | کلاؤڈ میں ڈیٹا سائنس | [کلاؤڈ ڈیٹا](5-Data-Science-In-Cloud/README.md) | اس سلسلہ دروس میں کلاؤڈ میں ڈیٹا سائنس اور اس کے فوائد کا تعارف کرایا گیا ہے۔ | [سبق](5-Data-Science-In-Cloud/17-Introduction/README.md) | [ٹیفنی](https://twitter.com/TiffanySouterre) اور [ماڈ](https://twitter.com/maudstweets) |
| 18 | کلاؤڈ میں ڈیٹا سائنس | [کلاؤڈ ڈیٹا](5-Data-Science-In-Cloud/README.md) | Low Code ٹولز کے ذریعے ماڈل کی تربیت۔ | [سبق](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [ٹیفنی](https://twitter.com/TiffanySouterre) اور [ماڈ](https://twitter.com/maudstweets) |
| 19 | کلاؤڈ میں ڈیٹا سائنس | [کلاؤڈ ڈیٹا](5-Data-Science-In-Cloud/README.md) | Azure Machine Learning Studio کے ساتھ ماڈل کی تعیناتی۔ | [سبق](5-Data-Science-In-Cloud/19-Azure/README.md)| [ٹیفنی](https://twitter.com/TiffanySouterre) اور [ماڈ](https://twitter.com/maudstweets) |
| 20 | جنگل میں ڈیٹا سائنس | [جنگل میں](6-Data-Science-In-Wild/README.md) | حقیقی دنیا میں ڈیٹا سائنس پر مبنی پروجیکٹس۔ | [سبق](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [نیتیا](https://twitter.com/nitya) |
## GitHub Codespaces
اس نمونے کو Codespace میں کھولنے کے لیے یہ اقدامات کریں:
1. کوڈ ڈراپ ڈاؤن مینو پر کلک کریں اور Open with Codespaces کا انتخاب کریں۔
2. پین کے نیچے + New codespace منتخب کریں۔
مزید معلومات کے لیے، [GitHub دستاویزات](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) ملاحظہ کریں۔
2. پین کے نیچے + New codespace کو منتخب کریں۔
مزید معلومات کے لیے، [GitHub دستاویزات](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) دیکھیں۔
## VSCode Remote - Containers
اپنے مقامی کمپیوٹر اور VSCode میں VS Code Remote - Containers ایکسٹینشن استعمال کرتے ہوئے اس رپوزٹری کو کنٹینر میں کھولنے کے لیے یہ اقدامات کریں:
اپنے مقامی کمپیوٹر اور VSCode کا استعمال کرتے ہوئے اس ریپو کو کنٹینر میں کھولنے کے لیے VS Code Remote - Containers ایکسٹینشن کے ذریعے یہ اقدامات کریں:
1. اگر یہ آپ کی پہلی بار ترقیاتی کنٹینر استعمال کرنے کا موقع ہے، تو براہ کرم اس بات کو یقینی بنائیں کہ آپ کا سسٹم پہلے سے ضروریات پوری کرتا ہے (جیسا کہ Docker انسٹال ہے) [شروع کرنے کی دستاویزات](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started) میں۔
1. اگر آپ پہلی بار ڈیولپمنٹ کنٹینر استعمال کر رہے ہیں، تو براہ کرم یقینی بنائیں کہ آپ کا سسٹم پری ریکوائرمنٹس (مثلاً Docker انسٹال ہونا) [شروع کرنے کی دستاویزات](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started) میں پورے کرتا ہے۔
اس رپوزٹری کو استعمال کرنے کے لیے، آپ یا تو رپوزٹری کو ایک علیحدہ Docker والیوم میں کھول سکتے ہیں:
اس ریپو کو استعمال کرنے کے لیے، آپ ریپو کو ایک علیحدہ Docker والیم میں کھول سکتے ہیں:
**نوٹ**: پس پردہ یہ Remote-Containers: **Clone Repository in Container Volume...** کمانڈ استعمال کرے گا تاکہ سورس کوڈ کو لوکل فائل سسٹم کی بجائے Docker والیوم میں کلون کیا جا سکے۔ [والیومز](https://docs.docker.com/storage/volumes/) کنٹینر ڈیٹا کو محفوظ کرنے کا ترجیحی طریقہ ہیں۔
**نوٹ**: اندرونی عمل میں، یہ Remote-Containers: **Clone Repository in Container Volume...** کمانڈ استعمال کرے گا تاکہ سورس کوڈ کو مقامی فائل سسٹم کی بجائے Docker والیم میں کلون کرے۔ [والیمز](https://docs.docker.com/storage/volumes/) کنٹینر ڈیٹا کو برقرار رکھنے کا ترجیحی طریقہ ہیں۔
یا رپوزٹری کی مقامی کلون شدہ یا ڈاؤن لوڈ کی گئی کاپی کو کھولیں:
یا پھر ریپو کی لوکل کلون یا ڈاؤن لوڈ کی گئی کاپی کھولیں:
- اس رپوزٹری کو اپنے لوکل فائل سسٹم پر کلون کریں۔
- F1 دبائیں اور **Remote-Containers: Open Folder in Container...** کمانڈ منتخب کریں۔
- فولڈر کی کلون شدہ کاپی منتخب کریں، کنٹینر شروع ہونے کا انتظار کریں، اور آزما کر دیکھیں۔
- اس ریپو کو اپنے مقامی فائل سسٹم پر کلون کریں۔
- F1 دبائیں اور **Remote-Containers: Open Folder in Container...** کمانڈ منتخب کریں۔
- اس فولڈر کی کلون کی گئی کاپی منتخب کریں، کنٹینر شروع ہونے کا انتظار کریں، اور تجربہ کریں۔
## آف لائن رسائی
آپ اس دستاویز کو Docsify استعمال کرکے آف لائن چلا سکتے ہیں۔ اس رپوزٹری کو فورک کریں، اپنی مشین پر [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart)، پھر اس رپوزٹری کے روٹ فولڈر میں `docsify serve` ٹائپ کریں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر چلائی جائے گی: `localhost:3000`۔
آپ [Docsify](https://docsify.js.org/#/) استعمال کرکے یہ دستاویزات آف لائن چلا سکتے ہیں۔ اس ریپو کو فورک کریں، اپنے مقامی کمپیوٹر پر [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart)، پھر اس ریپو کے روٹ فولڈر میں `docsify serve` ٹائپ کریں۔ ویب سائٹ آپ کے مقامی ہوسٹ پر پورٹ 3000 پر دستیاب ہوگی: `localhost:3000`۔
> نوٹ کریں، نوٹ بکس Docsify کے ذریعے ظاہر نہیں ہوں گی، لہٰذا جب آپ کو کوئی نوٹ بک چلانی ہو تو اسے VS Code میں پائتھن کرنل کے ساتھ الگ سے چلا لیں۔
> نوٹ، نوٹ بکس Docsify کے ذریعے رینڈر نہیں ہوں گے، لہٰذا جب نوٹ بک چلانی ہو تو اسے VS Code میں Python کرنل چلاتے ہوئے الگ سے کریں۔
## دیگر نصاب
ہماری ٹیم دیگر نصاب تیار کرتی ہے! دیکھیں:
ہماری ٹیم دیگر نصاب بھی فراہم کرتی ہے! دیکھیں:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### لینگ چین
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
@ -243,19 +244,19 @@
## مدد حاصل کرنا
**کیا آپ کو مسائل درپیش ہیں؟** عام مسائل کے حل کے لیے ہمارا [Troubleshooting Guide](TROUBLESHOOTING.md) چیک کریں۔
**مسائل کا سامنا ہے؟** عام مسائل کے حل کے لیے ہمارا [مسائل حل کرنے کی رہنمائی](TROUBLESHOOTING.md) دیکھیں۔
اگر آپ اٹک گئے ہیں یا AI ایپس بنانے کے حوالے سے کوئی سوالات ہیں تو۔ دوسرے سیکھنے والے اور تجربہ کار ڈویلپرز کے ساتھ MCP کی بحثوں میں شامل ہوں۔ یہ ایک معاون کمیونٹی ہے جہاں سوالات کو خوش آمدید کہا جاتا ہے اور علم آزادانہ طور پر شیئر کیا جاتا ہے۔
اگر آپ پھنس جاتے ہیں یا AI ایپلیکیشنز بنانے کے بارے میں کوئی سوال ہے، تو MCP کے بارے میں گفتگو میں شامل ہوں۔ یہ ایک تعاون پر مبنی کمیونٹی ہے جہاں سوالات کا خیرمقدم کیا جاتا ہے اور علم کھلے دل سے شیئر کیا جاتا ہے۔
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجموں میں غلطیاں یا نادقت ہو سکتی ہیں۔ اصل دستاویز اپنی مقامی زبان میں ہی معتبر ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمہ تجویز کیا جاتا ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والے کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
**ڈس کلیمر**:
اس دستاویز کا ترجمہ AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعہ کیا گیا ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار تراجم میں غلطیاں یا نقائص ہو سکتے ہیں۔ اصل دستاویز اپنی مادری زبان میں مستند ذریعہ سمجھا جائے۔ اہم معلومات کے لیے پیشہ ورانہ انسانی ترجمہ تجویز کیا جاتا ہے۔ ہم اس ترجمہ کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### 生成式 AI 系列
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Core Learning
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
localizeflow[bot]
6 days ago