# علم داده برای مبتدیان - یک برنامه آموزشی Azure Cloud Advocates در مایکروسافت با افتخار یک برنامه آموزشی ۱۰ هفته‌ای و ۲۰ درس درباره علم داده ارائه می‌دهند. هر درس شامل آزمون‌های پیش از درس و پس از درس، دستورالعمل‌های نوشتاری برای تکمیل درس، یک راه‌حل و یک تکلیف است. روش آموزشی مبتنی بر پروژه ما به شما امکان می‌دهد در حین ساختن یاد بگیرید، که یک روش اثبات‌شده برای تثبیت مهارت‌های جدید است. **تشکر ویژه از نویسندگان ما:** [جاسمین گرین‌اوی](https://www.twitter.com/paladique)، [دمیتری سوشنیکوف](http://soshnikov.com)، [نیتیا ناراسیمهان](https://twitter.com/nitya)، [جالن مک‌گی](https://twitter.com/JalenMcG)، [جن لوپر](https://twitter.com/jenlooper)، [مود لوی](https://twitter.com/maudstweets)، [تیفانی سوتر](https://twitter.com/TiffanySouterre)، [کریستوفر هریسون](https://www.twitter.com/geektrainer). **🙏 تشکر ویژه 🙏 از [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) نویسندگان، بازبینان و مشارکت‌کنندگان محتوا،** به‌ویژه آریان آرورا، [آدیتیا گارگ](https://github.com/AdityaGarg00)، [آلوندرا سانچز](https://www.linkedin.com/in/alondra-sanchez-molina/)، [آنکیتا سینگ](https://www.linkedin.com/in/ankitasingh007)، [انوپام میشرا](https://www.linkedin.com/in/anupam--mishra/)، [آرپیتا داس](https://www.linkedin.com/in/arpitadas01/)، چهل‌بیهاری دوبی، [دیبری نسوفور](https://www.linkedin.com/in/dibrinsofor)، [دیشیتا باسین](https://www.linkedin.com/in/dishita-bhasin-7065281bb)، [مجید صافی](https://www.linkedin.com/in/majd-s/)، [مکس بلوم](https://www.linkedin.com/in/max-blum-6036a1186/)، [میگل کوریا](https://www.linkedin.com/in/miguelmque/)، [محمد افتخار (ایفتو) ابن جلال](https://twitter.com/iftu119)، [ناورین تبسم](https://www.linkedin.com/in/nawrin-tabassum)، [ریموند وانگسا پوترا](https://www.linkedin.com/in/raymond-wp/)، [روهیت یاداو](https://www.linkedin.com/in/rty2423)، سامریدی شارما، [سانیا سینها](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200)، [شینا نارولا](https://www.linkedin.com/in/sheena-narua-n/)، [توقیر احمد](https://www.linkedin.com/in/tauqeerahmad5201/)، یوگندرا سینگ پاوار، [ویدوشی گوپتا](https://www.linkedin.com/in/vidushi-gupta07/)، [جسلین سوندی](https://www.linkedin.com/in/jasleen-sondhi/) || |:---:| | علم داده برای مبتدیان - _Sketchnote توسط [@nitya](https://twitter.com/nitya)_ | ### 🌐 پشتیبانی چندزبانه #### پشتیبانی شده از طریق GitHub Action (خودکار و همیشه به‌روز) [فرانسوی](../fr/README.md) | [اسپانیایی](../es/README.md) | [آلمانی](../de/README.md) | [روسی](../ru/README.md) | [عربی](../ar/README.md) | [فارسی](./README.md) | [اردو](../ur/README.md) | [چینی (ساده‌شده)](../zh/README.md) | [چینی (سنتی، ماکائو)](../mo/README.md) | [چینی (سنتی، هنگ‌کنگ)](../hk/README.md) | [چینی (سنتی، تایوان)](../tw/README.md) | [ژاپنی](../ja/README.md) | [کره‌ای](../ko/README.md) | [هندی](../hi/README.md) | [بنگالی](../bn/README.md) | [مراتی](../mr/README.md) | [نپالی](../ne/README.md) | [پنجابی (گرمکی)](../pa/README.md) | [پرتغالی (پرتغال)](../pt/README.md) | [پرتغالی (برزیل)](../br/README.md) | [ایتالیایی](../it/README.md) | [لهستانی](../pl/README.md) | [ترکی](../tr/README.md) | [یونانی](../el/README.md) | [تایلندی](../th/README.md) | [سوئدی](../sv/README.md) | [دانمارکی](../da/README.md) | [نروژی](../no/README.md) | [فنلاندی](../fi/README.md) | [هلندی](../nl/README.md) | [عبری](../he/README.md) | [ویتنامی](../vi/README.md) | [اندونزیایی](../id/README.md) | [مالایی](../ms/README.md) | [تاگالوگ (فیلیپینی)](../tl/README.md) | [سواحیلی](../sw/README.md) | [مجاری](../hu/README.md) | [چکی](../cs/README.md) | [اسلواکی](../sk/README.md) | [رومانیایی](../ro/README.md) | [بلغاری](../bg/README.md) | [صربی (سیریلیک)](../sr/README.md) | [کرواتی](../hr/README.md) | [اسلوونیایی](../sl/README.md) | [اوکراینی](../uk/README.md) | [برمه‌ای (میانمار)](../my/README.md) **اگر می‌خواهید زبان‌های ترجمه اضافی پشتیبانی شوند، لیست زبان‌های موجود [اینجا](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) قرار دارد.** #### به جامعه ما بپیوندید [](https://discord.gg/kzRShWzttr) # آیا 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 یک کوپن گواهی رایگان را خواهید یافت. این صفحه‌ای است که باید نشانک‌گذاری کنید و هر از گاهی بررسی کنید، زیرا ما حداقل ماهانه محتوا را تغییر می‌دهیم. - [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) به یک جامعه جهانی از سفیران دانشجویی بپیوندید، این می‌تواند راه شما به مایکروسافت باشد. # شروع به کار > **معلمان**: ما [برخی پیشنهادات](for-teachers.md) در مورد نحوه استفاده از این برنامه آموزشی را گنجانده‌ایم. ما مشتاقانه منتظر بازخورد شما [در انجمن بحث ما](https://github.com/microsoft/Data-Science-For-Beginners/discussions) هستیم! > **[دانشجویان](https://aka.ms/student-page)**: برای استفاده از این برنامه آموزشی به‌صورت مستقل، کل مخزن را فورک کنید و تمرین‌ها را به‌صورت مستقل انجام دهید، با آزمون پیش از درس شروع کنید. سپس درس را بخوانید و بقیه فعالیت‌ها را تکمیل کنید. سعی کنید پروژه‌ها را با درک درس‌ها ایجاد کنید، نه با کپی کردن کد راه‌حل؛ با این حال، آن کد در پوشه‌های /solutions در هر درس مبتنی بر پروژه موجود است. ایده دیگر این است که یک گروه مطالعه با دوستان تشکیل دهید و محتوا را با هم مرور کنید. برای مطالعه بیشتر، ما [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) را توصیه می‌کنیم. ## آشنایی با تیم [](https://youtu.be/8mzavjQSMM4 "ویدیو تبلیغاتی") **Gif توسط** [موهیت جایسال](https://www.linkedin.com/in/mohitjaisal) > 🎥 روی تصویر بالا کلیک کنید تا ویدیویی درباره پروژه و افرادی که آن را ایجاد کرده‌اند مشاهده کنید! ## روش آموزشی ما دو اصل آموزشی را هنگام ساخت این برنامه آموزشی انتخاب کرده‌ایم: اطمینان از اینکه مبتنی بر پروژه است و شامل آزمون‌های مکرر می‌شود. تا پایان این سری، دانشجویان اصول اولیه علم داده را یاد خواهند گرفت، از جمله مفاهیم اخلاقی، آماده‌سازی داده‌ها، روش‌های مختلف کار با داده‌ها، مصورسازی داده‌ها، تحلیل داده‌ها، موارد استفاده واقعی از علم داده و موارد دیگر. علاوه بر این، یک آزمون کم‌فشار قبل از کلاس، توجه دانشجو را به یادگیری یک موضوع جلب می‌کند، در حالی که یک آزمون دوم پس از کلاس، حفظ بیشتر را تضمین می‌کند. این برنامه آموزشی به‌گونه‌ای طراحی شده است که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را به‌صورت کامل یا جزئی گذراند. پروژه‌ها کوچک شروع می‌شوند و تا پایان چرخه ۱۰ هفته‌ای به‌تدریج پیچیده‌تر می‌شوند. راهنمای [رفتار حرفه‌ای](CODE_OF_CONDUCT.md)، [مشارکت](CONTRIBUTING.md)، و [ترجمه](TRANSLATIONS.md) ما را ببینید. ما از بازخورد سازنده شما استقبال می‌کنیم! ## هر درس شامل موارد زیر است: - یادداشت تصویری اختیاری - ویدئوی تکمیلی اختیاری - آزمون گرم‌آپ قبل از درس - درس نوشتاری - برای درس‌های پروژه‌محور، راهنمای گام‌به‌گام برای ساخت پروژه - بررسی دانش - یک چالش - مطالعه تکمیلی - تکلیف - [آزمون پس از درس](https://ff-quizzes.netlify.app/en/) > **نکته‌ای درباره آزمون‌ها**: تمام آزمون‌ها در پوشه Quiz-App قرار دارند و شامل ۴۰ آزمون با سه سؤال در هر آزمون هستند. این آزمون‌ها از داخل درس‌ها لینک شده‌اند، اما اپلیکیشن آزمون می‌تواند به صورت محلی اجرا شود یا در Azure مستقر شود؛ دستورالعمل‌های موجود در پوشه `quiz-app` را دنبال کنید. این آزمون‌ها به تدریج بومی‌سازی می‌شوند. ## درس‌ها || |:---:| | علم داده برای مبتدیان: نقشه راه - _یادداشت تصویری توسط [@nitya](https://twitter.com/nitya)_ | | شماره درس | موضوع | گروه‌بندی درس | اهداف یادگیری | درس مرتبط | نویسنده | | :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | | 01 | تعریف علم داده | [مقدمه](1-Introduction/README.md) | یادگیری مفاهیم پایه علم داده و ارتباط آن با هوش مصنوعی، یادگیری ماشین و داده‌های کلان. | [درس](1-Introduction/01-defining-data-science/README.md) [ویدئو](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | | 02 | اخلاق علم داده | [مقدمه](1-Introduction/README.md) | مفاهیم اخلاق داده، چالش‌ها و چارچوب‌ها. | [درس](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | | 03 | تعریف داده | [مقدمه](1-Introduction/README.md) | نحوه طبقه‌بندی داده‌ها و منابع رایج آن‌ها. | [درس](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | | 04 | مقدمه‌ای بر آمار و احتمال | [مقدمه](1-Introduction/README.md) | تکنیک‌های ریاضی احتمال و آمار برای درک داده‌ها. | [درس](1-Introduction/04-stats-and-probability/README.md) [ویدئو](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | | 05 | کار با داده‌های رابطه‌ای | [کار با داده‌ها](2-Working-With-Data/README.md) | مقدمه‌ای بر داده‌های رابطه‌ای و اصول بررسی و تحلیل داده‌های رابطه‌ای با زبان Structured Query Language که به SQL (سی‌کوئل) معروف است. | [درس](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | | 06 | کار با داده‌های NoSQL | [کار با داده‌ها](2-Working-With-Data/README.md) | مقدمه‌ای بر داده‌های غیررابطه‌ای، انواع مختلف آن و اصول بررسی و تحلیل پایگاه‌های داده سندی. | [درس](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| | 07 | کار با پایتون | [کار با داده‌ها](2-Working-With-Data/README.md) | اصول استفاده از پایتون برای بررسی داده‌ها با کتابخانه‌هایی مانند Pandas. توصیه می‌شود که درک پایه‌ای از برنامه‌نویسی پایتون داشته باشید. | [درس](2-Working-With-Data/07-python/README.md) [ویدئو](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) | | 08 | آماده‌سازی داده‌ها | [کار با داده‌ها](2-Working-With-Data/README.md) | موضوعاتی درباره تکنیک‌های پاک‌سازی و تبدیل داده‌ها برای مقابله با چالش‌های داده‌های ناقص، نادرست یا ناکامل. | [درس](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | | 09 | مصورسازی مقادیر | [مصورسازی داده‌ها](3-Data-Visualization/README.md) | یادگیری نحوه استفاده از Matplotlib برای مصورسازی داده‌های پرندگان 🦆 | [درس](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) | | 10 | مصورسازی توزیع داده‌ها | [مصورسازی داده‌ها](3-Data-Visualization/README.md) | مصورسازی مشاهدات و روندها در یک بازه. | [درس](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) | | 11 | مصورسازی نسبت‌ها | [مصورسازی داده‌ها](3-Data-Visualization/README.md) | مصورسازی درصدهای گسسته و گروه‌بندی‌شده. | [درس](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | | 12 | مصورسازی روابط | [مصورسازی داده‌ها](3-Data-Visualization/README.md) | مصورسازی ارتباطات و همبستگی‌ها بین مجموعه‌های داده و متغیرهای آن‌ها. | [درس](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | | 13 | مصورسازی‌های معنادار | [مصورسازی داده‌ها](3-Data-Visualization/README.md) | تکنیک‌ها و راهنمایی‌هایی برای ارزشمند کردن مصورسازی‌ها جهت حل مؤثر مسائل و کسب بینش. | [درس](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | | 14 | مقدمه‌ای بر چرخه عمر علم داده | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | مقدمه‌ای بر چرخه عمر علم داده و اولین مرحله آن یعنی جمع‌آوری و استخراج داده‌ها. | [درس](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | | 15 | تحلیل | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | این مرحله از چرخه عمر علم داده بر تکنیک‌های تحلیل داده‌ها تمرکز دارد. | [درس](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | | 16 | ارتباط | [چرخه عمر](4-Data-Science-Lifecycle/README.md) | این مرحله از چرخه عمر علم داده بر ارائه بینش‌های حاصل از داده‌ها به گونه‌ای تمرکز دارد که تصمیم‌گیرندگان بتوانند آن را بهتر درک کنند. | [درس](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | | 17 | علم داده در فضای ابری | [داده‌های ابری](5-Data-Science-In-Cloud/README.md) | این مجموعه درس‌ها علم داده در فضای ابری و مزایای آن را معرفی می‌کند. | [درس](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) | | 18 | علم داده در فضای ابری | [داده‌های 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) | [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) | | 19 | 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)| [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) | | 20 | 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) | [Nitya](https://twitter.com/nitya) | ## GitHub Codespaces برای باز کردن این نمونه در یک Codespace مراحل زیر را دنبال کنید: 1. روی منوی کشویی Code کلیک کنید و گزینه Open with Codespaces را انتخاب کنید. 2. در پایین پنل، گزینه + New codespace را انتخاب کنید. برای اطلاعات بیشتر، به [مستندات GitHub](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 ماشین محلی و VSCode و افزونه VS Code Remote - Containers مراحل زیر را دنبال کنید: 1. اگر اولین بار است که از کانتینر توسعه استفاده می‌کنید، لطفاً مطمئن شوید که 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 مخزن را در یک حجم ایزوله Docker باز کنید: **توجه**: در پشت صحنه، این کار از دستور Remote-Containers: **Clone Repository in Container Volume...** استفاده می‌کند تا کد منبع را در یک حجم Docker به جای سیستم فایل محلی کلون کند. [Volumes](https://docs.docker.com/storage/volumes/) مکانیزم ترجیحی برای حفظ داده‌های کانتینر هستند. یا نسخه کلون‌شده یا دانلودشده محلی مخزن را باز کنید: - این مخزن را به سیستم فایل محلی خود کلون کنید. - کلید F1 را فشار دهید و دستور **Remote-Containers: Open Folder in Container...** را انتخاب کنید. - نسخه کلون‌شده این پوشه را انتخاب کنید، منتظر بمانید تا کانتینر شروع شود و موارد را امتحان کنید. ## دسترسی آفلاین می‌توانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را Fork کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) روی ماشین محلی خود، سپس در پوشه اصلی این مخزن، دستور `docsify serve` را تایپ کنید. وب‌سایت روی پورت 3000 در localhost شما اجرا خواهد شد: `localhost:3000`. > توجه داشته باشید، نوت‌بوک‌ها از طریق Docsify رندر نمی‌شوند، بنابراین زمانی که نیاز به اجرای یک نوت‌بوک دارید، آن را جداگانه در VS Code با اجرای یک کرنل پایتون انجام دهید. ## سایر برنامه‌های آموزشی تیم ما برنامه‌های آموزشی دیگری تولید می‌کند! بررسی کنید: - [هوش مصنوعی مولد برای مبتدیان](https://aka.ms/genai-beginners) - [هوش مصنوعی مولد برای مبتدیان .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [هوش مصنوعی مولد با جاوااسکریپت](https://github.com/microsoft/generative-ai-with-javascript) - [هوش مصنوعی مولد با جاوا](https://aka.ms/genaijava) - [هوش مصنوعی برای مبتدیان](https://aka.ms/ai-beginners) - [علم داده برای مبتدیان](https://aka.ms/datascience-beginners) - [Bash برای مبتدیان](https://github.com/microsoft/bash-for-beginners) - [یادگیری ماشین برای مبتدیان](https://aka.ms/ml-beginners) - [امنیت سایبری برای مبتدیان](https://github.com/microsoft/Security-101) - [توسعه وب برای مبتدیان](https://aka.ms/webdev-beginners) - [اینترنت اشیا برای مبتدیان](https://aka.ms/iot-beginners) - [یادگیری ماشین برای مبتدیان](https://aka.ms/ml-beginners) - [توسعه XR برای مبتدیان](https://aka.ms/xr-dev-for-beginners) - [تسلط بر GitHub Copilot برای برنامه‌نویسی جفتی هوش مصنوعی](https://aka.ms/GitHubCopilotAI) - [توسعه XR برای مبتدیان](https://github.com/microsoft/xr-development-for-beginners) - [تسلط بر GitHub Copilot برای توسعه‌دهندگان C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [ماجراجویی Copilot خود را انتخاب کنید](https://github.com/microsoft/CopilotAdventures) --- **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 برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادقتی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.