Data-Science-For-Beginners/translations/fa

علم داده برای مبتدی‌ها - یک برنامه درسی

حمایت‌کنندگان ابری آزور در مایکروسافت خوشحالند که یک برنامه درسی ۱۰ هفته‌ای، شامل ۲۰ درس درباره علم داده ارائه دهند. هر درس شامل آزمون‌های قبل و بعد از درس، دستورالعمل‌های کتبی برای تکمیل درس، راه‌حل و یک تکلیف است. آموزش مبتنی بر پروژه ما به شما اجازه می‌دهد در حین ساختن یاد بگیرید، روشی اثبات شده برای ماندگاری مهارت‌های جدید.

با سپاس فراوان از نویسندگان ما: Jasmine Greenaway، Dmitry Soshnikov، Nitya Narasimhan، Jalen McGee، Jen Looper، Maud Levy، Tiffany Souterre، Christopher Harrison.

🙏 تشکر ویژه 🙏 از نویسندگان، بازبینان و مشارکت‌کنندگان محتوا از سفیران دانشجویی مایکروسافت، بخصوص آریان آروورا، Aditya Garg، Alondra Sanchez، Ankita Singh، Anupam Mishra، Arpita Das، ChhailBihari Dubey، Dibri Nsofor، Dishita Bhasin، Majd Safi، Max Blum، Miguel Correa، Mohamma Iftekher (Iftu) Ebne Jalal، Nawrin Tabassum، Raymond Wangsa Putra، Rohit Yadav، Samridhi Sharma، Sanya Sinha، Sheena Narula، Tauqeer Ahmad، Yogendrasingh Pawar، Vidushi Gupta، Jasleen Sondhi

علم داده برای مبتدی‌ها - یادداشت تصویری توسط @nitya

🌐 پشتیبانی چندزبانه

پشتیبانی شده از طریق GitHub Action (خودکار و همیشه به‌روز)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

ترجیح می‌دهید لوکال کلون کنید؟

این مخزن بیش از ۵۰ ترجمه زبانی دارد که اندازه دانلود را بطور قابل توجهی افزایش می‌دهد. برای کلون بدون ترجمه‌ها از sparse checkout استفاده کنید:

git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

این به شما همه چیزی را که برای تکمیل دوره نیاز دارید با سرعت دانلود بسیار سریعتر می‌دهد.

اگر می‌خواهید زبان‌های ترجمه بیشتری پشتیبانی شوند، فهرست آنها در اینجا آمده است

به جامعه ما بپیوندید

ما یک سری یادگیری در دیسکورد با هوش مصنوعی داریم، بیشتر بیاموزید و از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ به ما بپیوندید در سری آموزش با هوش مصنوعی. شما نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را دریافت خواهید کرد.

آیا شما دانشجو هستید؟

با منابع زیر شروع کنید:

• صفحه مرکز دانشجویی در این صفحه منابع برای مبتدیان، بسته‌های دانشجویی و حتی روش‌هایی برای دریافت کارت رایگان صدور گواهی خواهید یافت. این صفحه‌ای است که می‌خواهید نشانک بزنید و هر از گاهی بررسی کنید چون ما محتوا را حداقل ماهانه تعویض می‌کنیم.
• سفیران دانشجویی مایکروسافت به یک جامعه جهانی سفیران دانشجویی بپیوندید، این می‌تواند راه شما به مایکروسافت باشد.

شروع به کار

📚 مستندات

• راهنمای نصب - دستورالعمل گام به گام برای مبتدیان
• راهنمای استفاده - نمونه‌ها و جریان‌های کاری رایج
• عیب‌یابی - راه‌حل مشکلات رایج
• راهنمای مشارکت - چگونه در این پروژه مشارکت کنیم
• برای معلمان - راهنمایی تدریس و منابع کلاسی

👨‍🎓 برای دانشجویان

مبتدی مطلق: تازه وارد علم داده شده‌اید؟ با نمونه‌های دوستانه برای مبتدیان ما شروع کنید! این نمونه‌های ساده و کامنت‌گذاری شده به شما کمک می‌کند پایه‌ها را قبل از ورود به برنامه درسی کامل درک کنید. دانشجویان: برای استفاده از این برنامه درسی به صورت خودآموز، کل مخزن را فورک کنید و تمرینات را به تنهایی کامل کنید، از آزمون پیش-درس شروع کنید. سپس درس را بخوانید و بقیه فعالیت‌ها را انجام دهید. سعی کنید پروژه‌ها را با درک درس‌ها بسازید نه کپی کردن کد راه‌حل؛ هرچند آن کد در پوشه /solutions در هر درس مبتنی بر پروژه موجود است. ایده دیگر تشکیل یک گروه مطالعاتی با دوستان و مرور محتوا با هم است. برای مطالعه بیشتر، ما Microsoft Learn را توصیه می‌کنیم.

شروع سریع:

1. راهنمای نصب را برای راه‌اندازی محیط خود بررسی کنید
2. راهنمای استفاده را برای یادگیری چگونه کار کردن با برنامه درسی مرور کنید
3. با درس ۱ شروع کرده و به ترتیب پیش بروید
4. برای پشتیبانی به جامعه دیسکورد ما بپیوندید

👩‍🏫 برای معلمان

معلمان: ما چند پیشنهاد برای استفاده از این برنامه درسی ارائه کرده‌ایم. خوشحال می‌شویم بازخورد شما را در انجمن بحث ما دریافت کنیم!

ملاقات با تیم

گیف توسط Mohit Jaisal

🎥 برای دیدن ویدیو درباره پروژه و افرادی که آن را ساخته‌اند روی تصویر بالا کلیک کنید!

روش تدریس

در ساخت این دوره آموزشی، دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از اینکه پروژه‌محور است و شامل آزمون‌های مکرر باشد. در پایان این مجموعه، دانش‌آموزان اصول پایه‌ای علم داده را یاد خواهند گرفت، از جمله مفاهیم اخلاقی، آماده‌سازی داده‌ها، روش‌های مختلف کار با داده، مصورسازی داده، تحلیل داده، کاربردهای واقعی علم داده و بیشتر.

علاوه بر این، یک آزمون کم‌فشار قبل از کلاس، قصد دانش‌آموز را برای یادگیری موضوعی مشخص می‌کند و آزمون دوم پس از کلاس، به تثبیت بیشتر مطلب کمک می‌کند. این دوره طوری طراحی شده که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان کل آن یا بخشی از آن را طی کرد. پروژه‌ها کوچک شروع شده و تا پایان چرخه ۱۰ هفته‌ای به تدریج پیچیده‌تر می‌شوند.

دستورالعمل‌های Code of Conduct، Contributing و Translation ما را پیدا کنید. بازخورد سازنده شما را خوش‌آمد می‌گوییم!

هر درس شامل:

• یادداشت تصویری اختیاری
• ویدیو تکمیلی اختیاری
• آزمون گرم‌کننده پیش از درس
• درس نوشتاری
• برای درس‌های پروژه‌محور، راهنمای گام‌به‌گام برای ساخت پروژه
• بررسی دانش
• چالش
• مطالعه تکمیلی
• تکلیف
• آزمون پس از درس

نکته‌ای درباره آزمون‌ها: همه آزمون‌ها در پوشه Quiz-App قرار دارند، شامل ۴۰ آزمون با سه سوال هر کدام. این‌ها از داخل درس‌ها لینک شده‌اند، اما می‌توان برنامه آزمون را به صورت محلی اجرا یا در Azure مستقر کرد؛ دستورالعمل‌ها در پوشه quiz-app قرار دارد. آزمون‌ها به تدریج محلی‌سازی می‌شوند.

🎓 مثال‌های مناسب مبتدیان

جدید در علم داده هستید؟ ما یک دایرکتوری مثال ویژه با کدهای ساده و به خوبی کامنت‌گذاری شده ایجاد کرده‌ایم تا به شما در شروع کمک کند:

• 🌟 سلام دنیا - اولین برنامه علم داده شما
• 📂 بارگذاری داده‌ها - یادگیری خواندن و بررسی داده‌ها
• 📊 تحلیل ساده - محاسبه آمار و یافتن الگوها
• 📈 مصورسازی پایه - ساخت نمودارها و گراف‌ها
• 🔬 پروژه دنیای واقعی - جریان کاری کامل از ابتدا تا انتها

هر مثال شامل کامنت‌های مفصل است که هر مرحله را توضیح می‌دهد، مناسب برای کاملاً مبتدی‌ها!

👉 شروع با مثال‌ها 👈

دروس

داده‌کاوی برای مبتدیان: نقشه راه - یادداشت تصویری توسط @nitya

شماره درس	موضوع	گروه درس	اهداف یادگیری	درس مرتبط	نویسنده
۰۱	تعریف علم داده	مقدمه	یادگیری مفاهیم پایه علم داده و رابطه آن با هوش مصنوعی، یادگیری ماشین و داده‌های بزرگ.	درس ویدیو	دیمیتری
۰۲	اخلاق در علم داده	مقدمه	مفاهیم اخلاقی داده، چالش‌ها و چهارچوب‌ها.	درس	نیتیا
۰۳	تعریف داده	مقدمه	چگونگی دسته‌بندی داده و منابع معمول آن.	درس	جاسمین
۰۴	مقدمه‌ای بر آمار و احتمال	مقدمه	تکنیک‌های ریاضی احتمالات و آمار برای درک داده‌ها.	درس ویدیو	دیمیتری
۰۵	کار با داده‌های رابطه‌ای	کار با داده	مقدمه‌ای بر داده‌های رابطه‌ای و مبانی بررسی و تحلیل داده‌های رابطه‌ای با زبان پرس‌وجوی ساخت‌یافته، معروف به SQL (تلفظ "سی‌کوئل").	درس	کریستوفر
۰۶	کار با داده‌های NoSQL	کار با داده	مقدمه‌ای بر داده‌های غیررابطه‌ای، انواع مختلف آن و مبانی بررسی و تحلیل پایگاه‌های داده سندی.	درس	جاسمین
۰۷	کار با پایتون	کار با داده	مبانی استفاده از پایتون برای بررسی داده‌ها با کتابخانه‌هایی مثل Pandas. داشتن درک پایه‌ای از برنامه‌نویسی پایتون توصیه می‌شود.	درس ویدیو	دیمیتری
۰۸	آماده‌سازی داده	کار با داده	موضوعاتی درباره تکنیک‌های داده برای پاک‌سازی و تبدیل داده‌ها به منظور مقابله با چالش‌های داده‌های گم‌شده، نادرست یا ناقص.	درس	جاسمین
۰۹	مصورسازی کمیت‌ها	مصورسازی داده	یادگیری استفاده از Matplotlib برای مصورسازی داده‌های پرندگان 🦆	درس	جن
۱۰	مصورسازی توزیع داده‌ها	مصورسازی داده	مصورسازی مشاهدات و روندها در بازه‌ای مشخص.	درس	جن
۱۱	مصورسازی نسبت‌ها	مصورسازی داده	مصورسازی درصدهای گسسته و گروه‌بندی‌شده.	درس	جن
۱۲	مصورسازی روابط	مصورسازی داده	مصورسازی اتصالات و همبستگی‌ها بین مجموعه‌های داده و متغیرهایشان.	درس	جن
۱۳	مصورسازی‌های معنادار	مصورسازی داده	تکنیک‌ها و راهنمایی‌هایی برای ارزشمند کردن مصورسازی‌ها برای حل مؤثر مسائل و کسب بینش.	درس	جن
۱۴	مقدمه‌ای بر چرخه عمر علم داده	چرخه عمر	معرفی چرخه عمر علم داده و اولین گام آن در کسب و استخراج داده.	درس	جاسمین
۱۵	تحلیل	چرخه عمر	این مرحله از چرخه عمر علم داده بر تکنیک‌های تحلیل داده تمرکز دارد.	درس	جاسمین
۱۶	ارتباطات	چرخه عمر	این مرحله از چرخه عمر علم داده بر ارائه بینش‌های داده به شیوه‌ای متمرکز است که تصمیم‌گیرندگان راحت‌تر آنها را درک کنند.	درس	جالن
۱۷	علم داده در فضای ابری	داده در فضای ابری	این سری دروس، علم داده در فضای ابری و مزایای آن را معرفی می‌کند.	درس	تیفانی و مود
۱۸	علم داده در فضای ابری	داده در فضای ابری	آموزش مدل‌ها با ابزارهای کد کم.	درس	تیفانی و مود
۱۹	علم داده در فضای ابری	داده در فضای ابری	پیاده‌سازی مدل‌ها با Azure Machine Learning Studio.	درس	تیفانی و مود
۲۰	علم داده در دنیای واقعی	در دنیای واقعی	پروژه‌های مبتنی بر علم داده در دنیای واقعی.	درس	نیتیا

گیت‌هاب کد‌اسپیس

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. گزینه + New codespace را در پایین پنل انتخاب کنید. برای اطلاعات بیشتر، مستندات GitHub را بررسی کنید.

VSCode Remote - Containers

برای باز کردن این مخزن در یک کانتینر با استفاده از ماشین محلی و VSCode با استفاده از افزونه VS Code Remote - Containers مراحل زیر را دنبال کنید:

1. اگر برای اولین بار است که از کانتینر توسعه استفاده می‌کنید، لطفاً مطمئن شوید که سیستم شما پیش‌نیازها (مانند نصب Docker) را در مستندات شروع به کار دارد.

برای استفاده از این مخزن، می‌توانید مخزن را در یک حجم مجزا Docker باز کنید:

توجه: زیرساخت این کار از فرمان Remote-Containers: Clone Repository in Container Volume... برای کلون کردن کد منبع در یک حجم Docker به جای سیستم فایل محلی استفاده می‌کند. حجم‌ها مکانیزم ترجیحی برای حفظ داده‌های کانتینر هستند.

یا نسخه‌ای از مخزن را به‌صورت محلی کلون یا دانلود 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 کلون‌شده این پوشه را انتخاب کنید، صبر کنید تا کانتینر شروع شود و سپس شروع به کار کنید.

دسترسی آفلاین

می‌توانید این مستندات را به صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را نصب کنید روی ماشین محلی خود، سپس در پوشه ریشه این مخزن تایپ کنید docsify serve. سایت در پورت ۳۰۰۰ روی localhost شما ارائه خواهد شد: localhost:3000.

توجه کنید که نوت‌بوک‌ها توسط Docsify رندر نمی‌شوند، بنابراین زمانی که نیاز به اجرای نوت‌بوک دارید، آن را جداگانه در VS Code با کرنل پایتون اجرا کنید.

دوره‌های آموزشی دیگر

تیم ما دوره‌های دیگری تولید می‌کند! نگاهی بیندازید:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Core Learning

---

Copilot Series

دریافت کمک

با مشکل مواجه شده‌اید؟ راهنمای عیب‌یابی ما را برای یافتن راه‌حل مشکلات رایج بررسی کنید.

اگر در ساخت برنامه‌های هوش مصنوعی گیر کرده‌اید یا سوالی دارید. به جمع یادگیرندگان و توسعه‌دهندگان باتجربه در بحث‌ها درباره MCP بپیوندید. این یک جامعه حمایتی است که در آن سوالات پذیرفته شده و دانش به صورت رایگان به اشتراک گذاشته می‌شود.

اگر بازخورد محصول یا خطاهایی در هنگام ساخت داشتید، مراجعه کنید به:

---

توضیح مهم:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است حاوی اشتباهات یا نواقص باشند. سند اصلی به زبان بومی خود، منبع معتبر و قابل‌اطمینان به شمار می‌رود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده شود. ما مسئول هیچ گونه سوء تفاهم یا برداشت نادرستی که ناشی از استفاده از این ترجمه باشد، نیستیم.