Data-Science-For-Beginners/translations/fa

علوم داده برای مبتدیان - یک برنامه درسی

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.

از نویسندگان محترممان صمیمانه تشکر می‌کنیم: جاسمین گرینووی، دیمیتری سوشنیکوف، نیتیا ناراسیمهان، جالن مک‌گی، جن لوپر، مود لوی، تیفانی سوتری، کریستوفر هریسون.

🙏 تشکر ویژه 🙏 از نویسندگان، بازبینان و مشارکت‌کنندگان محتوا از سفیران دانشجویی مایکروسافت، به‌ویژه آریان آرورا، ادیتیا گارگ، آلوندر سانچز، آنکیتا سینگ، آنوپم میشرا، آرپیتا داس، چایل‌بهایاری دوبی، دیبری نسوفور، دیشیتا باسین، مجد صفی، مکس بلوم، میگل کورئا، محمد افتهخر (ایفتو) ابن جلال، نوورین طباسم، ریموند وانگسا پوترا، روهیت یاداو، سمریدهی شارما، سانیا سینها، شینا نارولا، توقیر احمد، یوگندراسینگ پاوار، ویدوشی گوپتا، جلسین سوندی

علوم داده برای مبتدیان - نقشه 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 به صورت محلی کلون کنید؟

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:

Bash / macOS / Linux:

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'

CMD (Windows):

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 چیز لازم برای تکمیل دوره را با دانلود بسیار سریع‌تر می‌دهد.

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

به جامعه ما بپیوندید

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 بپیوندید. شما نکات و ترفندهای استفاده از GitHub Copilot برای علوم داده را خواهید آموخت.

آیا دانشجو هستید؟

با منابع زیر شروع کنید:

• صفحه مرکز دانشجویی 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 به جامعه جهانی سفیران دانشجویی بپیوندید، این می‌تواند راه ورود شما به مایکروسافت باشد.

شروع به کار

📚 مستندات

• راهنمای نصب - دستورالعمل‌های گام به گام راه‌اندازی برای مبتدیان
• راهنمای استفاده - مثال‌ها و جریان‌های کاری رایج
• رفع مشکل - راه‌حل‌های مشکلات رایج
• راهنمای مشارکت - چگونه به این پروژه کمک کنیم
• برای معلمان - راهنمای تدریس و منابع کلاسی

👨‍🎓 برای دانشجویان

کاملاً مبتدی: به علوم داده تازه واردید؟ با مثال‌های مناسب مبتدیان 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: 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.

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 برای دریافت پشتیبانی بپیوندید

👩‍🏫 برای معلمان

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

تیم ما را بشناسید

گیف از Mohit Jaisal

🎥 برای دیدن ویدئویی درباره پروژه و افرادی که آن را ساخته‌اند، 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.

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.

راهنمای رفتارنامه، مشارکت، ترجمه را بیابید. ما از بازخورد سازنده شما استقبال می‌کنیم!

هر درس شامل:

• نقشه‌کشی اختیاری
• ویدئوی مکمل اختیاری
• آزمون گرم‌کردن پیش از درس
• درس مکتوب
• برای درس‌های مبتنی بر پروژه، راهنمای گام‌به‌گام ساخت پروژه
• بررسی دانش
• چالش
• مطالعه مکمل
• تکلیف
• آزمون پس از درس

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.

🎓 مثال‌های مناسب مبتدیان

به علم داده تازه‌واردید؟ دایرکتوری خاصی از مثال‌ها ساخته‌ایم با کد ساده و کامنت‌گذاری شده برای کمک به شروع شما:

• 🌟 سلام دنیا - اولین برنامه علم داده شما
• 📂 بارگذاری داده‌ها - یادگیری خواندن و بررسی 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

هر مثال شامل توضیحات جزئی هر مرحله است که آن را برای مبتدیان مطلق ایده‌آل می‌کند!

👉 شروع با مثال‌ها 👈

درس‌ها

نقشه راه علم داده برای مبتدیان - نقشه‌کشی توسط @nitya

شماره درس	موضوع	گروه درس	اهداف یادگیری	درس مرتبط	نویسنده
۰۱	تعریف علم داده	مقدمه	یادگیری مفاهیم پایه علم داده و ارتباط آن با هوش مصنوعی، یادگیری ماشین، و داده‌های بزرگ.	درس ویدئو	دیمیتری
۰۲	اخلاق در علم داده	مقدمه	مفاهیم اخلاق داده، چالش‌ها و چارچوب‌ها.	درس	نیتیا
۰۳	تعریف داده	مقدمه	نحوه طبقه‌بندی داده‌ها و منابع رایج آن‌ها.	درس	ژاسمین
۰۴	مقدمه‌ای بر آمار و احتمال	مقدمه	تکنیک‌های ریاضی احتمال و آمار برای فهم داده‌ها.	درس ویدئو	دیمیتری
۰۵	کار با داده‌های رابطه‌ای	کار با داده	مقدمه‌ای بر داده‌های رابطه‌ای و اصول بررسی و تحلیل داده‌های رابطه‌ای با زبان پرس‌وجوی ساختاریافته، معروف به SQL (تلفظ "سی-کول").	درس	کریستوفر
۰۶	کار با داده‌های NoSQL	کار با داده	مقدمه‌ای بر داده‌های غیررابطه‌ای، انواع مختلف آن و اصول بررسی و تحلیل پایگاه‌های سندی.	درس	ژاسمین
۰۷	کار با پایتون	کار با داده	اصول استفاده از پایتون برای کاوش داده‌ها با کتابخانه‌هایی مانند Pandas. درک پایه‌ای برنامه‌نویسی پایتون توصیه می‌شود.	درس ویدئو	دیمیتری
۰۸	آماده‌سازی داده	کار با داده	موضوعات مربوط به تکنیک‌های پاک‌سازی و تبدیل داده‌ها برای مقابله با چالش‌های داده‌های ناقص، نادرست یا ناقص.	درس	ژاسمین
۰۹	مصورسازی کمیت‌ها	مصورسازی داده	یادگیری استفاده از Matplotlib برای مصورسازی داده‌های پرنده 🦆	درس	جن
۱۰	مصورسازی توزیع داده	مصورسازی داده	مصورسازی مشاهدات و روندها در یک بازه زمانی.	درس	جن
۱۱	مصورسازی نسبت‌ها	مصورسازی داده	مصورسازی درصدهای گسسته و گروه‌بندی شده.	درس	جن
۱۲	مصورسازی روابط	مصورسازی داده	مصورسازی ارتباطات و همبستگی‌ها بین مجموعه‌های داده و متغیرهایشان.	درس	جن
۱۳	مصورسازی‌های معنادار	مصورسازی داده	تکنیک‌ها و راهنمایی برای مفید ساختن مصورسازی‌ها به منظور حل موثر مسئله و کسب بینش.	درس	جن
۱۴	مقدمه‌ای بر چرخه عمر علم داده	چرخه عمر	مقدمه‌ای بر چرخه عمر علم داده و اولین مرحله آن که کسب و استخراج داده است.	درس	ژاسمین
۱۵	تحلیل داده	چرخه عمر	این مرحله از چرخه عمر علم داده بر تکنیک‌های تحلیل داده تمرکز دارد.	درس	ژاسمین
۱۶	ارتباطات	چرخه عمر	این مرحله از چرخه عمر علم داده بر ارائه یافته‌ها به گونه‌ای که تصمیم‌گیرندگان بتوانند راحت‌تر درک کنند متمرکز است.	درس	جالن
۱۷	علم داده در فضای ابری	داده ابری	این سری درس‌ها علم داده در فضای ابری و مزایای آن را معرفی می‌کند.	درس	تیفانی و ماد
۱۸	علم داده در فضای ابری	داده ابری	آموزش مدل‌ها با استفاده از ابزارهای Low Code.	درس	تیفانی و ماد
۱۹	علم داده در فضای ابری	داده ابری	استقرار مدل‌ها با Azure Machine Learning Studio.	درس	تیفانی و ماد
۲۰	علم داده در دنیای واقعی	در دنیای واقعی	پروژه‌های مبتنی بر علم داده در دنیای واقعی.	درس	نیتیا

گیت‌هاب کدسپیس‌ها

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 را بررسی 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:

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.

برای استفاده از این مخزن، می‌توانید آن را یا در یک حجم مجزا داکر 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 مکانیزم ترجیحی برای نگهداری داده‌های کانتینر هستند.

یا نسخه محلی کپی 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.

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 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.

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.

برنامه‌های درسی دیگر

تیم ما برنامه‌های درسی دیگری نیز تولید می‌کند! بررسی کنید:

LangChain

Azure / Edge / MCP / عوامل

---

سری هوش مصنوعی مولد

---

یادگیری پایه

---

سری کمک‌یار

دریافت کمک

مشکل دارید؟ راهنمای عیب‌یابی ما را برای راه‌حل 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 بازخورد محصول یا خطاهایی هنگام ساخت داشتید به اینجا مراجعه کنید:

---

سلب مسئولیت: این سند با استفاده از سرویس ترجمه هوش مصنوعی 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.