Data-Science-For-Beginners/translations/fa

علم داده برای مبتدیان - یک برنامه درسی

فعالان ابر آزور در مایکروسافت خوشحال‌اند یک برنامه درسی ۱۰ هفته‌ای شامل ۲۰ درس در مورد علم داده ارائه دهند. هر درس شامل آزمون پیش‌درس و پس‌درس، دستورالعمل‌های مکتوب برای انجام درس، یک راه‌حل و یک تمرین است. روش آموزشی مبتنی بر پروژه به شما اجازه می‌دهد هم‌زمان با ساختن، بیاموزید — روشی اثبات‌شده برای پایدار شدن مهارت‌های جدید.

از نویسندگان‌مان صمیمانه سپاسگزاریم: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 تشکر ویژه 🙏 از نویسندگان، بازبینان و مشارکت‌کنندگان محتوای Microsoft Student Ambassador، به‌ویژه Aaryan Arora، 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 مبتدیان - اسکچ‌نوت توسط @nitya

🌐 پشتیبانی چندزبانه

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

عربی | بنگالی | بلغاری | برمه‌ای (میانمار) | چینی (ساده‌شده) | چینی (سنتی، هنگ‌کنگ) | چینی (سنتی، ماکائو) | چینی (سنتی، تایوان) | کرواتی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کانادا (Kannada) | کره‌ای | لیتوانیایی | مالایی | مالایالام | مراتی | نپالی | پیدجین نیجریه‌ای | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (Gurmukhi) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیلی | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

اگر مایل به افزودن زبان‌های ترجمه بیشتری هستید، زبان‌های پشتیبانی‌شده در اینجا فهرست شده‌اند: here

به جامعه ما بپیوندید

ما یک سری «یادگیری با هوش مصنوعی» در Discord داریم، برای اطلاعات بیشتر و پیوستن به ما به Learn with AI Series مراجعه کنید از 18 - 30 سپتامبر 2025. در این رویداد نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را دریافت خواهید کرد.

آیا دانشجو هستید؟

با منابع زیر شروع کنید:

• صفحه مرکز دانشجویی در این صفحه، منابع مناسبی برای مبتدیان، بسته‌های دانشجویی و حتی راه‌هایی برای دریافت کوپن گواهی رایگان خواهید یافت. این صفحه را نشانک‌گذاری کنید و هر از گاهی بررسی کنید زیرا محتوایی که قرار است حداقل ماهی یک‌بار تغییر کند را به‌روز می‌کنیم.
• سفیران دانشجویی Microsoft Learn به یک جامعه جهانی از سفیران دانشجویی بپیوندید، این می‌تواند راه شما برای ورود به مایکروسافت باشد.

شروع

📚 مستندات

• راهنمای نصب - دستورالعمل‌های گام‌به‌گام برای راه‌اندازی برای مبتدیان
• راهنمای استفاده - مثال‌ها و جریان‌های کاری معمول
• رفع اشکال - راه‌حل‌های مسائل رایج
• راهنمای مشارکت - نحوه مشارکت در این پروژه
• برای معلمان - راهنمایی‌های آموزشی و منابع کلاسی

👨‍🎓 برای دانشجویان

کاملاً مبتدی: آیا تازه وارد علم داده هستید؟ با مثال‌های مناسب برای مبتدیان شروع کنید! این مثال‌های ساده و خوب شرح‌داده‌شده به شما کمک می‌کنند قبل از ورود به برنامه درسی کامل، اصول را بفهمید. دانشجویان: برای استفاده از این برنامه درسی به‌صورت خودآموز، کل مخزن را فورک کنید و تمرین‌ها را خودتان انجام دهید، با یک آزمون پیش‌درس شروع کنید. سپس درس را بخوانید و بقیه فعالیت‌ها را انجام دهید. سعی کنید پروژه‌ها را با درک درس‌ها ایجاد کنید تا اینکه کد راه‌حل را کپی کنید؛ با این حال، آن کد در پوشه‌های /solutions در هر درس محور پروژه موجود است. یک ایده دیگر این است که یک گروه مطالعه با دوستان تشکیل دهید و با هم محتوا را مرور کنید. برای مطالعه بیشتر، ما Microsoft Learn را توصیه می‌کنیم.

شروع سریع:

1. راهنمای نصب را بررسی کنید تا محیط خود را راه‌اندازی کنید
2. راهنمای استفاده را مرور کنید تا بیاموزید چگونه با برنامه درسی کار کنید
3. با درس 1 شروع کنید و به‌صورت متوالی جلو بروید
4. برای پشتیبانی به جامعه Discord ما بپیوندید

👩‍🏫 برای معلمان

معلمان: ما چند پیشنهاد در مورد نحوه استفاده از این برنامه درسی گنجانده‌ایم. ما خوشحال می‌شویم بازخورد شما را در انجمن بحث ما دریافت کنیم!

تیم را بشناسید

گیف توسط Mohit Jaisal

🎥 برای دیدن ویدئویی دربارهٔ پروژه و افرادی که آن را ساخته‌اند، روی تصویر بالا کلیک کنید!

روش آموزشی

ما هنگام ساخت این برنامهٔ آموزشی دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از مبتنی‌بر‌پروژه‌بودن آن و گنجاندن آزمون‌های مکرر. تا پایان این مجموعه، دانش‌آموزان اصول پایهٔ علم داده را از جمله مفاهیم اخلاقی، آماده‌سازی داده، روش‌های مختلف کار با داده‌ها، مصورسازی داده، تحلیل داده، کاربردهای دنیای واقعی علم داده و موارد بیشتر خواهند آموخت.

علاوه بر این، یک آزمون کم‌فشار پیش از کلاس نیت یادگیری دانش‌آموز را نسبت به یک موضوع مشخص می‌سازد، در حالی که آزمون دوم پس از کلاس موجب تثبیت بیشتر می‌شود. این برنامهٔ آموزشی طوری طراحی شده که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را به‌طور کامل یا بخشی دنبال کرد. پروژه‌ها از کوچک شروع می‌شوند و تا پایان چرخهٔ 10 هفته‌ای به‌تدریج پیچیده‌تر می‌شوند.

دستورالعمل‌های کد رفتار، مشارکت و ترجمه را ببینید. ما از بازخورد سازندهٔ شما استقبال می‌کنیم!

هر درس شامل:

• اسکتچ‌نوت اختیاری
• ویدئوی تکمیلی اختیاری
• آزمون آمادگی قبل از درس
• درس مکتوب
• برای درس‌های مبتنی بر پروژه، راهنماهای گام‌به‌گام برای ساخت پروژه
• آزمون‌های سنجش دانش
• یک چالش
• مطالعهٔ تکمیلی
• تکلیف
• آزمون پس از درس

یادداشتی دربارهٔ آزمون‌ها: تمام آزمون‌ها در پوشهٔ Quiz-App قرار دارند، که در مجموع شامل ۴۰ آزمون است که هر کدام سه سؤال دارند. آن‌ها از داخل درس‌ها پیوند داده شده‌اند، اما اپلیکیشن آزمون می‌تواند به‌صورت محلی اجرا یا به Azure مستقر شود؛ دستورالعمل‌ها را در پوشهٔ quiz-app دنبال کنید. آن‌ها به‌تدریج بومی‌سازی می‌شوند.

🎓 مثال‌های مناسب مبتدیان

تازه‌وارد به علم داده؟ ما یک دایرکتوری مثال‌ها ویژه با کد ساده و خوب توضیح‌داده‌شده برای کمک به شروع شما ایجاد کرده‌ایم:

• 🌟 Hello World - اولین برنامهٔ علم دادهٔ شما
• 📂 Loading Data - یاد بگیرید چگونه مجموعه‌داده‌ها را بخوانید و کاوش کنید
• 📊 Simple Analysis - محاسبهٔ آمار و یافتن الگوها
• 📈 Basic Visualization - ایجاد نمودارها و گراف‌ها
• 🔬 Real-World Project - جریان کاری کامل از ابتدا تا پایان

هر مثال شامل توضیحات مفصل در قالب کامنت است که هر مرحله را توضیح می‌دهد و آن را برای مبتدیان مطلق ایده‌آل می‌سازد!

👉 با مثال‌ها شروع کنید 👈

Lessons

نقشهٔ راه علم داده برای مبتدیان - اسکتچ‌نوت توسط @nitya

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Defining Data Science	مقدمه	با مفاهیم پایهٔ علم داده و ارتباط آن با هوش مصنوعی، یادگیری ماشینی و داده‌های عظیم آشنا شوید.	درس ویدیو	Dmitry
02	Data Science Ethics	مقدمه	مفاهیم، چالش‌ها و چارچوب‌های اخلاق داده.	درس	Nitya
03	Defining Data	مقدمه	چگونگی طبقه‌بندی داده‌ها و منابع رایج آن‌ها.	درس	Jasmine
04	Introduction to Statistics & Probability	مقدمه	تکنیک‌های ریاضیاتی احتمال و آمار برای درک داده‌ها.	درس ویدیو	Dmitry
05	Working with Relational Data	کار با داده‌ها	مقدمه‌ای بر داده‌های رابطه‌ای و اصول کاوش و تحلیل داده‌های رابطه‌ای با زبان پرس‌وجوی ساخت‌یافته، معروف به SQL (تلفظ “سی‌کوئل”).	درس	Christopher
06	Working with NoSQL Data	کار با داده‌ها	مقدمه‌ای بر داده‌های غیررابطه‌ای، انواع مختلف آن و اصول کاوش و تحلیل پایگاه‌های دادهٔ سندی.	درس	Jasmine
07	Working with Python	کار با داده‌ها	مبانی استفاده از Python برای کاوش داده با کتابخانه‌هایی مانند Pandas. داشتن درک پایه‌ای از برنامه‌نویسی پایتون توصیه می‌شود.	درس ویدیو	Dmitry
08	Data Preparation	کار با داده‌ها	موضوعاتی در مورد تکنیک‌های تمیز کردن و تبدیل داده‌ها برای مقابله با چالش‌های داده‌های گمشده، نادرست یا ناقص.	درس	Jasmine
09	Visualizing Quantities	بصری‌سازی داده‌ها	بیاموزید چگونه از Matplotlib برای مصورسازی داده‌های پرندگان استفاده کنید 🦆	درس	Jen
10	Visualizing Distributions of Data	بصری‌سازی داده‌ها	نمایش مشاهدات و روندها در یک بازه.	درس	Jen
11	Visualizing Proportions	بصری‌سازی داده‌ها	مصورسازی درصدهای گسسته و گروه‌بندی‌شده.	درس	Jen
12	Visualizing Relationships	بصری‌سازی داده‌ها	مصورسازی ارتباطات و همبستگی‌ها بین مجموعه‌های داده و متغیرهایشان.	درس	Jen
13	Meaningful Visualizations	بصری‌سازی داده‌ها	تکنیک‌ها و راهنمایی برای ارزشمند کردن مصورسازی‌ها جهت حل مسئلهٔ مؤثر و استخراج بینش.	درس	Jen
14	Introduction to the Data Science lifecycle	چرخهٔ عمر	معرفی چرخهٔ عمر علم داده و اولین گام آن یعنی به‌دست‌آوری و استخراج داده.	درس	Jasmine
15	Analyzing	چرخهٔ عمر	این مرحله از چرخهٔ عمر علم داده بر تکنیک‌های تحلیل داده تمرکز دارد.	درس	Jasmine
16	Communication	چرخهٔ عمر	این مرحله از چرخهٔ عمر علم داده بر ارائهٔ بینش‌های حاصل از داده به‌گونه‌ای که برای تصمیم‌گیرندگان راحت‌تر قابل‌فهم باشد تمرکز می‌کند.	درس	Jalen
17	Data Science in the Cloud	Cloud Data	این سری درس‌ها علم داده در فضای ابری و مزایای آن را معرفی می‌کنند.	درس	Tiffany و Maud
18	Data Science in the Cloud	Cloud Data	آموزش مدل‌ها با استفاده از ابزارهای Low Code.	درس	Tiffany و Maud
19	Data Science in the Cloud	Cloud Data	استقرار مدل‌ها با Azure Machine Learning Studio.	درس	Tiffany و Maud
20	Data Science in the Wild	در عمل	پروژه‌های هدایت‌شده توسط علم داده در دنیای واقعی.	درس	Nitya

GitHub Codespaces

برای باز کردن این نمونه در یک Codespace این مراحل را دنبال کنید:

1. روی منوی کشویی Code کلیک کنید و گزینهٔ Open with Codespaces را انتخاب کنید.
2. در پایین پنل، گزینهٔ + New codespace را انتخاب کنید. برای اطلاعات بیشتر، به GitHub documentation مراجعه کنید.

VSCode Remote - Containers

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

1. اگر برای اولین بار از یک کانتینر توسعه استفاده می‌کنید، لطفاً مطمئن شوید سیستم شما پیش‌نیازها را دارا است (مثلاً Docker نصب شده باشد) در the getting started documentation.

To use this repository, you can either open the repository in an isolated Docker volume:

Note: Under the hood, this will use the Remote-Containers: Clone Repository in Container Volume... command to clone the source code in a Docker volume instead of the local filesystem. Volumes are the preferred mechanism for persisting container data.

Or open a locally cloned or downloaded version of the repository:

• این مخزن را به فایل‌سیستم محلی خود کلون کنید.
• کلید F1 را فشار دهید و فرمان Remote-Containers: Open Folder in Container... را انتخاب کنید.
• نسخهٔ کلون‌شدهٔ این پوشه را انتخاب کنید، تا راه‌اندازی کانتینر منتظر بمانید و کارها را امتحان کنید.

Offline access

You can run this documentation offline by using Docsify. Fork this repo, install Docsify on your local machine, then in the root folder of this repo, type docsify serve. The website will be served on port 3000 on your localhost: localhost:3000.

توجه: نوت‌بوک‌ها (notebooks) از طریق Docsify رندر نخواهند شد، بنابراین وقتی نیاز به اجرای یک نوت‌بوک دارید، آن را جداگانه در VS Code با اجرای یک کرنل پایتون انجام دهید.

سرفصل‌های آموزشی دیگر

Our team produces other curricula! Check out:

LangChain

---

Azure / Edge / MCP / Agents

---

مجموعه هوش مولد

---

یادگیری پایه‌ای

---

مجموعه Copilot

دریافت کمک

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

اگر در ساخت برنامه‌های هوش مصنوعی گیر کردید یا سوالی داشتید، به دیگر یادگیرندگان و توسعه‌دهندگان باتجربه در بحث‌های مربوط به MCP بپیوندید. این یک جامعه حمایت‌کننده است که در آن پرسش‌ها پذیرفته می‌شوند و دانش آزادانه به اشتراک گذاشته می‌شود.

اگر بازخوردی درباره محصول دارید یا هنگام ساخت با خطا مواجه شدید، به:

---

سلب مسئولیت: این سند با استفاده از سرویس ترجمه‌ی هوش مصنوعی Co-op Translator (https://github.com/Azure/co-op-translator) ترجمه شده است. اگرچه ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است حاوی خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس یا حیاتی، ترجمهٔ حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوءتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.