Data-Science-For-Beginners/translations/fa

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، دمیتری سوشنیکوف، نیتیا ناراسیمهان، جالن مک‌گی، جن لوپر، مود لوی، تیفانی سوتر، کریستوفر هریسون.

🙏 تشکر ویژه 🙏 از Microsoft Student Ambassador نویسندگان، بازبینان و مشارکت‌کنندگان محتوا، به‌ویژه آریان آرورا، آدیتیا گارگ، آلوندرا سانچز، آنکیتا سینگ، انوپام میشرا، آرپیتا داس، چهل‌بیهاری دوبی، دیبری نسوفور، دیشیتا باسین، مجد صافی، مکس بلوم، میگل کوریا، محمد افتخار (ایفتو) ابن جلال، ناورین تبسم، ریموند وانگسا پوترا، روهیت یاداو، سامریدی شارما، سانیا سینها، شینا نارولا، توقیر احمد، یوگندرا سینگ پاوار، ویدوشی گوپتا، جسلین سوندی

علم داده برای مبتدیان - Sketchnote 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 | مجاری | اندونزیایی | ایتالیایی | ژاپنی | کره‌ای | لیتوانیایی | مالایی | مراتی | نپالی | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورموخی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیلی | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

اگر می‌خواهید زبان‌های ترجمه اضافی پشتیبانی شوند، لیست زبان‌های پشتیبانی‌شده اینجا موجود است

به جامعه ما بپیوندید

ما یک سری یادگیری با AI در Discord داریم، بیشتر بدانید و به ما بپیوندید در Learn with AI Series از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵. شما 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 مبتدی، بسته‌های دانشجویی و حتی راه‌هایی برای دریافت یک کوپن گواهی رایگان را خواهید یافت. این صفحه‌ای است که می‌خواهید نشانک‌گذاری کنید و هر از گاهی بررسی کنید زیرا ما حداقل ماهانه محتوا را تغییر می‌دهیم.
• Microsoft Learn Student Ambassadors به یک جامعه جهانی از سفیران دانشجویی بپیوندید، این می‌تواند راه شما به مایکروسافت باشد.

شروع به کار

📚 مستندات

• راهنمای نصب - دستورالعمل‌های گام‌به‌گام برای مبتدیان
• راهنمای استفاده - مثال‌ها و جریان‌های کاری رایج
• رفع اشکال - راه‌حل‌های مشکلات رایج
• راهنمای مشارکت - نحوه مشارکت در این پروژه
• برای معلمان - راهنمای تدریس و منابع کلاس درس

👨‍🎓 برای دانشجویان

مبتدیان کامل: تازه وارد علم داده شده‌اید؟ با مثال‌های مبتدی‌پسند ما شروع کنید! این مثال‌های ساده و دارای توضیحات به شما کمک می‌کنند تا اصول اولیه را قبل از ورود به برنامه کامل درک کنید. دانشجویان: 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 را توصیه می‌کنیم.

شروع سریع:

1. راهنمای نصب Installation Guide را بررسی کنید تا محیط خود را تنظیم کنید
2. راهنمای استفاده Usage Guide را مرور کنید تا نحوه کار با برنامه آموزشی را یاد بگیرید
3. با درس اول شروع کنید و به ترتیب پیش بروید
4. به جامعه Discord ما بپیوندید برای پشتیبانی

👩‍🏫 برای معلمان

معلمان: ما برخی پیشنهادات را در مورد نحوه استفاده از این برنامه آموزشی گنجانده‌ایم. ما مشتاقانه منتظر بازخورد شما در انجمن بحث ما هستیم!

آشنایی با تیم

Gif توسط Mohit Jaisal

🎥 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 درسی انتخاب کرده‌ایم: اطمینان از اینکه پروژه‌محور است و شامل آزمون‌های مکرر می‌شود. تا پایان این مجموعه، دانش‌آموزان 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 دانش‌آموز را به یادگیری موضوع جلب می‌کند، در حالی که آزمون دوم بعد از کلاس، به حفظ بیشتر مطالب کمک می‌کند. این برنامه درسی به گونه‌ای طراحی شده است که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را به صورت کامل یا جزئی گذراند. پروژه‌ها از کوچک شروع می‌شوند و تا پایان دوره ۱۰ هفته‌ای به تدریج پیچیده‌تر می‌شوند.

قوانین رفتاری، مشارکت، راهنمای ترجمه ما را پیدا کنید. 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 بعد از درس

نکته‌ای درباره آزمون‌ها: تمام آزمون‌ها در پوشه Quiz-App قرار دارند، شامل ۴۰ آزمون با سه سؤال در هر آزمون. این آزمون‌ها از داخل درس‌ها لینک شده‌اند، اما اپلیکیشن آزمون را می‌توان به صورت محلی اجرا کرد یا در Azure مستقر کرد؛ دستورالعمل‌ها را در پوشه quiz-app دنبال کنید. این آزمون‌ها به تدریج بومی‌سازی می‌شوند.

🎓 مثال‌های مناسب برای مبتدیان

تازه وارد علم داده شده‌اید؟ ما یک پوشه مثال‌ها ویژه با کد ساده و توضیحات کامل ایجاد کرده‌ایم تا به شما در شروع کمک کند:

• 🌟 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 واقعی - جریان کاری کامل از ابتدا تا انتها

هر مثال شامل توضیحات دقیق برای هر مرحله است، که آن را برای مبتدیان کاملاً مناسب می‌کند!

👉 با مثال‌ها شروع کنید 👈

درس‌ها

علم داده برای مبتدیان: نقشه راه - یادداشت تصویری توسط @nitya

شماره درس	موضوع	گروه‌بندی درس	اهداف یادگیری	درس مرتبط	نویسنده
01	تعریف علم داده	مقدمه	یادگیری مفاهیم پایه علم داده و ارتباط آن با هوش مصنوعی، یادگیری ماشین و داده‌های کلان.	درس ویدئو	Dmitry
02	اخلاق علم داده	مقدمه	مفاهیم اخلاق داده، چالش‌ها و چارچوب‌ها.	درس	Nitya
03	تعریف داده	مقدمه	نحوه طبقه‌بندی داده‌ها و منابع رایج آن‌ها.	درس	Jasmine
04	مقدمه‌ای بر آمار و احتمال	مقدمه	تکنیک‌های ریاضی احتمال و آمار برای درک داده‌ها.	درس ویدئو	Dmitry
05	کار با داده‌های رابطه‌ای	کار با داده‌ها	مقدمه‌ای بر داده‌های رابطه‌ای و اصول بررسی و تحلیل داده‌های رابطه‌ای با زبان Structured Query Language، معروف به SQL (تلفظ "سی‌کوئل").	درس	Christopher
06	کار با داده‌های NoSQL	کار با داده‌ها	مقدمه‌ای بر داده‌های غیررابطه‌ای، انواع مختلف آن و اصول بررسی و تحلیل پایگاه‌های داده سندی.	درس	Jasmine
07	کار با پایتون	کار با داده‌ها	اصول استفاده از پایتون برای بررسی داده‌ها با کتابخانه‌هایی مانند Pandas. درک پایه‌ای از برنامه‌نویسی پایتون توصیه می‌شود.	درس ویدئو	Dmitry
08	آماده‌سازی داده‌ها	کار با داده‌ها	موضوعاتی درباره تکنیک‌های داده برای پاکسازی و تبدیل داده‌ها به منظور مقابله با چالش‌های داده‌های ناقص، نادرست یا ناکامل.	درس	Jasmine
09	مصورسازی مقادیر	مصورسازی داده‌ها	یادگیری نحوه استفاده از Matplotlib برای مصورسازی داده‌های پرندگان 🦆	درس	Jen
10	مصورسازی توزیع داده‌ها	مصورسازی داده‌ها	مصورسازی مشاهدات و روندها در یک بازه.	درس	Jen
11	مصورسازی نسبت‌ها	مصورسازی داده‌ها	مصورسازی درصدهای گسسته و گروه‌بندی‌شده.	درس	Jen
12	مصورسازی روابط	مصورسازی داده‌ها	مصورسازی ارتباطات و همبستگی‌ها بین مجموعه‌های داده و متغیرهای آن‌ها.	درس	Jen
13	مصورسازی‌های معنادار	مصورسازی داده‌ها	تکنیک‌ها و راهنمایی‌هایی برای ارزشمند کردن مصورسازی‌ها جهت حل مؤثر مشکلات و ارائه بینش‌ها.	درس	Jen
14	مقدمه‌ای بر چرخه عمر علم داده	چرخه عمر	مقدمه‌ای بر چرخه عمر علم داده و اولین مرحله آن یعنی کسب و استخراج داده‌ها.	درس	Jasmine
15	تحلیل	چرخه عمر	این مرحله از چرخه عمر علم داده بر تکنیک‌های تحلیل داده تمرکز دارد.	درس	Jasmine
16	ارتباط	چرخه عمر	این مرحله از چرخه عمر علم داده بر ارائه بینش‌های حاصل از داده‌ها به گونه‌ای که تصمیم‌گیرندگان بتوانند آن را بهتر درک کنند، تمرکز دارد.	درس	Jalen
17	علم داده در فضای ابری	داده‌های ابری	این مجموعه درس‌ها علم داده در فضای ابری و مزایای آن را معرفی می‌کند.	درس	Tiffany و Maud
18	علم داده در فضای ابری	داده‌های ابری	آموزش مدل‌ها با استفاده از ابزارهای Low Code.	درس	Tiffany و Maud
19	علم داده در فضای ابری	داده‌های ابری	استقرار مدل‌ها با Azure Machine Learning Studio.	درس	Tiffany و Maud
20	علم داده در دنیای واقعی	در دنیای واقعی	پروژه‌های مبتنی بر علم داده در دنیای واقعی.	درس	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 مراجعه کنید.

VSCode Remote - Containers

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

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

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

توجه: در پشت صحنه، این از دستور Remote-Containers: Clone Repository in Container Volume... برای کلون کردن کد منبع در یک حجم Docker به جای سیستم فایل محلی استفاده می‌کند. Volumes مکانیزم ترجیحی برای حفظ داده‌های کانتینر هستند.

یا یک نسخه کلون‌شده یا دانلودشده محلی از مخزن را باز کنید:

• این مخزن را در 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

شما می‌توانید این مستندات را به صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را نصب کنید روی کامپیوتر 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 وقتی نیاز به اجرای یک نوت‌بوک دارید، این کار را جداگانه در VS Code با اجرای یک کرنل پایتون انجام دهید.

برنامه‌های درسی دیگر

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

Azure / Edge / MCP / Agents

---

سری هوش مصنوعی مولد

---

آموزش‌های اصلی

---

سری Copilot

دریافت کمک

مشکلی دارید؟ راهنمای رفع مشکلات ما را برای حل مشکلات رایج بررسی کنید.

اگر در ساخت برنامه‌های هوش مصنوعی گیر کردید یا سوالی دارید، به اینجا بپیوندید:

اگر بازخورد محصول دارید یا در حین ساخت با خطا مواجه شدید، 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 تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.