Data-Science-For-Beginners/translations/fa

علم داده برای مبتدیان - یک برنامه آموزشی

مدافعان ابری Azure در مایکروسافت مفتخرند که برنامه‌ای ده هفته‌ای، شامل ۲۰ درس، با موضوع علم داده ارائه دهند. هر درس شامل آزمون‌های قبل و بعد از درس، دستورالعمل‌های مکتوب برای تکمیل درس، راه‌حل و تمرین است. روش آموزش مبتنی بر پروژه ما به شما اجازه می‌دهد هنگام ساختن یاد بگیرید، که روشی اثبات شده برای تثبیت مهارت‌های جدید است.

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

🙏 سپاس ویژه 🙏 از نویسندگان، بازبینان و مشارکت‌کنندگان محتوا از سفیران دانشجویی مایکروسافت، به ویژه آریان آرورا، 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 - یادداشت تصویری توسط @nitya

🌐 پشتیبانی چندزبان

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

عربی | بنگالی | بلغاری | برمه‌ای (میانمار) | چینی (ساده) | 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 | کره‌ای | لیتوانیایی | مالایی | مالایالام | مراتی | نپالی | زبان پیجین نیجریه‌ای | نروژی | فارسی (Farsi) | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورموخی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیل | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

ترجیح می‌دهید به‌صورت محلی کلون کنید؟

این مخزن بیش از ۵۰ ترجمه زبان دارد که به طور قابل توجهی حجم دانلود را افزایش می‌دهد. برای کلون بدون ترجمه، 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 چیز لازم برای تکمیل دوره را با سرعت دانلود بسیار بالاتر می‌دهد.

اگر مایل هستید زبان‌های بیشتری پشتیبانی شوند، فهرست آنها را در اینجا ببینید

به جامعه ما بپیوندید

ما سری آموزش یادگیری با هوش مصنوعی در دیسکورد داریم، بیشتر بدانید و از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ به ما بپیوندید در سری یادگیری با هوش مصنوعی. در این سری نکات و ترفندهای استفاده از GitHub Copilot برای علم داده به شما ارائه می‌شود.

آیا دانشجو هستید؟

با منابع زیر شروع کنید:

• صفحه مرکز دانشجو در این صفحه منابع مبتدی، بسته‌های دانشجویی و حتی راه‌هایی برای دریافت کوپن رایگان گواهینامه را خواهید یافت. این صفحه‌ای است که می‌خواهید در مرورگرتان ذخیره کنید و هر از گاهی آن را بررسی کنید چون حداقل ماهی یک بار محتوا به‌روزرسانی می‌شود.
• سفیران دانشجویی مایکروسافت به یک جامعه جهانی از سفیران دانشجویی بپیوندید، این می‌تواند راه شما برای ورود به مایکروسافت باشد.

شروع به کار

📚 مستندات

• راهنمای نصب - دستورالعمل‌های گام به گام نصب برای مبتدیان
• راهنمای استفاده - مثال‌ها و روش‌های کاری رایج
• عیب‌یابی - راه‌حل‌های مشکلات رایج
• راهنمای مشارکت - چگونگی مشارکت در این پروژه
• برای معلمان - راهنمایی برای تدریس و منابع کلاس درس

👨‍🎓 برای دانشجویان

مبتدیان کامل: تازه‌کار در علم داده هستید؟ با مثال‌های مناسب مبتدیان ما شروع کنید! این مثال‌های ساده و خوب توضیح داده شده به شما کمک می‌کنند قبل از ورود کامل به برنامه، مباحث پایه را درک کنید. دانشجویان: برای استفاده مستقل از این برنامه، کل مخزن را فورک کنید و تمرین‌ها را خودتان انجام دهید، ابتدا با آزمون قبل از درس شروع کنید. سپس درس را بخوانید و بقیه فعالیت‌ها را انجام دهید. سعی کنید پروژه‌ها را با فهم درس‌ها بسازید نه کپی کردن کد راه‌حل؛ البته کدهای آن در پوشه /solutions هر درس پروژه‌محور موجود است. ایده دیگر تشکیل گروه مطالعه با دوستان و مرور همزمان محتواست. برای مطالعه بیشتر، ما Microsoft Learn را توصیه می‌کنیم.

شروع سریع:

1. راهنمای نصب را برای تنظیم محیط بررسی کنید
2. راهنمای استفاده را مطالعه کنید تا نحوه کار با برنامه را یاد بگیرید
3. از درس ۱ شروع کنید و به ترتیب پیش بروید
4. به جامعه دیسکورد ما برای پشتیبانی بپیوندید

👩‍🏫 برای معلمان

معلمان: ما برخی پیشنهادات برای نحوه استفاده از این برنامه را ارائه داده‌ایم. خوشحال می‌شویم بازخورد شما را در انجمن بحث ما بشنویم!

ملاقات با تیم

گیف از Mohit Jaisal

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

روش آموزشی

ما در حین ساخت این برنامه درسی، دو اصل آموزش را انتخاب کردیم: اطمینان از پروژه‌محور بودن آن و گنجاندن آزمون‌های مکرر. تا پایان این سری، دانش‌آموزان اصول پایه‌ای علم داده، از جمله مفاهیم اخلاقی، آماده‌سازی داده‌ها، روش‌های مختلف کار با داده‌ها، مصورسازی داده، تحلیل داده، موارد کاربرد واقعی علم داده و موارد بیشتر را خواهند آموخت.

علاوه بر این، یک آزمون با ریسک پایین قبل از کلاس، نیت دانش‌آموز را برای یادگیری موضوعی مشخص می‌کند، در حالی که آزمون دوم پس از کلاس، حفظ بیشتر اطلاعات را تضمین می‌کند. این برنامه درسی به گونه‌ای طراحی شده است که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را کامل یا بخشی از آن را گذراند. پروژه‌ها از کوچک شروع شده و تا پایان چرخه ۱۰ هفته‌ای به تدریج پیچیده‌تر می‌شوند.

راهنمای رفتار ما، مشارکت و ترجمه را بیابید. ما بازخورد سازنده شما را خوش‌آمد می‌گوییم!

هر درس شامل:

• خلاصه‌نویسی اختیاری
• ویدیوی تکمیلی اختیاری
• آزمون گرم‌کننده قبل از درس
• درس مکتوب
• برای درس‌های پروژه‌محور، راهنماهای گام‌به‌گام برای ساخت پروژه
• بررسی دانش
• یک چالش
• مطالعه تکمیلی
• تکلیف
• آزمون پس از درس

نکته‌ای درباره آزمون‌ها: تمام آزمون‌ها در پوشه Quiz-App قرار دارند، مجموعاً ۴۰ آزمون هرکدام با سه سؤال. آنها از داخل درس‌ها لینک شده‌اند، اما اپلیکیشن آزمون را می‌توان به صورت محلی اجرا یا روی Azure مستقر کرد؛ دستورالعمل‌های آن در پوشه quiz-app است. آنها به تدریج به زبان‌های مختلف بومی‌سازی می‌شوند.

🎓 نمونه‌های مناسب مبتدیان

تازه‌کار در علم داده هستید؟ ما دایرکتوری ویژه‌ای از نمونه‌ها ایجاد کرده‌ایم examples directory با کد ساده و کامنت‌گذاری شده برای کمک به شروع شما:

• 🌟 سلام دنیا - اولین برنامه علم داده شما
• 📂 بارگذاری داده - یاد بگیرید چگونه داده‌ها را بخوانید و کاوش کنید
• 📊 تحلیل ساده - محاسبه آمار و یافتن الگوها
• 📈 مصورسازی پایه‌ای - ساخت نمودارها و گراف‌ها
• 🔬 پروژه واقعی - جریان کاری کامل از شروع تا پایان

هر نمونه شامل توضیحات دقیق در مورد هر مرحله است، بنابراین برای مبتدیان مطلق بسیار مناسب است!

👉 شروع با نمونه‌ها 👈

درس‌ها

نقشه راه علم داده برای مبتدیان - خلاصه‌نویسی توسط @nitya

شماره درس	موضوع	گروه 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 بزرگ.	درس ویدیو	دیمیتری
02	اخلاق علم داده	مقدمه	مفاهیم اخلاق داده، چالش‌ها و چارچوب‌ها.	درس	نیتیا
03	تعریف داده	مقدمه	نحوه طبقه‌بندی داده‌ها و منابع رایج آن.	درس	جازمین
04	مقدمه‌ای بر آمار و احتمال	مقدمه	تکنیک‌های ریاضی احتمال و آمار برای درک داده‌ها.	درس ویدیو	دیمیتری
05	کار با داده‌های رابطه‌ای	کار با داده	معرفی داده‌های رابطه‌ای و اصول کاوش و تحلیل آن با زبان ساخت‌یافته پرس‌وجو، یا همان SQL (خوانده شده "سی‌کول").	درس	کریستوفر
06	کار با داده‌های NoSQL	کار با داده	معرفی داده‌های غیررابطه‌ای، انواع مختلف آن و اصول کاوش و تحلیل پایگاه‌های داده سندی.	درس	جازمین
07	کار با پایتون	کار با داده	اصول استفاده از پایتون برای کاوش داده‌ها با کتابخانه‌هایی مانند Pandas. دانش پایه‌ای برنامه‌نویسی پایتون توصیه می‌شود.	درس ویدیو	دیمیتری
08	آماده‌سازی داده	کار با داده	موضوعات مربوط به تکنیک‌های داده برای پاک‌سازی و تبدیل داده‌ها به منظور مقابله با چالش‌های داده‌های گمشده، نادرست یا ناقص.	درس	جازمین
09	مصورسازی مقادیر	مصورسازی داده	یادگیری استفاده از Matplotlib برای مصورسازی داده‌های پرندگان 🦆	درس	جن
10	مصورسازی توزیع داده‌ها	مصورسازی داده	مصورسازی مشاهدات و روندها در یک بازه.	درس	جن
11	مصورسازی نسبت‌ها	مصورسازی داده	مصورسازی درصدهای گسسته و گروه‌بندی شده.	درس	جن
12	مصورسازی روابط	مصورسازی داده	مصورسازی ارتباطات و همبستگی بین مجموعه‌های داده و متغیرهای آن‌ها.	درس	جن
13	مصورسازی‌های معنادار	مصورسازی داده	تکنیک‌ها و راهنمایی‌هایی برای ارزشمند کردن مصورسازی‌ها جهت حل مؤثر مسئله و کسب بینش.	درس	جن
14	مقدمه‌ای بر چرخه عمر علم داده	چرخه عمر	مقدمه‌ای بر چرخه عمر علم داده و اولین گام آن یعنی کسب و استخراج داده.	درس	جازمین
15	تحلیل	چرخه عمر	این مرحله از چرخه عمر علم داده بر تکنیک‌های تحلیل داده متمرکز است.	درس	جازمین
16	ارتباطات	چرخه عمر	این مرحله از چرخه عمر علم داده بر ارائه بینش‌های حاصل از داده‌ها به گونه‌ای که تصمیم‌گیرندگان راحت‌تر درک کنند، تمرکز دارد.	درس	جالن
17	علم داده در فضای ابری	داده ابری	این سری از درس‌ها علم داده در فضای ابری و فواید آن را معرفی می‌کند.	درس	تیفانی و ماود
18	علم داده در فضای ابری	داده ابری	آموزش مدل‌ها با استفاده از ابزارهای کد پایین (Low Code).	درس	تیفانی و ماود
19	علم داده در فضای ابری	داده ابری	استقرار مدل‌ها با Azure Machine Learning Studio.	درس	تیفانی و ماود
20	علم داده در زندگی واقعی	در محیط واقعی	پروژه‌های مبتنی بر علم داده در دنیای واقعی.	درس	نیتیا

کد اسپیس‌های گیت‌هاب

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

1. منوی کشویی Code را بزنید و گزینه Open with Codespaces را انتخاب کنید.
2. در پایین پنل، گزینه + New codespace را انتخاب کنید.
   برای اطلاعات بیشتر به مستندات گیت‌هاب مراجعه کنید.

VSCode Remote - Containers

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

1. اگر برای اولین بار است که از کانتینر توسعه استفاده می‌کنید، لطفاً اطمینان حاصل کنید که سیستم شما پیش‌نیازها را دارد (مثلاً Docker نصب شده است) در مستندات شروع کار.

برای استفاده از این مخزن، می‌توانید یا مخزن را در یک Volume جداگانه Docker باز کنید:

توجه: در پس‌زمینه این کار از فرمان Remote-Containers: Clone Repository in Container Volume... استفاده می‌کند تا کد منبع را در Volume داکر به جای فایل‌سیستم محلی کلون کند. Volume‌ها مکانیزم توصیه شده برای حفظ داده کانتینر هستند.

یا نسخه کلون شده یا دانلود شده محلی مخزن را باز کنید:

• این مخزن را در فایل‌سیستم محلی کلون کنید.
• کلید F1 را بزنید و فرمان Remote-Containers: Open Folder in Container... را انتخاب کنید.
• نسخه کلون شده این پوشه را انتخاب کنید، منتظر شروع کانتینر باشید، و شروع به کار کنید.

دسترسی آفلاین

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

توجه داشته باشید، دفترچه‌های نوت‌بوک توسط Docsify رندر نمی‌شوند، بنابراین هنگام نیاز به اجرای نوت‌بوک، آن را جداگانه در VS Code با استفاده از کرنل پایتون اجرا کنید.

برنامه‌های درسی دیگر

تیم ما برنامه‌های درسی دیگری نیز تولید می‌کند! ببینید:

LangChain

---

Azure / Edge / MCP / عوامل

---

سری هوش مصنوعی تولیدی

---

یادگیری اصلی

---

سری کاپیلوت

دریافت کمک

با مشکلی مواجه شده‌اید؟ راهنمای رفع اشکال ما را برای یافتن راه‌حل مشکلات رایج بررسی کنید.

اگر گیر کردید یا سوالی درباره ساخت برنامه‌های هوش مصنوعی دارید، به جمع یادگیرندگان و توسعه‌دهندگان باتجربه ملحق شوید و در بحث‌ها درباره MCP شرکت کنید. این یک جامعه پشتیبان است که سوالات در آن خوش‌آمد گفته می‌شوند و دانش آزادانه به اشتراک گذاشته می‌شود.

اگر بازخورد محصول دارید یا هنگام ساخت با خطا مواجه شدید به آدرس زیر مراجعه کنید:

---

سلب مسئولیت:
این سند با استفاده از خدمات ترجمه ماشینی هوش مصنوعی Co-op Translator ترجمه شده است. اگرچه ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است دارای خطا یا نواقصی باشند. سند اصلی به زبان مادری آن منبع معتبر تلقی می‌شود. برای اطلاعات حیاتی، استفاده از ترجمه حرفه‌ای انسانی توصیه می‌شود. ما مسئول هیچ گونه سوءتفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه نیستیم.