Data-Science-For-Beginners/translations/fa

علوم داده برای مبتدیان - یک برنامه درسی

افراد Azure Cloud Advocates در مایکروسافت خوشحال‌اند که یک برنامه درسی ۱۰ هفته‌ای شامل ۲۰ درس را درباره علوم داده ارائه می‌دهند. هر درس شامل آزمون‌های پیش‌درس و پس‌درس، دستورالعمل‌های مکتوب برای تکمیل درس، یک راه‌حل و یک تکلیف است. روش آموزش مبتنی بر پروژه ما به شما اجازه می‌دهد که هنگام ساختن یاد بگیرید — روشی اثبات‌شده برای تثبیت 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، بازبین‌ها و مشارکت‌کنندگان محتوایی ما از سفیران دانشجویی مایکروسافت، 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

علوم داده برای مبتدیان - اسکتچ‌نوت توسط @nitya

🌐 پشتیبانی چندزبانه

پشتیبانی‌شده از طریق GitHub Action (خودکار و همیشه به‌روز)

عربی | بنگالی | بلغاری | برمیزی (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 | کانارا | کره‌ای | لیتوانیایی | مالایی | مالایالام | مراتی | نپالی | پیدجین نیجریه‌ای | نروژی | فارسی (Farsi) | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورموخی) | رومانیایی | روسی | صربستانی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیلی | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

اگر مایلید زبان‌های ترجمه‌شده بیشتری پشتیبانی شوند، فهرست زبان‌های قابل پشتیبانی اینجا آمده است

به جامعه ما بپیوندید

ما مجموعه‌ای از رویدادهای Discord با عنوان «یادگیری با هوش مصنوعی» را برگزار می‌کنیم، برای اطلاعات بیشتر و پیوستن به ما به Learn with AI Series از 18 تا 30 سپتامبر 2025 مراجعه کنید. در این رویداد نکات و ترفندهایی برای استفاده از GitHub Copilot در علوم داده دریافت خواهید کرد.

آیا دانشجو هستید؟

برای شروع از منابع زیر استفاده کنید:

• صفحه Student Hub در این صفحه منابع مناسب مبتدیان، بسته‌های دانشجویی و حتی راه‌هایی برای دریافت کوپن گواهی رایگان را خواهید یافت. این صفحه‌ای است که می‌خواهید آن را نشانک کنید و گهگاه بررسی کنید زیرا ما محتوا را حداقل ماهی یک‌بار به‌روزرسانی 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 رایج
• عیب‌یابی - راه‌حل‌هایی برای مشکلات رایج
• راهنمای مشارکت - چگونه به این پروژه مشارکت کنید
• برای معلمان - راهنمایی‌های تدریس و منابع کلاسی

👨‍🎓 برای دانشجویان

کاملاً مبتدی: به علوم داده تازه واردید؟ با مثال‌های مناسب مبتدی ما شروع کنید! این مثال‌های ساده و با کامنت‌های مناسب به شما کمک می‌کنند اصول را قبل از ورود به برنامه درسی کامل درک کنید. دانشجویان: برای استفاده از این برنامه درسی به‌صورت فردی، مخزن کامل را فورک کنید و تمرین‌ها را به‌صورت مستقل انجام دهید، با یک آزمون پیش‌درس شروع کنید. سپس درس را مطالعه کنید و باقی فعالیت‌ها را کامل کنید. سعی کنید پروژه‌ها را با درک درس‌ها بسازید نه با کپی کردن کد راه‌حل؛ با این حال، آن کد در پوشه‌های /solutions در هر درس مبتنی بر پروژه در دسترس است. ایده دیگر این است که گروه مطالعه‌ای 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 را برای راه‌اندازی محیط خود بررسی کنید
2. راهنمای استفاده را مرور کنید تا یاد بگیرید چگونه با برنامه درسی کار کنید
3. با درس 1 شروع کنید و به‌صورت ترتیب‌وار پیش بروید
4. برای پشتیبانی به جامعه Discord ما بپیوندید

👩‍🏫 برای معلمان

مدرسان: ما برخی پیشنهادها را گنجانده‌ایم درباره نحوه استفاده از این برنامه درسی. دوست داریم بازخورد شما را در انجمن بحث و گفتگو دریافت کنیم!

با تیم آشنا شوید

گیف توسط Mohit Jaisal

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

روش‌شناسی آموزشی

ما در هنگام ایجاد این برنامهٔ درسی دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از این‌که مبتنی بر پروژه است و شامل آزمون‌های مکرر می‌باشد. تا پایان این مجموعه، دانش‌آموزان اصول پایه‌ای علوم داده را خواهند آموخت، از جمله مفاهیم اخلاقی، آماده‌سازی داده‌ها، روش‌های مختلف کار با داده‌ها، مصورسازی داده‌ها، تحلیل داده‌ها، نمونه‌های کاربردی علوم داده در دنیای واقعی و موارد بیشتر.

علاوه بر این، یک آزمون کم‌دامنه قبل از کلاس نیتۀ یادگیری دانش‌آموز را در رابطه با موضوعی مشخص می‌کند، در حالی که یک آزمون دوم پس از کلاس حفظ بیشتر مطلب را تضمین می‌کند. این برنامهٔ درسی طوری طراحی شده است که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را کامل یا جزئی پیگیری کرد. پروژه‌ها از کوچک آغاز می‌شوند و تا پایان چرخهٔ 10 هفته‌ای به‌تدریج پیچیده‌تر می‌شوند.

پیدا کردن Code of Conduct، Contributing، Translation ما. ما از بازخورد سازندهٔ شما استقبال می‌کنیم!

هر درس شامل:

• اسکچ‌نوت اختیاری
• ویدئوی تکمیلی اختیاری
• آزمون گرم‌کننده قبل از درس
• درس مکتوب
• برای درس‌های مبتنی بر پروژه، راهنماهای گام‌به‌گام در مورد نحوهٔ ساخت پروژه
• سنجش‌های دانش
• یک چالش
• مطالعهٔ تکمیلی
• تکلیف
• آزمون پس از درس

یادداشتی دربارهٔ آزمون‌ها: تمام آزمون‌ها در پوشهٔ Quiz-App قرار دارند، در مجموع 40 آزمون که هر کدام شامل سه سوال هستند. آن‌ها از درون درس‌ها لینک شده‌اند، اما برنامهٔ آزمون را می‌توان محلی اجرا کرد یا در Azure مستقر ساخت؛ دستورالعمل‌ها را در پوشهٔ quiz-app دنبال کنید. این آزمون‌ها به‌تدریج بومی‌سازی می‌شوند.

🎓 مثال‌های مناسب مبتدیان

تازه‌کار در علوم داده؟ ما یک فهرست مثال‌ها ویژه با کد ساده و کامنت‌گذاری‌شدهٔ خوب ایجاد کرده‌ایم تا به شروع شما کمک کند:

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

هر مثال شامل توضیحات مفصلی است که هر گام را توضیح می‌دهد و آن‌ها را برای مبتدیان مطلق مناسب می‌سازد!

👉 با مثال‌ها شروع کنید 👈

درس‌ها

نقشهٔ راه علوم داده برای مبتدیان - اسکِچ‌نوت توسط @nitya

شماره درس	موضوع	Lesson Grouping	اهداف یادگیری	Linked Lesson	نویسنده
01	تعریف علوم داده	Introduction	یادگیری مفاهیم پایهٔ پشت علوم داده و اینکه چگونه با هوش مصنوعی، یادگیری ماشین و کلان‌داده مرتبط است.	درس ویدیو	Dmitry
02	اخلاقیات علوم داده	Introduction	مفاهیم، چالش‌ها و چارچوب‌های اخلاق داده.	درس	Nitya
03	تعریف داده	Introduction	چگونه داده‌ها دسته‌بندی می‌شوند و منابع رایج آن‌ها.	درس	Jasmine
04	مقدمه‌ای بر آمار و احتمال	Introduction	تکنیک‌های ریاضیاتی احتمال و آمار برای درک داده‌ها.	درس ویدیو	Dmitry
05	کار با داده‌های رابطه‌ای	Working With Data	معرفی داده‌های رابطه‌ای و اصول پایهٔ کاوش و تحلیل داده‌های رابطه‌ای با استفاده از Structured Query Language، که به آن SQL (تلفظ “see-quell”) نیز گفته می‌شود.	درس	Christopher
06	کار با داده‌های NoSQL	Working With Data	معرفی داده‌های غیررابطه‌ای، انواع مختلف آن و اصول پایهٔ کاوش و تحلیل پایگاه‌های دادهٔ سندی.	درس	Jasmine
07	کار با پایتون	Working With Data	اصول استفاده از پایتون برای کاوش داده‌ها با کتابخانه‌هایی مانند Pandas. داشتن درک پایه‌ای از برنامه‌نویسی پایتون پیشنهاد می‌شود.	درس ویدیو	Dmitry
08	آماده‌سازی داده	Working With Data	موضوعاتی دربارهٔ تکنیک‌های داده برای پاک‌سازی و تبدیل داده‌ها جهت مواجهه با چالش‌های داده‌های گم‌شده، نادرست یا ناقص.	درس	Jasmine
09	مصورسازی مقادیر	Data Visualization	یاد بگیرید چگونه از Matplotlib برای مصورسازی داده‌های پرنده‌ها استفاده کنید 🦆	درس	Jen
10	مصورسازی توزیع‌های داده	Data Visualization	مصورسازی مشاهدات و روندها درون یک بازه.	درس	Jen
11	مصورسازی نسبت‌ها	Data Visualization	مصورسازی درصدهای گسسته و گروه‌بندی‌شده.	درس	Jen
12	مصورسازی روابط	Data Visualization	مصورسازی اتصال‌ها و همبستگی‌ها بین مجموعه‌های داده و متغیرهای آن‌ها.	درس	Jen
13	مصورسازی‌های معنادار	Data Visualization	تکنیک‌ها و راهنمایی برای ارزشمند کردن مصورسازی‌ها به‌منظور حل مؤثر مسائل و استخراج بینش‌ها.	درس	Jen
14	مقدمه‌ای بر چرخهٔ عمر علوم داده	Lifecycle	مقدمه‌ای بر چرخهٔ عمر علوم داده و گام اول آن یعنی کسب و استخراج داده.	درس	Jasmine
15	تحلیل کردن	Lifecycle	این فاز از چرخهٔ عمر علوم داده بر تکنیک‌های تحلیل داده تمرکز دارد.	درس	Jasmine
16	ارتباطات	Lifecycle	این فاز از چرخهٔ عمر علوم داده بر ارائهٔ بینش‌های داده به‌روشی که فهم آن برای تصمیم‌گیران آسان‌تر شود تمرکز دارد.	درس	Jalen
17	علوم داده در ابر	Cloud Data	این سری درس‌ها علوم داده در ابر و مزایای آن را معرفی می‌کند.	درس	Tiffany and Maud
18	علوم داده در ابر	Cloud Data	آموزش مدل‌ها با استفاده از ابزارهای Low Code.	درس	Tiffany and Maud
19	علوم داده در ابر	Cloud Data	استقرار مدل‌ها با Azure Machine Learning Studio.	درس	Tiffany and Maud
20	علوم داده در عمل	In the Wild	پروژه‌های مبتنی بر علوم داده در دنیای واقعی.	درس	Nitya

GitHub Codespaces

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

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

VSCode Remote - Containers

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

1. اگر این اولین بار است که از یک کانتینر توسعه استفاده می‌کنید، لطفاً اطمینان حاصل کنید که سیستم شما پیش‌نیازها (مثلاً نصب بودن Docker) را مطابق مستندات شروع به کار داراست.

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

توجه: در پس‌زمینه، این کار از فرمان Remote-Containers: Clone Repository in Container Volume... برای کپی (کلون) کردن کد منبع در یک حجم Docker به‌جای سیستم فایل محلی استفاده خواهد کرد. Volumes مکانیزم ترجیحی برای پایدارسازی داده‌های کانتینر هستند.

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

• این مخزن را به سیستم فایل 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، منتظر بمانید تا کانتینر شروع شود، و آن را امتحان کنید.

دسترسی آفلاین

شما می‌توانید این مستندات را به‌صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را نصب کنید روی دستگاه محلی خود، سپس در پوشۀ ریشهٔ این مخزن، تایپ کنید docsify serve. وب‌سایت روی پورت 3000 در هاست محلی شما ارائه خواهد شد: localhost:3000.

توجه، دفترچه‌ها (notebooks) توسط Docsify رندر نخواهند شد، بنابراین زمانی که نیاز به اجرای یک دفترچه دارید، آن را جداگانه در VS Code با کرنل پایتون اجرا کنید.

برنامه‌های درسی دیگر

تیم ما دوره‌های درسی دیگری نیز تولید می‌کند! نگاهی بیندازید:

LangChain

---

Azure / Edge / MCP / Agents

---

مجموعه هوش مولد

---

آموزش‌های اصلی

---

مجموعه Copilot

دریافت کمک

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

اگر گیر کردید یا در مورد ساخت برنامه‌های هوش مصنوعی سؤالی دارید. به هم‌یاران یادگیرنده و توسعه‌دهندگان باتجربه در بحث‌های مربوط به MCP بپیوندید. این یک جامعه حمایت‌کننده است که در آن پرسش‌ها مورد استقبال قرار می‌گیرند و دانش آزادانه به اشتراک گذاشته می‌شود.

اگر بازخورد محصول دارید یا در حین ساخت با خطا مواجه شدید، به:

---

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