[](https://youtu.be/N6wxM4wZ7V0 "یادگیری ماشین برای مبتدیان - تاریخچه یادگیری ماشین")
> 🎥 روی تصویر بالا کلیک کنید تا ویدئوی کوتاهی درباره این درس مشاهده کنید.
> 🎥 برای مشاهده یک ویدیو کوتاه که این درس را پوشش می‌دهد، روی تصویر بالا کلیک کنید.
در این درس، به بررسی نقاط عطف مهم در تاریخچه یادگیری ماشین و هوش مصنوعی خواهیم پرداخت.
در این درس، ما گام به گام با رویدادهای مهم تاریخ یادگیری ماشین و هوش مصنوعی آشنا خواهیم شد.
تاریخچه هوش مصنوعی (AI) به عنوان یک حوزه علمی با تاریخچه یادگیری ماشین در هم تنیده است، زیرا الگوریتم‌ها و پیشرفت‌های محاسباتی که پایه یادگیری ماشین را تشکیل می‌دهند، به توسعه هوش مصنوعی کمک کرده‌اند. لازم است به یاد داشته باشیم که اگرچه این حوزه‌ها به عنوان زمینه‌های تحقیقاتی مستقل از دهه ۱۹۵۰ شکل گرفتند، کشفیات مهم [الگوریتمی، آماری، ریاضیاتی، محاسباتی و تکنیکی](https://wikipedia.org/wiki/Timeline_of_machine_learning) پیش از این دوره و در طول آن رخ داده‌اند. در واقع، انسان‌ها صدها سال است که به این سوالات فکر می‌کنند. این مقاله به بررسی پایه‌های فکری تاریخی ایده "ماشین فکر کننده" می‌پردازد.
تاریخچه هوش مصنوعی (AI) به عنوان یک رشته، درهم تنیده با تاریخچه یادگیری ماشین است، زیرا الگوریتم‌ها و پیشرفت‌های محاسباتی که پایه‌ی یادگیری ماشین هستند، به توسعه‌ی هوش مصنوعی کمک کرده‌اند. مفید است به یاد داشته باشیم که در حالی که این رشته‌ها به عنوان حوزه‌های تحقیقاتی متمایز از دهه ۱۹۵۰ به ثمر نشستند، [کشفیات الگوریتمی، آماری، ریاضی، محاسباتی و فنی مهم](https://wikipedia.org/wiki/Timeline_of_machine_learning) که پیش از آن و موازی با آن دوره بوده‌اند نیز وجود دارند. در واقع، مردم برای [صدها سال](https://wikipedia.org/wiki/History_of_artificial_intelligence) در مورد این سوالات فکر کرده‌اند: این مقاله به بنیان‌های فکری تاریخی ایده «ماشین متفکر» می‌پردازد.
---
## کشفیات برجسته
- ۱۷۶۳، ۱۸۱۲ [قضیه بیز](https://wikipedia.org/wiki/Bayes%27_theorem) و پیشینیان آن. این قضیه و کاربردهای آن پایه استنتاج را تشکیل می‌دهند و احتمال وقوع یک رویداد را بر اساس دانش قبلی توصیف می‌کنند.
- ۱۸۰۵ [نظریه کمترین مربعات](https://wikipedia.org/wiki/Least_squares) توسط ریاضیدان فرانسوی آدرین-ماری لژاندر. این نظریه که در واحد رگرسیون یاد خواهید گرفت، به تطبیق داده‌ها کمک می‌کند.
- ۱۹۱۳ [زنجیره‌های مارکوف](https://wikipedia.org/wiki/Markov_chain)، نامگذاری شده به افتخار ریاضیدان روسی آندری مارکوف، برای توصیف دنباله‌ای از رویدادهای ممکن بر اساس حالت قبلی استفاده می‌شود.
- ۱۹۵۷ [پرسیپترون](https://wikipedia.org/wiki/Perceptron) نوعی طبقه‌بند خطی است که توسط روانشناس آمریکایی فرانک روزنبلات اختراع شد و پایه پیشرفت‌های یادگیری عمیق را تشکیل می‌دهد.
- ۱۷۶۳، ۱۸۱۲ [قضیه بیز](https://wikipedia.org/wiki/Bayes%27_theorem) و پیشینیان آن. این قضیه و کاربردهای آن پایه‌های استنباط هستند و احتمالی بودن وقوع یک رویداد را بر اساس دانش قبلی توضیح می‌دهند.
- ۱۸۰۵ [نظریه کمترین مربعات](https://wikipedia.org/wiki/Least_squares) توسط ریاضیدان فرانسوی آدریَن-ماری له‌ژَند. این نظریه که در واحد رگرسیون ما یاد خواهید گرفت، به برازش داده‌ها کمک می‌کند.
- ۱۹۱۳ [زنجیره‌های مارکوف](https://wikipedia.org/wiki/Markov_chain)، که به نام ریاضیدان روسی آندری مارکوف نامگذاری شده است، برای توصیف توالی احتمالی رویدادها بر اساس وضعیت قبلی استفاده می‌شود.
- ۱۹۵۷ [پرسپترون](https://wikipedia.org/wiki/Perceptron) نوعی طبقه‌بند خطی است که توسط روانشناس آمریکایی فرانک روزنبلات اختراع شده و پایه پیشرفت‌های یادگیری عمیق است.
---
- ۱۹۶۷ [نزدیکترین همسایه](https://wikipedia.org/wiki/Nearest_neighbor) الگوریتمی است که در ابتدا برای نقشه‌برداری مسیرها طراحی شده بود. در زمینه یادگیری ماشین برای تشخیص الگوها استفاده می‌شود.
- ۱۹۷۰ [پس‌انتشار](https://wikipedia.org/wiki/Backpropagation) برای آموزش [شبکه‌های عصبی پیش‌خور](https://wikipedia.org/wiki/Feedforward_neural_network) استفاده می‌شود.
- ۱۹۸۲ [شبکه‌های عصبی بازگشتی](https://wikipedia.org/wiki/Recurrent_neural_network) شبکه‌های عصبی مصنوعی مشتق شده از شبکه‌های عصبی پیش‌خور هستند که نمودارهای زمانی ایجاد می‌کنند.
- ۱۹۶۷ [نزدیکترین همسایه](https://wikipedia.org/wiki/Nearest_neighbor) الگوریتمی بود که در ابتدا برای ترسیم مسیر طراحی شد. در زمینه یادگیری ماشین برای شناسایی الگوها استفاده می‌شود.
- ۱۹۷۰ [پس‌انتشار خطا](https://wikipedia.org/wiki/Backpropagation) برای آموزش [شبکه‌های عصبی پیش‌خور](https://wikipedia.org/wiki/Feedforward_neural_network) به کار می‌رود.
- ۱۹۸۲ [شبکه‌های عصبی بازگشتی](https://wikipedia.org/wiki/Recurrent_neural_network) شبکه‌های عصبی مصنوعی مشتق شده از شبکه‌های عصبی پیش‌خور هستند که گراف‌های زمانی ایجاد می‌کنند.
✅ کمی تحقیق کنید. چه تاریخ‌های دیگری به عنوان نقاط عطف در تاریخچه یادگیری ماشین و هوش مصنوعی برجسته هستند؟
✅ اندکی تحقیق کنید. چه تاریخ‌های دیگری به عنوان نقاط عطف در تاریخ یادگیری ماشین و هوش مصنوعی برجسته هستند؟
---
## ۱۹۵۰: ماشین‌هایی که فکر می‌کنند
آلن تورینگ، فردی واقعاً خارق‌العاده که [در سال ۲۰۱۹ توسط عموم مردم](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) به عنوان بزرگ‌ترین دانشمند قرن بیستم انتخاب شد، به عنوان کسی که به ایجاد مفهوم "ماشینی که می‌تواند فکر کند" کمک کرد، شناخته می‌شود. او با مخالفان و نیاز خود به شواهد تجربی برای این مفهوم دست و پنجه نرم کرد و بخشی از این تلاش‌ها را با ایجاد [آزمون تورینگ](https://www.bbc.com/news/technology-18475646) انجام داد که در درس‌های پردازش زبان طبیعی (NLP) به آن پرداخته خواهد شد.
آلن تورینگ، فردی واقعاً شگفت‌انگیز که توسط [عموم مردم در سال ۲۰۱۹](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) به عنوان بزرگ‌ترین دانشمند قرن بیستم انتخاب شد، به عنوان کسی شناخته می‌شود که پایه‌های مفهوم «ماشینی که می‌تواند فکر کند» را بنا گذاشت. او با مخالفان و نیاز خود به شواهد تجربی درباره این مفهوم رو به رو شد و بخشی از آن را با ایجاد [آزمون تورینگ](https://www.bbc.com/news/technology-18475646) انجام داد، که شما در درس‌های پردازش زبان طبیعی (NLP) خواهید آموخت.
---
## ۱۹۵۶: پروژه تحقیقاتی تابستانی دارتموث
"پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی یک رویداد مهم برای هوش مصنوعی به عنوان یک حوزه علمی بود" و در اینجا بود که اصطلاح "هوش مصنوعی" ابداع شد ([منبع](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
«پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی یک رویداد مهم برای هوش مصنوعی به عنوان یک رشته بود» و در اینجا اصطلاح «هوش مصنوعی» ساخته شد ([منبع](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> هر جنبه‌ای از یادگیری یا هر ویژگی دیگر هوش به طور اصولی می‌تواند به گونه‌ای دقیق توصیف شود که یک ماشین بتواند آن را شبیه‌سازی کند.
> هر جنبه‌ای از یادگیری یا هر ویژگی دیگری از هوش می‌تواند به طور دقیق به گونه‌ای توصیف شود که ماشینی بتواند آن را شبیه‌سازی کند.
---
محقق اصلی، پروفسور ریاضیات جان مک‌کارتی، امیدوار بود "بر اساس این فرضیه پیش برود که هر جنبه‌ای از یادگیری یا هر ویژگی دیگر هوش به طور اصولی می‌تواند به گونه‌ای دقیق توصیف شود که یک ماشین بتواند آن را شبیه‌سازی کند." شرکت‌کنندگان شامل یکی دیگر از بزرگان این حوزه، ماروین مینسکی، بودند.
پژوهشگر اصلی، پروفسور ریاضی جان مک‌کارتی، امیدوار بود «بر اساس فرضیه اینکه هر جنبه‌ای از یادگیری یا هر ویژگی دیگری از هوش می‌تواند به طور دقیق به گونه‌ای توصیف شود که ماشینی بتواند آن را شبیه‌سازی کند» پیش برود. شرکت‌کنندگان شامل شخص برجسته دیگری در این زمینه، ماروین مینسکی بودند.
این کارگاه به آغاز و تشویق چندین بحث از جمله "ظهور روش‌های نمادین، سیستم‌های متمرکز بر حوزه‌های محدود (سیستم‌های خبره اولیه)، و سیستم‌های استنتاجی در مقابل سیستم‌های استقرایی" اعتبار داده شده است ([منبع](https://wikipedia.org/wiki/Dartmouth_workshop)).
این کارگاه آغاز و تشویق چندین بحث را به عهده داشت، از جمله «ظهور روش‌های نمادین، سیستم‌های متمرکز بر حوزه‌های محدود (سیستم‌های خبره اولیه) و سیستم‌های استنتاجی در برابر سیستم‌های استقرایی.» ([منبع](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## ۱۹۵۶ - ۱۹۷۴: "سال‌های طلایی"
## ۱۹۵۶ - ۱۹۷۴: «سال‌های طلایی»
از دهه ۱۹۵۰ تا اواسط دهه ۷۰، خوش‌بینی زیادی وجود داشت که هوش مصنوعی می‌تواند بسیاری از مشکلات را حل کند. در سال ۱۹۶۷، ماروین مینسکی با اطمینان بیان کرد که "در یک نسل ... مشکل ایجاد 'هوش مصنوعی' به طور قابل توجهی حل خواهد شد." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
از دهه ۱۹۵۰ تا اواسط دهه ۷۰، امید زیادی وجود داشت که هوش مصنوعی بتواند بسیاری از مشکلات را حل کند. در سال ۱۹۶۷، ماروین مینسکی با اطمینان اعلام کرد که «در عرض یک نسل … مشکل ایجاد 'هوش مصنوعی' تا حد زیادی حل خواهد شد.» (Minsky, Marvin (1967)، محاسبات: ماشین‌های متناهی و نامتناهی، انگلوود کلیفس، نیوجرسی: Prentice-Hall)
تحقیقات پردازش زبان طبیعی شکوفا شد، جستجو بهبود یافت و قدرتمندتر شد، و مفهوم "جهان‌های کوچک" ایجاد شد، جایی که وظایف ساده با استفاده از دستورالعمل‌های زبان ساده انجام می‌شد.
پژوهش پردازش زبان طبیعی شکوفا شد، جست‌وجو بهبود یافت و قدرتمندتر شد و مفهوم «جهان‌های میکرو» ایجاد شد که در آنها وظایف ساده با استفاده از دستورات زبان ساده انجام می‌شد.
---
تحقیقات توسط آژانس‌های دولتی به خوبی تأمین مالی شد، پیشرفت‌هایی در محاسبات و الگوریتم‌ها صورت گرفت، و نمونه‌های اولیه ماشین‌های هوشمند ساخته شدند. برخی از این ماشین‌ها شامل موارد زیر هستند:
تحقیق به خوبی توسط سازمان‌های دولتی حمایت مالی شد، پیشرفت‌هایی در محاسبات و الگوریتم‌ها انجام شد و نمونه‌هایی از ماشین‌های هوشمند ساخته شدند. برخی از این ماشین‌ها عبارتند از:
* [ربات شیکی](https://wikipedia.org/wiki/Shakey_the_robot)، که می‌توانست به طور هوشمند حرکت کند و تصمیم بگیرد که چگونه وظایف را انجام دهد.
* [شیکی ربات](https://wikipedia.org/wiki/Shakey_the_robot) که می‌توانست حرکت کند و تصمیم بگیرد چگونه وظایف را «هوشمندانه» انجام دهد.
> شیکی در سال ۱۹۷۲
---
* الیزا، یک "چتر‌بات" اولیه، می‌توانست با مردم گفتگو کند و به عنوان یک "درمانگر" ابتدایی عمل کند. در درس‌های NLP بیشتر درباره الیزا خواهید آموخت.
* الیزا، یک «چتر بات» اولیه، می‌توانست با مردم گفتگو کند و به عنوان یک «روح‌بخش» ابتدایی عمل کند. شما در درس‌های NLP بیشتر با الیزا آشنا خواهید شد.
> نسخه‌ای از الیزا، یک چتر‌بات
> نسخه‌ای از الیزا، یک چتبات
---
* "جهان بلوک‌ها" نمونه‌ای از یک جهان کوچک بود که در آن بلوک‌ها می‌توانستند انباشته و مرتب شوند، و آزمایش‌هایی در آموزش ماشین‌ها برای تصمیم‌گیری انجام می‌شد. پیشرفت‌هایی که با کتابخانه‌هایی مانند [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ساخته شدند، به پیشبرد پردازش زبان کمک کردند.
* «جهان بلوک‌ها» نمونه‌ای از یک میکرو جهان بود که در آن بلوک‌ها می‌توانستند روی هم چیده و مرتب شوند و آزمایش‌هایی در زمینه آموزش به ماشین‌ها برای تصمیم‌گیری انجام می‌شد. پیشرفت‌هایی که با کتابخانه‌هایی مانند [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ساخته شده بود، به پیشرفت پردازش زبان کمک کرد.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "جهان بلوک‌ها با SHRDLU")
> 🎥 روی تصویر بالا کلیک کنید تا ویدئویی درباره جهان بلوک‌ها با SHRDLU مشاهده کنید.
> 🎥 برای مشاهده ویدیو روی تصویر بالا کلیک کنید: جهان بلوک‌ها با SHRDLU
---
## ۱۹۷۴ - ۱۹۸۰: "زمستان هوش مصنوعی"
## ۱۹۷۴ - ۱۹۸۰: «زمستان هوش مصنوعی»
تا اواسط دهه ۱۹۷۰، مشخص شد که پیچیدگی ساخت ماشین‌های "هوشمند" کمتر از حد تصور شده و وعده‌های آن، با توجه به قدرت محاسبات موجود، بیش از حد بزرگ‌نمایی شده است. بودجه کاهش یافت و اعتماد به این حوزه کاهش یافت. برخی از مشکلاتی که بر اعتماد تأثیر گذاشتند شامل موارد زیر بودند:
تا اواسط دهه ۷۰، مشخص شد که پیچیدگی ساخت «ماشین‌های هوشمند» کمتر از آنچه تصور می‌شد نبوده و وعده‌های آن با قدرت محاسبات موجود بیش از حد برآورد شده بود. تأمین مالی کاهش یافت و اعتماد به این رشته کم شد. برخی از مسائل که بر اعتماد تأثیر گذاشتند عبارتند از:
---
- **محدودیت‌ها**. قدرت محاسباتی بسیار محدود بود.
- **انفجار ترکیبی**. تعداد پارامترهایی که باید آموزش داده می‌شدند به صورت نمایی افزایش یافت، بدون اینکه قدرت و قابلیت محاسباتی به موازات آن تکامل یابد.
- **کمبود داده**. کمبود داده فرآیند آزمایش، توسعه و اصلاح الگوریتم‌ها را مختل کرد.
- **آیا سوالات درستی می‌پرسیم؟**. خود سوالاتی که مطرح می‌شدند مورد سوال قرار گرفتند. محققان شروع به دریافت انتقاداتی درباره رویکردهای خود کردند:
- آزمون‌های تورینگ با نظریه‌هایی مانند "اتاق چینی" زیر سوال رفتند که مطرح می‌کردند "برنامه‌ریزی یک کامپیوتر دیجیتال ممکن است باعث شود که به نظر برسد زبان را می‌فهمد، اما نمی‌تواند فهم واقعی ایجاد کند." ([منبع](https://plato.stanford.edu/entries/chinese-room/))
- اخلاق معرفی هوش‌های مصنوعی مانند "درمانگر" الیزا به جامعه به چالش کشیده شد.
- **انفجار ترکیبی**. تعداد پارامترهایی که نیاز به آموزش داشتند به طور نمایی افزایش یافت، در حالی که قدرت و ظرفیت محاسباتی به همان نسبت رشد نکرد.
- **کمبود داده**. کمبود داده‌ها فرآیند آزمایش، توسعه و پالایش الگوریتم‌ها را مختل کرد.
- **آیا سوالات درستی می‌پرسیم؟**. خود سوالات مطرح شده، مورد پرسش قرار گرفتند. پژوهشگران با انتقاداتی درباره رویکردهای خود مواجه شدند:
- آزمایش‌های تورینگ از جمله طریق «نظریه اتاق چینی» مورد سوال قرار گرفت، که این فرض را مطرح کرد که «برنامه‌نویسی یک کامپیوتر دیجیتال ممکن است باعث شود به نظر برسد زبان را می‌فهمد اما فهم واقعی تولید نمی‌کند.» ([منبع](https://plato.stanford.edu/entries/chinese-room/))
- اخلاقی بودن معرفی هوش‌های مصنوعی مانند «روان‌درمانگر» الیزا به جامعه به چالش کشیده شد.
---
در همین زمان، مدارس مختلف هوش مصنوعی شروع به شکل‌گیری کردند. یک دوگانگی بین روش‌های ["شلوغ" و "مرتب"](https://wikipedia.org/wiki/Neats_and_scruffies) ایجاد شد. آزمایشگاه‌های _شلوغ_ برنامه‌ها را تا رسیدن به نتایج مطلوب تنظیم می‌کردند. آزمایشگاه‌های _مرتب_ "بر منطق و حل مسئله رسمی تمرکز داشتند". الیزا و SHRDLU سیستم‌های _شلوغ_ شناخته‌شده‌ای بودند. در دهه ۱۹۸۰، با ظهور تقاضا برای قابل‌تکرار بودن سیستم‌های یادگیری ماشین، رویکرد _مرتب_ به تدریج پیشرفت کرد زیرا نتایج آن قابل توضیح‌تر بودند.
در همین زمان، مدارس فکری مختلف هوش مصنوعی شکل گرفتند. یک دوگانگی بین روش‌های ["ناخوش‌یمن" در مقابل "مرتب هوش مصنوعی"](https://wikipedia.org/wiki/Neats_and_scruffies) ایجاد شد. آزمایشگاه‌های _ناخوش‌یمن_ برنامه‌ها را برای ساعت‌ها تا رسیدن به نتایج مطلوب دستکاری می‌کردند. آزمایشگاه‌های _مرتب_ «بر منطق و حل مسئله رسمی تمرکز داشتند». الیزا و SHRDLU سیستم‌های _ناخوش‌یمن_ شناخته شده بودند. در دهه ۱۹۸۰، با ظهور نیاز به قابل تکرار کردن سیستم‌های یادگیری ماشین، رویکرد _مرتب_ به تدریج جلو آمد چون نتایج آن قابل توضیح‌تر بود.
---
## سیستم‌های خبره دهه ۱۹۸۰
با رشد این حوزه، مزایای آن برای کسب‌وکارها واضح‌تر شد و در دهه ۱۹۸۰ سیستم‌های "خبره" گسترش یافتند. "سیستم‌های خبره از اولین اشکال واقعاً موفق نرم‌افزار هوش مصنوعی (AI) بودند." ([منبع](https://wikipedia.org/wiki/Expert_system)).
با رشد این رشته، مزیت آن برای کسب و کار روشن‌تر شد و در دهه ۱۹۸۰ گسترش «سیستم‌های خبره» نیز افزایش یافت. «سیستم‌های خبره از اولین اشکال موفق نرم‌افزار هوش مصنوعی (AI) بودند.» ([منبع](https://wikipedia.org/wiki/Expert_system))
این نوع سیستم در واقع _ترکیبی_است، که بخشی از آن شامل یک موتور قوانین برای تعریف نیازهای کسب‌وکار و یک موتور استنتاج است که از سیستم قوانین برای استنتاج حقایق جدید استفاده می‌کند.
این نوع سیستم در واقع _ترکیبی_بود، تا حدی شامل موتور قوانین تعیین کننده نیازهای تجاری و موتور استنتاج که بر سیستم قوانین تکیه داشت تا حقایق جدید را استنتاج کند.
این دوره همچنین شاهد توجه بیشتر به شبکه‌های عصبی بود.
این دوران نیز شاهد افزایش توجه به شبکه‌های عصبی بود.
---
## ۱۹۸۷ - ۱۹۹۳: "سردی هوش مصنوعی"
## ۱۹۸۷ - ۱۹۹۳: «کاهش هوش مصنوعی»
گسترش سخت‌افزارهای تخصصی سیستم‌های خبره اثر ناخوشایندی داشت و بیش از حد تخصصی شد. ظهور کامپیوترهای شخصی نیز با این سیستم‌های بزرگ، تخصصی و متمرکز رقابت کرد. دموکراتیزه شدن محاسبات آغاز شد و در نهایت راه را برای انفجار مدرن داده‌های بزرگ هموار کرد.
گسترش سخت‌افزارهای تخصصی سیستم‌های خبره اثر ناگواری داشت که آنها بیش از حد تخصصی شدند. همچنین ظهور کامپیوترهای شخصی با این سیستم‌های بزرگ، تخصصی و متمرکز رقابت کرد. دموکراتیزه شدن محاسبات آغاز شده بود و در نهایت راه را برای انفجار داده‌های بزرگ مدرن فراهم کرد.
---
## ۱۹۹۳ - ۲۰۱۱
این دوره شاهد عصر جدیدی برای یادگیری ماشین و هوش مصنوعی بود که توانست برخی از مشکلات ناشی از کمبود داده و قدرت محاسباتی را حل کند. مقدار داده‌ها به سرعت افزایش یافت و در دسترس‌تر شد، چه خوب و چه بد، به ویژه با ظهور گوشی‌های هوشمند در حدود سال ۲۰۰۷. قدرت محاسباتی به صورت نمایی گسترش یافت و الگوریتم‌ها نیز همراه با آن تکامل یافتند. این حوزه شروع به بلوغ کرد زیرا روزهای آزاد گذشته به تدریج به یک رشته واقعی تبدیل شدند.
این دوره شاهد شروع دوران جدیدی برای یادگیری ماشین و هوش مصنوعی بود که بتوانند برخی مشکلات ناشی از کمبود داده و قدرت محاسبات قبلی را حل کنند. مقدار داده‌ها به سرعت افزایش یافت و بیشتر در دسترس قرار گرفت، هم به خیر و هم به شر، به ویژه با ظهور گوشی‌های هوشمند در حدود ۲۰۰۷. قدرت محاسباتی به طور نمایی افزایش یافت و الگوریتم‌ها به موازات آن تکامل یافتند. این رشته شروع به کسب بلوغ کرد و روزهای آزاد گذشته به یک رشته واقعی تبدیل شدند.
---
## اکنون
امروزه یادگیری ماشین و هوش مصنوعی تقریباً هر بخش از زندگی ما را لمس می‌کنند. این دوره نیازمند درک دقیق خطرات و اثرات بالقوه این الگوریتم‌ها بر زندگی انسان‌ها است. همانطور که برد اسمیت از مایکروسافت بیان کرده است: "فناوری اطلاعات مسائلی را مطرح می‌کند که به قلب حفاظت از حقوق اساسی انسانی مانند حریم خصوصی و آزادی بیان می‌پردازد. این مسائل مسئولیت شرکت‌های فناوری که این محصولات را ایجاد می‌کنند را افزایش می‌دهد. به نظر ما، این مسائل همچنین نیازمند مقررات دولتی متفکرانه و توسعه هنجارهایی در مورد استفاده‌های قابل قبول هستند." ([منبع](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
امروزه یادگیری ماشین و هوش مصنوعی تقریباً بر هر بخش از زندگی ما تأثیر دارند. این دوران نیازمند درک دقیق ریسک‌ها و اثرات بالقوه این الگوریتم‌ها بر زندگی انسان‌ها است. همانطور که برد اسمیت از مایکروسافت گفته، «فناوری اطلاعات مسائلی را مطرح می‌کند که به اصل حفاظت‌های حقوق بنیادین بشری مانند حریم خصوصی و آزادی بیان مرتبط است. این مسائل مسئولیت شرکت‌های فناورانه را که این محصولات را ایجاد می‌کنند افزایش می‌دهد. از نظر ما، همچنین نیازمند مقررات دولتی با دقت و توسعه هنجارهایی درباره کاربردهای قابل قبول است» ([منبع](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
هنوز مشخص نیست آینده چه چیزی در انتظار دارد، اما مهم است که این سیستم‌های کامپیوتری و نرم‌افزارها و الگوریتم‌هایی که اجرا می‌کنند را درک کنیم. امیدواریم این برنامه درسی به شما کمک کند تا درک بهتری پیدا کنید تا بتوانید خودتان تصمیم بگیرید.
آینده چه خواهد بود هنوز در هاله‌ای از ابهام است، اما مهم است که این سیستم‌های کامپیوتری و نرم‌افزارها و الگوریتم‌هایی که اجرا می‌کنند را درک کنیم. امیدواریم این برنامه درسی به شما کمک کند تا درک بهتری پیدا کنید تا بتوانید خود تصمیم بگیرید.
> 🎥 روی تصویر بالا کلیک کنید تا ویدئویی درباره تاریخچه یادگیری عمیق توسط یان لکون مشاهده کنید.
> 🎥 برای مشاهده ویدیو روی تصویر بالا کلیک کنید: یان لکون در این سخنرانی درباره تاریخچه یادگیری عمیق صحبت می‌کند
---
## 🚀چالش
یکی از این لحظات تاریخی را بررسی کنید و درباره افراد پشت آن بیشتر بیاموزید. شخصیت‌های جذابی وجود دارند و هیچ کشف علمی هرگز در یک خلاء فرهنگی ایجاد نشده است. چه چیزی کشف می‌کنید؟
به یکی از این لحظات تاریخی عمیق شوید و درباره افراد پشت آن بیشتر بیاموزید. شخصیت‌های جذابی وجود دارند و هیچ کشف علمی در خلأ فرهنگی ایجاد نشده است. چه کشف می‌کنید؟
## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ml/)
[این پادکست که در آن امی بوید درباره تکامل هوش مصنوعی صحبت می‌کند](http://runasradio.com/Shows/Show/739)
[این پادکست که در آن ایمی بوید درباره تحول هوش مصنوعی صحبت می‌کند](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "تاریخچه هوش مصنوعی توسط امی بوید")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "تاریخچه هوش مصنوعی توسط ایمی بوید")
---
@ -151,5 +151,7 @@
---
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/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 حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه 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 مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
## معرفی
## مقدمه
در این برنامه آموزشی، شما شروع به کشف اینکه چگونه یادگیری ماشین می‌تواند و در زندگی روزمره ما تأثیرگذار است، خواهید کرد. حتی اکنون، سیستم‌ها و مدل‌ها در کارهای تصمیم‌گیری روزانه، مانند تشخیص‌های پزشکی، تصویب وام‌ها یا شناسایی تقلب دخیل هستند. بنابراین، مهم است که این مدل‌ها به‌خوبی کار کنند تا نتایجی قابل اعتماد ارائه دهند. همانند هر برنامه نرم‌افزاری، سیستم‌های هوش مصنوعی ممکن است انتظارات را برآورده نکنند یا نتیجه نامطلوب داشته باشند. به همین دلیل ضروری است که بتوان رفتار مدل هوش مصنوعی را فهمید و توضیح داد.
در این برنامه آموزشی، شما شروع به کشف چگونگی تأثیر یادگیری ماشین بر زندگی روزمره ما خواهید کرد. حتی اکنون، سیستم‌ها و مدل‌ها در وظایف تصمیم‌گیری روزانه مانند تشخیص‌های مراقبت‌های بهداشتی، تصویب وام یا تشخیص تقلب دخیل هستند. بنابراین، مهم است که این مدل‌ها به خوبی کار کنند تا نتایجی قابل اعتماد ارائه دهند. مانند هر برنامه نرم‌افزاری، سیستم‌های هوش مصنوعی ممکن است نتوانند انتظارات را برآورده کنند یا نتیجه‌ای نامطلوب داشته باشند. به همین دلیل، فهمیدن و توضیح دادن رفتار یک مدل هوش مصنوعی ضروری است.
تصور کنید چه اتفاقی می‌افتد وقتی داده‌هایی که برای ساخت این مدل‌ها استفاده می‌کنید فاقد برخی جمعیت‌شناسی‌ها مانند نژاد، جنسیت، دیدگاه سیاسی، مذهب باشد یا جمعیت‌شناسی‌ها را به‌طور نامتناسبی نمایش دهد. وقتی خروجی مدل به نفع برخی جمعیت‌شناسی‌ها تفسیر شود چه؟ پیامد این برای کاربرد چیست؟ علاوه بر این، وقتی مدل نتیجه‌ای نامطلوب دارد و به افراد آسیب می‌رساند چه؟ چه کسی مسئول رفتار سیستم‌های هوش مصنوعی است؟ این‌ها برخی سوالاتی هستند که در این برنامه آموزشی بررسی خواهیم کرد.
تصور کنید زمانی که داده‌هایی که برای ساخت این مدل‌ها استفاده می‌کنید فاقد گروه‌های جمعیتی خاصی مانند نژاد، جنسیت، دیدگاه سیاسی، دین باشد یا به صورت نامتناسب نمایانگر این گروه‌ها باشد، چه خواهد شد؟ وقتی خروجی مدل به نفع برخی گروه‌های جمعیتی تفسیر می‌شود چه اتفاقی می‌افتد؟ پیامد آن برای برنامه چیست؟ علاوه بر این، وقتی مدل نتیجه‌ای نامطلوب دارد و به مردم آسیب می‌رساند، چه می‌شود؟ چه کسی مسئول رفتار سیستم‌های هوش مصنوعی است؟ این‌ها برخی از سوالاتی هستند که در این برنامه آموزشی بررسی خواهیم کرد.
در این درس، شما:
در این درس، شما:
- آگاهی خود را نسبت به اهمیت عدالت در یادگیری ماشین و آسیب‌های مرتبط با عدالت افزایش می‌دهید.
- با تمرین بررسی موارد پرت و سناریوهای غیرمعمول برای اطمینان از قابلیت اطمینان و ایمنی آشنا می‌شوید.
- درک نیاز به توانمندسازی همه افراد با طراحی سیستم‌های فراگیر را کسب می‌کنید.
- اهمیت حفاظت از حریم خصوصی و امنیت داده‌ها و افراد را بررسی می‌کنید.
- اهمیت داشتن رویکرد جعبه شیشه‌ای برای توضیح رفتار مدل‌های هوش مصنوعی را می‌بینید.
- مراقب این باشید که چگونه مسئولیت‌پذیری برای ایجاد اعتماد در سیستم‌های هوش مصنوعی ضروری است.
- آگاهی خود را نسبت به اهمیت انصاف در یادگیری ماشین و آسیب‌های مرتبط با عدالت افزایش دهید.
- با روش بررسی نقاط پرت و سناریوهای غیرمعمول برای اطمینان از قابلیت اطمینان و ایمنی آشنا شوید.
- درک نیاز به توانمندسازی همه افراد با طراحی سیستم‌های فراگیر را کسب کنید.
- اهمیت حفاظت از حریم خصوصی و امنیت داده‌ها و مردم را بررسی کنید.
- اهمیت داشتن رویکرد جعبه شیشه‌ای برای توضیح رفتار مدل‌های هوش مصنوعی را مشاهده کنید.
- مراقب چگونگی اهمیت پاسخگویی برای ایجاد اعتماد در سیستم‌های هوش مصنوعی باشید.
## پیش‌نیاز
به عنوان پیش‌نیاز، لطفاً "اصول هوش مصنوعی مسئولانه" را از مسیر یادگیری بگذرانید و ویدیو زیر را در این موضوع مشاهده کنید:
به عنوان پیش‌نیاز، لطفاً مسیر یادگیری "اصول هوش مصنوعی مسئولانه" را طی کنید و ویدیوی زیر را در این موضوع تماشا کنید:
با دنبال کردن این [مسیر یادگیری](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) بیشتر درباره هوش مصنوعی مسئولانه بیاموزید.
درباره هوش مصنوعی مسئولانه بیشتر بدانید با دنبال کردن این [مسیر یادگیری](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "رویکرد مایکروسافت به هوش مصنوعی مسئولانه")
> 🎥 برای ویدیو: رویکرد مایکروسافت به هوش مصنوعی مسئولانه، روی تصویر بالا کلیک کنید
> 🎥 برای ویدیو کلیک کنید: رویکرد مایکروسافت به هوش مصنوعی مسئولانه
## عدالت
## انصاف
سیستم‌های هوش مصنوعی باید با همه به طور عادلانه رفتار کنند و از تأثیرگذاری متفاوت روی گروه‌های مشابهی از مردم پرهیز کنند. به عنوان مثال، وقتی سیستم‌های هوش مصنوعی راهنمایی در مورد درمان پزشکی، درخواست وام یا استخدام ارائه می‌دهند، باید به همه با علائم، شرایط مالی یا صلاحیت‌های حرفه‌ای مشابه، توصیه‌های یکسانی بدهند. هر یک از ما به عنوان انسان‌ها دارای تعصبات به ارث برده شده‌ای هستیم که تصمیمات و اقدامات ما را تحت تأثیر قرار می‌دهند. این تعصبات ممکن است در داده‌هایی که برای آموزش سیستم‌های هوش مصنوعی استفاده می‌کنیم آشکار باشند. گاهی این دستکاری غیرفعالانه و ناخواسته اتفاق می‌افتد. اغلب دشوار است به صورت آگاهانه بدانیم که چه زمانی تعصب را در داده‌ها وارد می‌کنیم.
سیستم‌های هوش مصنوعی باید با همه منصفانه رفتار کنند و از تأثیرگذاری متفاوت روی گروه‌های مشابه خودداری کنند. برای مثال، وقتی سیستم‌های هوش مصنوعی راهنمایی در درمان پزشکی، درخواست وام یا استخدام ارائه می‌دهند، باید به همه با نشانه‌ها، شرایط مالی یا صلاحیت‌های حرفه‌ای مشابه، توصیه‌های یکسانی بدهند. هر کدام از ما به عنوان انسان‌ها تعصبات ذاتی داریم که بر تصمیمات و اقدامات ما تأثیر می‌گذارند. این تعصبات ممکن است در داده‌هایی که برای آموزش سیستم‌های هوش مصنوعی استفاده می‌کنیم آشکار باشند. گاهی اوقات این دستکاری به صورت ناخواسته رخ می‌دهد. معمولاً دشوار است که به طور آگاهانه بدانیم چه زمانی تعصب را وارد داده‌ها می‌کنیم.
**«بی‌عدالتی»** شامل تأثیرات منفی یا «آسیب‌ها» بر گروهی از افراد است، مانند گروه‌هایی که بر اساس نژاد، جنسیت، سن یا وضعیت معلولیت تعریف شده‌اند. آسیب‌های اصلی مربوط به عدالت را می‌توان به شرح زیر طبقه‌بندی کرد:
**«ناعدالتی»** شامل تأثیرات منفی یا «آسیب‌ها» برای گروهی از افراد است، مانند آن‌هایی که از نظر نژاد، جنسیت، سن یا وضعیت معلولیت تعریف می‌شوند. آسیب‌های اصلی مرتبط با انصاف می‌توانند به شرح زیر دسته‌بندی شوند:
- **تخصیص**، اگر به عنوان مثال جنسیت یا قومیت خاصی بر دیگری ترجیح داده شود.
- **کیفیت خدمات**. اگر داده‌ها برای یک سناریوی خاص آموزش داده شوند اما واقعیت پیچیده‌تر باشد، منجر به خدمات ضعیف می‌شود. برای مثال، یک دستگاه پخش مایع دستشویی که ظاهراً نمی‌تواند افراد با پوست تیره را تشخیص دهد. [ارجاع](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **نقد ناعادلانه**. به ناحق چیزی یا کسی را نقد و برچسب زدن. به عنوان مثال، تکنولوژی برچسب‌گذاری تصاویر بدنام، تصاویر افراد با پوست تیره را به اشتباه به عنوان گوریل برچسب زد.
- **نمایندگی بیش از حد یا کمتر از حد**. ایده این است که گروه خاصی در حرفه‌ای دیده نمی‌شود و هر خدمتی یا عملکردی که این وضعیت را تداوم می‌بخشد، به آسیب کمک می‌کند.
- **کلیشه‌سازی**. نسبت دادن ویژگی‌های پیش‌فرض به یک گروه مشخص. به عنوان مثال، سیستم ترجمه زبانی بین انگلیسی و ترکی ممکن است به دلیل کلمات با ارتباطات کلیشه‌ای جنسیتی دچار اشتباه شود.
- **تخصیص**، اگر مثلاً جنسیت یا قومیت خاصی نسبت به دیگری ترجیح داده شود.
- **کیفیت خدمات**. اگر داده‌ها را برای یک سناریوی خاص آموزش دهید اما واقعیت بسیار پیچیده‌تر باشد، منجر به خدمت ضعیف می‌شود. برای نمونه، یک دستگاه توزیع‌کننده صابون که به نظر نمی‌رسد بتواند افراد با پوست تیره را شناسایی کند. [مرجع](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **تحقیر**. انتقاد ناعادلانه و برچسب زدن به چیزی یا کسی. برای مثال، فناوری برچسب‌گذاری تصاویر به طور نادرستی تصاویر افراد با پوست تیره را به عنوان گوریل برچسب زد.
- **بیش‌نمایی یا کم‌نمایی**. ایده این است که یک گروه خاص در یک حرفه خاص دیده نمی‌شود، و هر سرویس یا عملکردی که این را ادامه دهد به آسیب کمک می‌کند.
- **کلیشه‌سازی**. ارتباط دادن یک گروه خاص با ویژگی‌های پیش‌فرض. برای مثال، سیستم ترجمه زبان بین انگلیسی و ترکی ممکن است نواقصی داشته باشد به دلیل کلماتی که با کلیشه‌های جنسیتی مرتبط هستند.
> ترجمه به ترکی
> ترجمه بازگشت به انگلیسی
> ترجمه بازگشتی به انگلیسی
هنگام طراحی و آزمایش سیستم‌های هوش مصنوعی، باید اطمینان حاصل کنیم که هوش مصنوعی عادلانه است و برنامه‌ای برای اتخاذ تصمیمات مغرضانه یا تبعیض‌آمیز ندارد، که انسان‌ها نیز از انجام آن منع شده‌اند. تضمین عدالت در هوش مصنوعی و یادگیری ماشین همچنان یک چالش پیچیده اجتماعی-فنی است.
هنگام طراحی و آزمایش سیستم‌های هوش مصنوعی، باید تضمین کرد که هوش مصنوعی منصفانه است و برای گرفتن تصمیمات جانبدارانه یا تبعیض‌آمیز برنامه‌ریزی نشده است، تصمیماتی که انسان‌ها نیز مجاز به گرفتن آنها نیستند. تضمین انصاف در هوش مصنوعی و یادگیری ماشین همچنان چالشی پیچیده اجتماعی-فنی است.
### قابلیت اطمینان و ایمنی
برای ایجاد اعتماد، سیستم‌های هوش مصنوعی باید قابل اطمینان، ایمن و ثابت در شرایط عادی و غیرمنتظره باشند. مهم است بدانیم سیستم‌های هوش مصنوعی چگونه در شرایط مختلف، به ویژه موارد پرت، رفتار خواهند کرد. هنگام ساخت راه‌حل‌های هوش مصنوعی باید تمرکز زیادی بر نحوه برخورد با شرایط متنوعی که سیستم ممکن است با آن روبرو شود، گذاشته شود. برای مثال، یک خودرو خودران باید ایمنی مردم را در اولویت قرار دهد. در نتیجه، هوش مصنوعی که خودرو را هدایت می‌کند باید همه سناریوهای ممکن مانند شب، رعد و برق یا بوران، کودکانی که از خیابان عبور می‌کنند، حیوانات خانگی، ساخت‌وسازهای جاده‌ای و غیره را مدنظر داشته باشد. اینکه یک سیستم هوش مصنوعی چگونه می‌تواند طیف وسیعی از شرایط را به‌طور قابل اعتماد و ایمن مدیریت کند، بازتابی از میزان پیش‌بینی دانشمند داده یا توسعه‌دهنده هوش مصنوعی در طراحی یا آزمایش سیستم است.
برای ایجاد اعتماد، سیستم‌های هوش مصنوعی باید در شرایط عادی و غیرمنتظره قابل اعتماد، ایمن و سازگار باشند. مهم است که بدانیم سیستم‌های هوش مصنوعی در موقعیت‌های مختلف، به‌ویژه وقتی که داده‌های پرت هستند، چگونه رفتار خواهند کرد. هنگام ساخت راه‌حل‌های هوش مصنوعی، باید تمرکز زیادی بر نحوه مدیریت مجموعه وسیعی از شرایطی که راه‌حل‌های هوش مصنوعی با آن مواجه خواهند شد وجود داشته باشد. برای مثال، یک خودروی خودران باید ایمنی مردم را در اولویت قرار دهد. به همین دلیل، هوش مصنوعی که خودرو را راهبری می‌کند باید همه سناریوهای ممکن مانند شب، رعد و برق یا بوران، عبور کودکان از خیابان، حیوانات خانگی، ساخت و ساز جاده و غیره را در نظر بگیرد. توانایی سیستم هوش مصنوعی در مدیریت گستره وسیعی از شرایط به طور قابل اعتماد و ایمن منعکس‌کننده میزان پیش‌بینی دانشمند داده یا توسعه‌دهنده هوش مصنوعی در طی طراحی یا آزمایش سیستم است.
> [🎥 برای ویدیو اینجا کلیک کنید: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 برای ویدیو کلیک کنید: قابلیت اطمینان و ایمنی در هوش مصنوعی](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### جامعیت
### فراگیری
سیستم‌های هوش مصنوعی باید به گونه‌ای طراحی شوند که همه را درگیر و توانمند کنند. هنگام طراحی و پیاده‌سازی سیستم‌های هوش مصنوعی، دانشمندان داده و توسعه‌دهندگان هوش مصنوعی موانع احتمالی در سیستم را شناسایی و برطرف می‌کنند که ممکن است به‌طور ناخواسته افراد را کنار بگذارد. به عنوان مثال، حدود یک میلیارد نفر دارای معلولیت در سراسر جهان وجود دارند. با پیشرفت هوش مصنوعی، این افراد می‌توانند دسترسی آسان‌تری به طیف گسترده‌ای از اطلاعات و فرصت‌ها در زندگی روزمره‌شان داشته باشند. با رفع این موانع، فرصت‌هایی برای نوآوری و توسعه محصولات هوش مصنوعی با تجربه بهتر که به نفع همه است ایجاد می‌شود.
سیستم‌های هوش مصنوعی باید به گونه‌ای طراحی شوند که همه را درگیر و توانمند سازند. هنگام طراحی و پیاده‌سازی سیستم‌های هوش مصنوعی، دانشمندان داده و توسعه‌دهندگان هوش مصنوعی موانع احتمالی در سیستم را شناسایی و برطرف می‌کنند که ممکن است ناخواسته برخی افراد را کنار بگذارند. برای نمونه، حدود ۱ میلیارد نفر با ناتوانی در سراسر جهان وجود دارند. با پیشرفت هوش مصنوعی، آنها می‌توانند به طیف گسترده‌ای از اطلاعات و فرصت‌ها در زندگی روزمره خود آسان‌تر دسترسی پیدا کنند. با رفع موانع، این فرصت‌ها ایجاد می‌شود که محصولات هوش مصنوعی با تجربه بهتر و منافع برای همه نوآوری و توسعه یابند.
> [🎥 برای ویدیوی جامعیت در هوش مصنوعی اینجا کلیک کنید](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 برای ویدیو کلیک کنید: فراگیری در هوش مصنوعی](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### امنیت و حریم خصوصی
سیستم‌های هوش مصنوعی باید ایمن باشند و به حریم خصوصی افراد احترام بگذارند. مردم به سیستم‌هایی که حریم خصوصی، اطلاعات یا زندگی‌شان را به خطر می‌اندازند کمتر اعتماد می‌کنند. هنگام آموزش مدل‌های یادگیری ماشین، ما برای تولید بهترین نتایج به داده‌ها اعتماد می‌کنیم. در این فرآیند، منشأ داده و یکپارچگی آن باید مورد توجه قرار گیرد. برای مثال، آیا داده توسط کاربر ارسال شده یا به صورت عمومی در دسترس است؟ سپس، هنگام کار با داده‌ها، توسعه سیستم‌های هوش مصنوعی که بتوانند اطلاعات محرمانه را محافظت کنند و در برابر حملات مقاومت کنند، بسیار حیاتی است. با گسترش هوش مصنوعی، حفاظت از حریم خصوصی و امنیت اطلاعات شخصی و تجاری مهم‌تر و پیچیده‌تر می‌شود. مسائل مربوط به حریم خصوصی و امنیت داده‌ها نیازمند توجه ویژه برای هوش مصنوعی هستند، زیرا دسترسی به داده برای سیستم‌های هوش مصنوعی برای ارائه پیش‌بینی‌ها و تصمیمات دقیق و آگاهانه درباره افراد ضروری است.
سیستم‌های هوش مصنوعی باید ایمن باشند و به حریم خصوصی افراد احترام بگذارند. مردم به سیستم‌هایی که حریم خصوصی، اطلاعات یا زندگی‌شان را به خطر می‌اندازند کمتر اعتماد می‌کنند. هنگام آموزش مدل‌های یادگیری ماشین، ما برای تولید بهترین نتایج روی داده‌ها تکیه می‌کنیم. در این فرآیند، منشا داده‌ها و صحت آنها باید در نظر گرفته شود. برای مثال، آیا داده‌ها توسط کاربر ارسال شده‌اند یا به صورت عمومی در دسترس بوده‌اند؟ سپس، در هنگام کار با داده‌ها، توسعه سیستم‌های هوش مصنوعی که می‌توانند اطلاعات محرمانه را محافظت کنند و در برابر حملات مقاومت داشته باشند، بسیار حیاتی است. با گسترش هوش مصنوعی، حفاظت از حریم خصوصی و تأمین امنیت اطلاعات شخصی و تجاری مهم‌تر و پیچیده‌تر شده است. مسائل مربوط به حریم خصوصی و امنیت داده‌ها به خصوص برای هوش مصنوعی نیازمند توجه ویژه هستند، زیرا دسترسی به داده‌ها برای سیستم‌های هوش مصنوعی ضروری است تا پیش‌بینی‌ها و تصمیم‌گیری‌های دقیق و آگاهانه درباره افراد انجام دهند.
> [🎥 برای ویدیوی امنیت در هوش مصنوعی اینجا کلیک کنید](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 برای مشاهده ویدئو کلیک کنید: امنیت در هوش مصنوعی](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- به عنوان یک صنعت، در زمینه حریم خصوصی و امنیت پیشرفت‌های قابل توجهی داشته‌ایم که عمدتاً توسط مقرراتی مانند GDPR (مقررات عمومی حفاظت از داده‌ها) تقویت شده است.
- اما در سیستم‌های هوش مصنوعی باید تنش بین نیاز به داده‌های شخصی بیشتر برای شخصی‌تر و مؤثرتر کردن سیستم‌ها و حفظ حریم خصوصی را بپذیریم.
- همانند تولد کامپیوترهای متصل به اینترنت، شاهد افزایش چشمگیر مسائل امنیتی مرتبط با هوش مصنوعی نیز هستیم.
- در عین حال، دیده‌ایم که هوش مصنوعی برای بهبود امنیت استفاده می‌شود. به عنوان مثال، اکثر نرم‌افزارهای ضدویروس مدرن امروزه توسط قواعد هوش مصنوعی هدایت می‌شوند.
- باید اطمینان حاصل کنیم که فرایندهای علم داده ما با آخرین شیوه‌های حریم خصوصی و امنیت هماهنگ باشد.
- ما به عنوان یک صنعت، پیشرفت‌های قابل توجهی در حریم خصوصی و امنیت داشته‌ایم که عمدتاً به واسطه مقرراتی مانند GDPR (مقررات عمومی حفاظت از داده) بوده است.
- با این حال، در سیستم‌های هوش مصنوعی باید تنش بین نیاز به داده‌های شخصی بیشتر برای شخصی‌تر و مؤثرتر کردن سیستم‌ها و حریم خصوصی را به رسمیت بشناسیم.
- درست همانند تولد رایانه‌های متصل به اینترنت، شاهد افزایش چشمگیر مشکلات امنیتی مربوط به هوش مصنوعی نیز هستیم.
- در عین حال، دیده‌ایم که هوش مصنوعی برای بهبود امنیت استفاده می‌شود. به عنوان مثال، اکثر اسکنرهای ضدویروس مدرن امروزه بر اساس هئورستیک‌های هوش مصنوعی عمل می‌کنند.
- ما باید اطمینان حاصل کنیم که فرآیندهای علوم داده ما با جدیدترین روش‌های امنیت و حفظ حریم خصوصی به‌صورت هماهنگ ترکیب می‌شوند.
### شفافیت
سیستم‌های هوش مصنوعی باید قابل فهم باشند. بخش حیاتی شفافیت، توضیح رفتار سیستم‌های هوش مصنوعی و اجزای آنها است. بهبود درک سیستم‌های هوش مصنوعی نیازمند آن است که سهام‌داران بفهمند چگونه و چرا این سیستم‌ها کار می‌کنند تا بتوانند مشکلات احتمالی عملکرد، نگرانی‌های ایمنی و حریم خصوصی، تعصبات، رفتارهای تبعیض‌آمیز یا نتایج ناخواسته را شناسایی کنند. همچنین معتقدیم کسانی که از سیستم‌های هوش مصنوعی استفاده می‌کنند باید درباره زمانی که، چرا و چگونه تصمیم به استفاده از آنها می‌گیرند صادق و شفاف باشند. همچنین باید محدودیت‌های سیستم‌هایی که استفاده می‌کنند را بپذیرند. به عنوان مثال، اگر بانکی از سیستم هوش مصنوعی برای حمایت از تصمیمات وام‌دهی مصرف‌کنندگان استفاده می‌کند، مهم است که نتایج بررسی شده و داده‌هایی که بر توصیه‌های سیستم تأثیر می‌گذارند فهمیده شوند. دولت‌ها شروع به تنظیم مقررات هوش مصنوعی در صنایع مختلف کرده‌اند، بنابراین دانشمندان داده و سازمان‌ها باید توضیح دهند که آیا سیستم هوش مصنوعی با الزامات نظارتی مطابقت دارد، به ویژه زمانی که نتیجه نامطلوبی رخ داده است.
سیستم‌های هوش مصنوعی باید قابل فهم باشند. بخش حیاتی شفافیت، توضیح رفتار سیستم‌های هوش مصنوعی و اجزای آنها است. بهبود درک سیستم‌های هوش مصنوعی مستلزم آن است که ذینفعان بدانند چگونه و چرا این سیستم‌ها کار می‌کنند تا بتوانند مشکلات عملکردی احتمالی، نگرانی‌های ایمنی و حریم خصوصی، سوگیری‌ها، روش‌های تبعیض‌آمیز یا پیامدهای ناخواسته را شناسایی کنند. ما همچنین معتقدیم که کسانی که از سیستم‌های هوش مصنوعی استفاده می‌کنند باید صادق و شفاف باشند درباره زمان، دلایل و نحوه استفاده از این سیستم‌ها، و همچنین محدودیت‌های سیستم‌های مورد استفاده خود. به عنوان مثال، اگر یک بانک از یک سیستم هوش مصنوعی برای پشتیبانی از تصمیمات وام‌دهی به مصرف‌کنندگان استفاده می‌کند، مهم است که نتایج را بررسی کرده و بفهمیم کدام داده‌ها توصیه‌های سیستم را تحت تأثیر قرار می‌دهند. دولت‌ها در حال آغاز تنظیم قوانین هوش مصنوعی در صنایع مختلف هستند، بنابراین دانشمندان داده و سازمان‌ها باید توضیح دهند آیا سیستم هوش مصنوعی مطابق با مقررات است، به ویژه زمانی که نتیجه نامطلوبی رخ می‌دهد.
> [🎥 برای ویدیو شفافیت در هوش مصنوعی اینجا کلیک کنید](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 برای مشاهده ویدئو کلیک کنید: شفافیت در هوش مصنوعی](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- به دلیل پیچیدگی سیستم‌های هوش مصنوعی، درک چگونگی کار آنها و تفسیر نتایج دشوار است.
- این کمبود درک بر نحوه مدیریت، عملیاتی شدن و مستندسازی این سیستم‌ها تأثیر می‌گذارد.
- این کمبود درک بخصوص روی تصمیماتی که بر اساس نتایج این سیستم‌ها گرفته می‌شود، تأثیرگذار است.
- به دلیل پیچیدگی سیستم‌های هوش مصنوعی، درک نحوه عملکرد آنها و تفسیر نتایج دشوار است.
- این کمبود درک بر نحوه مدیریت، به کارگیری عملیاتی و مستندسازی این سیستم‌ها تأثیر می‌گذارد.
- و مهم‌تر از همه، بر تصمیماتی که با استفاده از نتایج تولید شده توسط این سیستم‌ها گرفته می‌شود اثر می‌گذارد.
### مسئولیت‌پذیری
### پاسخگویی
افرادی که سیستم‌های هوش مصنوعی را طراحی و پیاده‌سازی می‌کنند باید مسئول چگونگی عملکرد سیستم‌هایشان باشند. نیاز به مسئولیت‌پذیری به ویژه برای فناوری‌های حساس مانند تشخیص چهره حیاتی است. اخیراً تقاضا برای فناوری تشخیص چهره رو به افزایش است، به خصوص از طرف سازمان‌های اجرای قانون که پتانسیل این فناوری را در مواردی مانند یافتن کودکان گمشده می‌بینند. با این حال، این فناوری‌ها می‌توانند توسط دولت‌ها برای تهدید آزادی‌های اساسی شهروندان استفاده شوند، به عنوان مثال با نظارت مداوم بر افراد خاص. بنابراین، دانشمندان داده و سازمان‌ها باید مسئول باشند که سیستم هوش مصنوعی‌شان چگونه بر افراد یا جامعه تأثیر می‌گذارد.
افرادی که سیستم‌های هوش مصنوعی را طراحی و به کار می‌گیرند باید مسئول نحوه عملکرد سیستم‌های خود باشند. نیاز به پاسخگویی به ویژه در فناوری‌های حساس مانند تشخیص چهره بسیار حیاتی است. اخیراً تقاضا برای فناوری تشخیص چهره، به ویژه از سوی سازمان‌های اجرای قانون که پتانسیل فناوری را در کاربردهایی مانند یافتن کودکان گم شده می‌بینند، افزایش یافته است. با این حال، این فناوری‌ها ممکن است توسط یک دولت برای به خطر انداختن آزادی‌های اساسی شهروندان، به عنوان مثال با امکان نظارت مداوم بر افراد خاص، مورد استفاده قرار گیرند. بنابراین، دانشمندان داده و سازمان‌ها باید مسئول تاثیر سیستم هوش مصنوعی خود بر افراد یا جامعه باشند.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "رویکرد مایکروسافت به هوش مصنوعی مسئولانه")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "رویکرد مایکروسافت به هوش مصنوعی مسئولانه")
> 🎥 برای ویدیو: هشدارهای نظارت گسترده از طریق تشخیص چهره، روی تصویر بالا کلیک کنید
> 🎥 برای دیدن ویدئو هشدارهای مربوط به نظارت گسترده از طریق تشخیص چهره، روی تصویر بالا کلیک کنید
در نهایت یکی از بزرگ‌ترین سوالات نسل ما، به عنوان نسل اولی که هوش مصنوعی را به جامعه وارد می‌کند، این است که چگونه اطمینان حاصل کنیم که کامپیوترها همچنان نسبت به مردم پاسخگو باقی بمانند و چگونه اطمینان حاصل کنیم کسانی که کامپیوترها را طراحی می‌کنند نسبت به همه باقی مردم پاسخگو باشند.
در نهایت، یکی از بزرگ‌ترین سوالات نسل ما، به عنوان اولین نسلی که هوش مصنوعی را به جامعه می‌آورد، این است که چگونه اطمینان حاصل کنیم رایانه‌ها مسئولیت‌پذیر باقی می‌مانند و چگونه سازندگان رایانه‌ها نسبت به همه دیگران پاسخگو بمانند.
## ارزیابی تاثیر
## ارزیابی تأثیر
قبل از آموزش یک مدل یادگیری ماشین، مهم است که ارزیابی تأثیر انجام شود تا هدف از سیستم هوش مصنوعی، نحوه استفاده مورد نظر، محل استقرار و افرادی که با سیستم تعامل دارند، درک شود. این موارد برای ارزیابان یا تست‌کنندگان سیستم مفید است تا عوامل مورد توجه هنگام شناسایی خطرات احتمالی و پیامدهای پیش‌بینی شده را بدانند.
قبل از آموزش یک مدل یادگیری ماشین، مهم است که یک ارزیابی تأثیر انجام شود تا هدف سیستم هوش مصنوعی، نحوه استفاده مورد نظر، محل استقرار و کسانی که با سیستم تعامل خواهند داشت مشخص شود. این موارد برای بررسی‌کننده(های) سیستم یا آزمایش‌کنندگان مفید است تا بدانند هنگام شناسایی خطرات احتمالی و پیامدهای مورد انتظار چه مواردی باید در نظر گرفته شود.
حوزه‌های اصلی هنگام انجام ارزیابی تأثیر عبارتند از:
موارد زیر حوزه‌های تمرکز در هنگام انجام ارزیابی تأثیر هستند:
* **تأثیر منفی بر افراد**. آگاهی از هرگونه محدودیت یا نیازمندی، استفاده غیرمجاز یا هر محدودیت شناخته شده که کارایی سیستم را مختل کند، برای اطمینان از عدم استفاده سیستم به روش مضر برای افراد حیاتی است.
* **نیازهای داده‌ای**. درک این که سیستم چگونه و کجا از داده استفاده می‌کند، به ارزیابان این امکان را می‌دهد که هر نیاز داده‌ای که باید رعایت شود (مانند مقررات GDPR یا HIPAA) را بررسی کنند. علاوه بر این، منبع یا مقدار داده برای آموزش کافی بودن را ارزیابی کنند.
* **خلاصه تأثیر**. فهرستی از آسیب‌های احتمالی ناشی از استفاده از سیستم جمع‌آوری کنید. در طول چرخه عمر یادگیری ماشین، بررسی کنید که آیا مسائل شناسایی شده کاهش یافته یا برطرف شده‌اند.
* **اهداف قابل اعمال** برای هر یک از شش اصل اصلی. ارزیابی کنید که آیا اهداف هر اصل برآورده شده‌اند و آیا شکاف‌هایی وجود دارد یا خیر.
* **تأثیر منفی بر افراد**. آگاهی از هر گونه محدودیت یا نیاز، استفاده نادرست یا هر گونه محدودیت شناخته شده که عملکرد سیستم را مختل می‌کند، برای اطمینان از عدم استفاده سیستم به گونه‌ای که به افراد آسیب بزند حیاتی است.
* **نیازهای داده**. درک نحوه و محل استفاده سیستم از داده‌ها به بازبینان این امکان را می‌دهد تا هر گونه نیازمندی داده‌ای (مانند مقررات GDPR یا HIPAA) را مد نظر قرار دهند. همچنین باید بررسی شود که منبع یا مقدار داده برای آموزش کافی باشد.
* **خلاصه تأثیر**. لیستی از آسیب‌های احتمالی ناشی از استفاده از سیستم جمع‌آوری شود. در طول چرخه عمر یادگیری ماشین، بررسی شود که آیا مشکلات شناسایی شده کاهش یافته یا رسیدگی شده‌اند.
* **اهداف قابل اجرا** برای هر یک از شش اصل اصلی. ارزیابی شود که آیا اهداف هر یک از اصول تحقق یافته‌اند و آیا شکاف‌هایی وجود دارد.
## اشکال‌زدایی با هوش مصنوعی مسئولانه
مشابه اشکال‌زدایی برنامه نرم‌افزاری، اشکال‌زدایی سیستم هوش مصنوعی فرآیندی ضروری برای شناسایی و حل مشکلات در سیستم است. عوامل زیادی می‌توانند باعث شوند مدل مطابق انتظار یا به صورت مسئولانه عمل نکند. اکثر معیارهای عملکرد مدل سنتی، مقادیر عددی کلی عملکرد مدل هستند که برای تحلیل نقض اصول هوش مصنوعی مسئولانه کافی نیستند. علاوه بر این، مدل یادگیری ماشین جعبه سیاهی است که درک محرک‌های خروجی آن یا ارائه توضیح در هنگام خطا را دشوار می‌کند. در ادامه این دوره، یاد می‌گیریم چگونه از داشبورد هوش مصنوعی مسئولانه برای کمک به اشکال‌زدایی سیستم‌های هوش مصنوعی استفاده کنیم. این داشبورد ابزار جامع برای دانشمندان داده و توسعه‌دهندگان هوش مصنوعی فراهم می‌کند تا:
مشابه اشکال‌زدایی یک برنامه نرم‌افزاری، اشکال‌زدایی سیستم هوش مصنوعی فرآیندی ضروری برای شناسایی و رفع مشکلات سیستم است. عوامل زیادی وجود دارند که می‌توانند باعث عملکرد نامطلوب یا غیرمسئولانه یک مدل شوند. اکثر معیارهای عملکرد مدل سنتی، جمع‌بندی‌های کمی از عملکرد مدل هستند که برای تحلیل نقض اصول هوش مصنوعی مسئولانه کافی نیستند. علاوه بر این، مدل یادگیری ماشین یک جعبه سیاه است که درک راننده‌های نتایج آن یا ارائه توضیح هنگام اشتباه دشوار است. در ادامه این دوره، خواهیم آموخت که چگونه از داشبورد هوش مصنوعی مسئولانه برای کمک به اشکال‌زدایی سیستم‌های هوش مصنوعی استفاده کنیم. این داشبورد ابزار جامعی برای دانشمندان داده و توسعه‌دهندگان هوش مصنوعی فراهم می‌کند تا:
* **تحلیل خطا**. شناسایی توزیع خطاهای مدل که می‌تواند بر عدالت یا قابلیت اطمینان سیستم تأثیر بگذارد.
* **نمای کلی مدل**. کشف نقاط اختلاف عملکرد مدل در داده‌های گروه‌های مختلف.
* **تحلیل داده**. فهم توزیع داده‌ها و شناسایی هر گونه تعصب احتمالی که ممکن است به مشکلات عدالت، جامعیت یا قابلیت اطمینان منجر شود.
* **تفسیری بودن مدل**. درک عوامل مؤثر بر پیش‌بینی‌های مدل که به توضیح رفتار مدل، مهم برای شفافیت و مسئولیت‌پذیری کمک می‌کند.
* **تحلیل خطا**. برای شناسایی توزیع خطا در مدل که می‌تواند بر انصاف یا قابلیت اطمینان سیستم تأثیر بگذارد.
* **بررسی کلی مدل**. برای کشف نابرابری‌های عملکرد مدل در میان گروه‌های مختلف داده.
* **تحلیل داده**. برای درک توزیع داده و شناسایی هر گونه سوگیری احتمالی در داده که می‌تواند منجر به مشکلات مربوط به انصاف، فراگیری و قابلیت اطمینان گردد.
* **توضیح‌پذیری مدل**. برای درک عواملی که بر پیش‌بینی‌های مدل تأثیر می‌گذارند. این امر در توضیح رفتار مدل که برای شفافیت و مسئولیت‌پذیری ضروری است، کمک می‌کند.
## 🚀 چالش
برای جلوگیری از وارد شدن آسیب‌ها از ابتدا، باید:
برای پیشگیری از ایجاد آسیب‌ها در وهله اول، باید:
- تنوعی از پیش‌زمینه‌ها و دیدگاه‌ها را در میان افرادی که روی سیستم‌ها کار می‌کنند داشته باشیم.
- در مجموعه داده‌هایی سرمایه‌گذاری کنیم که تنوع جامعه ما را منعکس کنند.
- روش‌های بهتری در طول چرخه عمر یادگیری ماشین برای شناسایی و اصلاح هوش مصنوعی مسئولانه هنگام وقوع آن توسعه دهیم.
- در تیم‌های توسعه سیستم‌ها، تنوعی از پیشینه‌ها و دیدگاه‌ها وجود داشته باشد
- در داده‌هایی سرمایه‌گذاری شود که تنوع جامعه ما را منعکس کنند
- روش‌های بهتری در طول چرخه عمر یادگیری ماشین برای شناسایی و اصلاح هوش مصنوعی غیرمسئولانه زمانی که رخ می‌دهد توسعه یابد
درباره سناریوهای واقعی فکر کنید که در آن عدم اطمینان مدل در ساخت و استفاده از مدل مشخص است. چه موارد دیگری باید در نظر بگیریم؟
درباره سناریوهای واقعی فکر کنید که بی‌اعتمادی یک مدل در ساخت و استفاده از مدل آشکار است. چه نکات دیگری باید در نظر بگیریم؟
## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ml/)
## مرور و خودآموزی
## بازبینی و مطالعه خودآموز
در این درس، شما برخی اصول اولیه مفاهیم عدالت و بی‌عدالتی در یادگیری ماشین را یاد گرفته‌اید.
در این درس، با برخی مبانی مفاهیم عدالت و بی‌عدالتی در یادگیری ماشین آشنا شده‌اید.
برای بررسی عمیق‌تر موضوعات، این کارگاه را تماشا کنید:
این کارگاه را تماشا کنید تا عمیق‌تر با موضوعات آشنا شوید:
- در جستجوی هوش مصنوعی مسئولانه: به‌کارگیری اصول در عمل توسط بِسمیرا نوشی، مهرنوش سامکی و آمیـت شارما
- در پی هوش مصنوعی مسئولانه: آوردن اصول به عمل توسط بسمیرا نوشی، مهرنوش سمیعی و آمیت شارما
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "جعبه‌ابزار هوش مصنوعی مسئولانه: چارچوب متن‌باز برای ساخت هوش مصنوعی مسئول")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "جعبه‌ابزار RAI: چارچوب متن‌باز برای ساخت هوش مصنوعی مسئولانه")
> 🎥 برای مشاهده ویدئو، روی تصویر بالا کلیک کنید: جعبه‌ابزار هوش مصنوعی مسئولانه: چارچوب متن‌باز برای ساخت هوش مصنوعی مسئول توسط بِسمیرا نوشی، مهرنوش سامکی و آمیـت شارما
> 🎥 برای دیدن ویدیو، روی تصویر بالا کلیک کنید: جعبه‌ابزار RAI: چارچوب متن‌باز برای ساخت هوش مصنوعی مسئولانه توسط بسمیرا نوشی، مهرنوش سامکی، و آمیت شارما
همچنین بخوانید:
- مرکز منابع هوش مصنوعی مسئول ماکروسافت: [منابع هوش مصنوعی مسئول – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- مرکز منابع RAI مایکروسافت: [منابع هوش مصنوعی مسئول – هوش مصنوعی مایکروسافت](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- گروه پژوهشی FATE ماکروسافت: [FATE: عدالت، پاسخگویی، شفافیت و اخلاق در هوش مصنوعی - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- گروه تحقیقات FATE مایکروسافت: [FATE: انصاف، پاسخگویی، شفافیت، و اخلاق در هوش مصنوعی - تحقیقات مایکروسافت](https://www.microsoft.com/research/theme/fate/)
# شروع کار با پایتون و Scikit-learn برای مدل‌های رگرسیون
# شروع به کار با پایتون و Scikit-learn برای مدل‌های رگرسیون
> اسکچ‌نوت توسط [Tomomi Imura](https://www.twitter.com/girlie_mac)
> اسکچ‌نوت توسط [تومومی ایمورا](https://www.twitter.com/girlie_mac)
## [آزمون قبل از درس](https://ff-quizzes.netlify.app/en/ml/)
## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
> ### [این درس به زبان R نیز موجود است!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## مقدمه
در این چهار درس، با نحوه ساخت مدل‌های رگرسیون آشنا خواهید شد. به زودی درباره کاربردهای آنها صحبت خواهیم کرد. اما پیش از انجام هر کاری، مطمئن شوید که ابزارهای مناسب برای شروع فرآیند در اختیار دارید!
در این چهار درس، شما خواهید آموخت چگونه مدل‌های رگرسیون بسازید. به زودی خواهیم گفت این مدل‌ها برای چه کاری هستند. اما قبل از هر کاری، مطمئن شوید ابزارهای مناسب برای شروع فرآیند را در اختیار دارید!
در این درس، خواهید آموخت چگونه:
در این درس، خواهید آموخت که چگونه:
- رایانه خود را برای انجام وظایف یادگیری ماشین محلی پیکربندی کنید.
- با Jupyter Notebooks کار کنید.
- کامپیوتر خود را برای انجام وظایف یادگیری ماشین محلی پیکربندی کنید.
- با دفترچه‌های یادداشت Jupyter کار کنید.
- از Scikit-learn استفاده کنید، شامل نصب آن.
- با تمرینی عملی، رگرسیون خطی را بررسی کنید.
- رگرسیون خطی را با یک تمرین عملی بررسی کنید.
## نصب و پیکربندی‌ها
## نصب‌ها و پیکربندی‌ها
[](https://youtu.be/-DfeD2k2Kj0 "یادگیری ماشین برای مبتدیان - آماده‌سازی ابزارها برای ساخت مدل‌های یادگیری ماشین")
> 🎥 برای مشاهده ویدیوی کوتاه درباره تنظیم رایانه برای یادگیری ماشین روی تصویر بالا کلیک کنید.
> 🎥 روی تصویر بالا کلیک کنید تا یک ویدیوی کوتاه درباره پیکربندی کامپیوتر برای یادگیری ماشین ببینید.
1. **نصب پایتون**. مطمئن شوید که [پایتون](https://www.python.org/downloads/) روی رایانه شما نصب شده است. شما برای بسیاری از کارهای داده‌کاوی و یادگیری ماشین به پایتون نیاز خواهید داشت. بیشتر سیستم‌های کامپیوتری از قبل پایتون را نصب دارند. بسته‌های [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) مفیدی هم موجود است که نصب را برای برخی کاربران آسان‌تر می‌کند.
1. **نصب پایتون**. اطمینان حاصل کنید که [پایتون](https://www.python.org/downloads/) روی کامپیوتر شما نصب شده است. شما برای بسیاری از کارهای داده‌کاوی و یادگیری ماشین از پایتون استفاده خواهید کرد. اکثر سیستم‌های کامپیوتری از قبل پایتون را دارند. همچنین بسته‌های [کدنویسی پایتون](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) مفیدی برای آسان‌تر کردن نصب در دسترس هستند.
برخی کاربردهای پایتون نیاز به نسخه خاصی از نرم‌افزار دارند، در حالی که برخی دیگر نسخه‌ای متفاوت. به همین دلیل، کار در یک [محیط مجازی](https://docs.python.org/3/library/venv.html) مفید است.
با این حال، برخی کاربردهای پایتون نیاز به نسخه خاصی از نرم‌افزار دارند، در حالی که دیگر کاربردها نسخه‌ای دیگر را می‌طلبند. به همین دلیل، کار در یک [محیط مجازی](https://docs.python.org/3/library/venv.html) مفید است.
2. **نصب Visual Studio Code**. مطمئن شوید که Visual Studio Code روی رایانه شما نصب شده است. برای نصب پایه‌ای به این دستورالعمل‌ها برای [نصب Visual Studio Code](https://code.visualstudio.com/) مراجعه کنید. شما در این دوره قرار است از پایتون در Visual Studio Code استفاده کنید، پس ممکن است بخواهید نحوه [پیکربندی Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) برای توسعه پایتون را مرور کنید.
2. **نصب Visual Studio Code**. مطمئن شوید که Visual Studio Code روی کامپیوتر شما نصب شده است. این دستورالعمل‌ها را برای [نصب Visual Studio Code](https://code.visualstudio.com/) دنبال کنید. در این دوره قرار است از پایتون در Visual Studio Code استفاده کنید، بنابراین ممکن است بخواهید نحوه [پیکربندی Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) برای توسعه پایتون را یاد بگیرید.
> با گذراندن این مجموعه از [ماژول‌های آموزش](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)، با پایتون راحت شوید.
> با مجموعه‌ای از [ماژول‌های آموزش](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) کار کنید تا با پایتون راحت‌تر شوید.
>
> [](https://youtu.be/yyQM70vi7V8 "راه‌اندازی پایتون با Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "نصب پایتون با Visual Studio Code")
>
> 🎥 برای ویدیویی درباره استفاده از پایتون در VS Code روی تصویر بالا کلیک کنید.
> 🎥 روی تصویر بالا کلیک کنید تا ویدیویی درباره استفاده از پایتون در VS Code ببینید.
3. **نصب Scikit-learn**، با دنبال کردن [این دستورالعمل‌ها](https://scikit-learn.org/stable/install.html). از آنجایی که باید از پایتون ۳ استفاده کنید، توصیه می‌شود از محیط مجازی استفاده کنید. اگر این کتابخانه را روی یک مک با پردازنده M1 نصب می‌کنید، دستورالعمل‌های خاصی در صفحه فوق وجود دارد.
3. **نصب Scikit-learn**، با دنبال کردن [این دستورالعمل‌ها](https://scikit-learn.org/stable/install.html). با توجه به نیاز به استفاده از پایتون ۳، توصیه می‌شود از یک محیط مجازی استفاده کنید. توجه داشته باشید، اگر این کتابخانه را روی مک M1 نصب می‌کنید، دستورالعمل‌های خاصی در صفحه بالا وجود دارد.
1. **نصب Jupyter Notebook**. شما باید [بسته Jupyter](https://pypi.org/project/jupyter/) را نصب کنید.
1. **نصب Jupyter Notebook**. نیاز دارید که [بسته Jupyter](https://pypi.org/project/jupyter/) را نصب کنید.
## محیط نویسندگی شما برای یادگیری ماشین
## محیط نویسندگی یادگیری ماشین شما
شما از **دفترچه‌ها (notebooks)** برای توسعه کد پایتون خود و ایجاد مدل‌های یادگیری ماشین استفاده خواهید کرد. این نوع فایل ابزاری رایج در علوم داده است و با پسوند `.ipynb` شناسایی می‌شود.
شما قرار است برای توسعه کدهای پایتون خود و ساخت مدل‌های یادگیری ماشین از **دفترچه‌های یادداشت** استفاده کنید. این نوع فایل ابزار رایجی برای دانشمندان داده است و از طریق پسوند `.ipynb` شناخته می‌شود.
دفترچه‌ها محیطی تعاملی هستند که به توسعه‌دهنده اجازه می‌دهد هم کد بنویسد و هم یادداشت‌ها و مستندات پیرامون کد را اضافه کند که برای پروژه‌های تجربی یا پژوهشی بسیار مفید است.
دفترچه‌های یادداشت محیط تعاملی هستند که به برنامه‌نویس اجازه می‌دهند هم کد بنویسد و هم یادداشت و مستندات پیرامون کد اضافه کند که برای پروژه‌های آزمایشی یا پژوهشی بسیار مفید است.
[](https://youtu.be/7E-jC8FLA2E "یادگیری ماشین برای مبتدیان - راه‌اندازی Jupyter Notebooks برای شروع ساخت مدل‌های رگرسیون")
> 🎥 برای مشاهده ویدیوی کوتاه درباره این تمرین روی تصویر بالا کلیک کنید.
> 🎥 روی تصویر بالا کلیک کنید تا ویدیویی کوتاه درباره انجام این تمرین ببینید.
### تمرین - کار با یک دفترچه
### تمرین - کار با یک دفترچه یادداشت
در این پوشه، فایل _notebook.ipynb_ را پیدا خواهید کرد.
در این پوشه، فایل _notebook.ipynb_ را خواهید دید.
1. فایل _notebook.ipynb_ را در Visual Studio Code باز کنید.
یک سرور Jupyter با پایتون ۳+ شروع به کار خواهد کرد. بخش‌هایی از دفترچه که می‌توانید آنها را `run` کنید، بخش‌هایی از کد هستند. می‌توانید یک بلوک کد را با انتخاب آیکونی که شبیه دکمه پخش است اجرا کنید.
یک سرور Jupyter با پایتون ۳+ راه‌اندازی خواهد شد. بخش‌هایی از دفترچه وجود دارد که می‌توانید آنها را `run` کنید، بخش‌هایی از کد. برای اجرای یک بخش کد، روی آیکونی که شبیه دکمه پخش است کلیک کنید.
1. آیکون `md` را انتخاب کنید و کمی متن مارک‌داون اضافه کنید، از جمله متن زیر: **# به دفترچه خود خوش آمدید**
1. آیکون `md` را انتخاب کنید و کمی markdown اضافه کنید و متن زیر را بنویسید: **# خوش آمدید به دفترچه یادداشت شما**.
سپس، کمی کد پایتون اضافه کنید.
سپس کمی کد پایتون اضافه کنید.
1. کد**print('hello notebook')** را در بلوک کد تایپ کنید.
1. برای اجرای کد، روی فلش کلیک کنید.
1. عبارت**print('hello notebook')** را در بلوک کد تایپ کنید.
1. فلش را انتخاب کنید تا کد اجرا شود.
باید عبارت چاپ‌شده را ببینید:
باید عبارت چاپ شده زیر را مشاهده کنید:
```output
hello notebook
```
می‌توانید کد خود را با کامنت‌هایی برای خودتان همراه کنید تا دفترچه مستند شود.
شما می‌توانید کدهای خود را با کامنت‌ها ترکیب کنید تا دفترچه یادداشت خودمستندسازی شود.
✅ کمی فکر کنید که محیط کاری یک توسعه‌دهنده وب چقدر با محیط کاری یک دانشمند داده متفاوت است.
✅ یک لحظه فکر کنید که محیط کاری یک توسعه‌دهنده وب چقدر با محیط کار یک دانشمند داده متفاوت است.
## راه‌اندازی و شروع کار با Scikit-learn
## راه‌اندازی و آماده‌سازی Scikit-learn
حال که پایتون در محیط محلی شما راه‌اندازی شده است و با Jupyter Notebooks راحت هستید، بیایید با Scikit-learn هم همینقدر راحت شویم (تلفظ آن `سای` مثل science است). Scikit-learn یک [رابط برنامه‌نویسی گسترده](https://scikit-learn.org/stable/modules/classes.html#api-ref) فراهم می‌کند تا به شما در انجام وظایف یادگیری ماشین کمک کند.
حال که پایتون در محیط محلی شما نصب شده و با Jupyter Notebooks راحت هستید، بیایید با Scikit-learn هم آشنا شویم (تلفظ آن به صورت `سای` مثل `علم` است). Scikit-learn یک [API گسترده](https://scikit-learn.org/stable/modules/classes.html#api-ref) برای کمک به انجام کارهای یادگیری ماشین فراهم می‌کند.
طبق گفته وب‌سایت آنها [وب‌سایت](https://scikit-learn.org/stable/getting_started.html) "Scikit-learn یک کتابخانه متن باز یادگیری ماشین است که یادگیری نظارت‌شده و نظارت‌نشده را پشتیبانی می‌کند. همچنین ابزارهای مختلفی برای برازش مدل، پیش‌پردازش داده، انتخاب و ارزیابی مدل و بسیاری کاربردهای دیگر فراهم می‌آورد."
طبق [وب‌سایتشان](https://scikit-learn.org/stable/getting_started.html)، "Scikit-learn یک کتابخانه متن‌باز یادگیری ماشین است که یادگیری نظارت‌شده و نظارت‌نشده را پشتیبانی می‌کند. همچنین ابزارهای مختلفی برای تناسب مدل، پیش‌پردازش داده، انتخاب مدل و ارزیابی آن، و بسیاری ابزارهای دیگر فراهم می‌کند."
در این دوره، از Scikit-learn و ابزارهای دیگر برای ساخت مدل‌های یادگیری ماشین استفاده خواهید کرد تا وظایفی که ما «یادگیری ماشین سنتی» می‌نامیم را انجام دهید. عمدتاً از شبکه‌های عصبی و یادگیری عمیق اجتناب کرده‌ایم، چون آنها را بهتر در دوره آینده «هوش مصنوعی برای مبتدیان» پوشش خواهیم داد.
در این دوره، شما از Scikit-learn و ابزارهای دیگر برای ساخت مدل‌های یادگیری ماشینی استفاده خواهید کرد که کارهای یادگیری ماشین سنتی را انجام می‌دهند. ما عمداً از شبکه‌های عصبی و یادگیری عمیق پرهیز کرده‌ایم، زیرا این موارد بهتر در دوره 'هوش مصنوعی برای مبتدیان' ما پوشش داده می‌شوند.
Scikit-learn ساخت مدل‌ها و ارزیابی آنها را بسیار ساده کرده است. عمدتاً بر استفاده از داده‌های عددی تمرکز دارد و چندین مجموعه داده آماده برای یادگیری دارد. همچنین مدل‌هایی آماده برای امتحان دانشجویان دارد. ابتدا پروسه بارگذاری داده‌های بسته‌بندی شده و استفاده از یک تخمین‌زن داخلی را برای اولین مدل ML با Scikit-learn و داده‌های پایه بررسی کنیم.
Scikit-learn ساخت مدل‌ها و ارزیابی آنها برای استفاده را ساده می‌کند. تمرکز اصلی آن بر داده‌های عددی است و چندین مجموعه داده آماده برای یادگیری دارد. همچنین مدل‌های آماده‌ای دارد که دانش‌آموزان می‌توانند امتحان کنند. بیایید فرآیند بارگذاری داده‌های بسته‌بندی‌شده و استفاده از یک برآوردگر داخلی برای ساخت اولین مدل یادگیری ماشین با Scikit-learn را با داده‌های پایه بررسی کنیم.
## تمرین - اولین دفترچه Scikit-learn شما
## تمرین - نخستین دفترچه یادداشت Scikit-learn شما
> این آموزش بر اساس [مثال رگرسیون خطی](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) در وب‌سایت Scikit-learn الهام گرفته شده است.
> این آموزش از [مثال رگرسیون خطی](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) در وب‌سایت Scikit-learn الهام گرفته است.
[](https://youtu.be/2xkXL5EUpS0 "یادگیری ماشین برای مبتدیان - اولین پروژه رگرسیون خطی شما در پایتون")
[](https://youtu.be/2xkXL5EUpS0 "یادگیری ماشین برای مبتدیان - پروژه اول رگرسیون خطی شما در پایتون")
> 🎥 برای مشاهده ویدیوی کوتاه درباره این تمرین روی تصویر بالا کلیک کنید.
> 🎥 روی تصویر بالا کلیک کنید تا ویدیویی کوتاه درباره انجام این تمرین ببینید.
در فایل _notebook.ipynb_ مربوط به این درس، همه سلول‌ها را با کلیک روی آیکون سطل زباله پاک کنید.
در فایل _notebook.ipynb_ مربوط به این درس، با زدن آیکون 'سطل آشغال' تمام سلول‌ها را پاک کنید.
در این بخش، با یک مجموعه داده کوچک درباره دیابت کار خواهید کرد که به منظور یادگیری در Scikit-learn ساخته شده است. تصور کنید می‌خواهید درمانی برای بیماران دیابتی آزمایش کنید. مدل‌های یادگیری ماشین می‌توانند به شما کمک کنند تعیین کنید کدام بیماران بهتر به درمان پاسخ می‌دهند، بر اساس ترکیبی از متغیرها. حتی یک مدل رگرسیون بسیار ساده، وقتی تجسم شود، می‌تواند اطلاعاتی درباره متغیرها نشان دهد که به سازماندهی آزمایشات بالینی نظری شما کمک کند.
در این بخش، شما با یک مجموعه داده کوچک درباره دیابت کار خواهید کرد که داخل Scikit-learn برای اهداف یادگیری تعبیه شده است. فرض کنید می‌خواهید درمانی برای بیماران دیابتی آزمایش کنید. مدل‌های یادگیری ماشین ممکن است به شما کمک کنند تا تعیین کنید چه بیمارانی بهتر به درمان پاسخ می‌دهند، بر اساس ترکیبی از متغیرها. حتی یک مدل رگرسیون ساده، وقتی تجسمی شود، ممکن است اطلاعاتی درباره متغیرها ارائه دهد که به شما در سازماندهی آزمایشات بالینی نظری کمک کند.
✅ روش‌های مختلف رگرسیون وجود دارند و انتخاب یکی به پاسخ موردنظر شما بستگی دارد. اگر بخواهید ارتفاع احتمالی یک شخص در سن مشخص را پیش‌بینی کنید، از رگرسیون خطی استفاده می‌کنید چون دنبال یک **مقدار عددی** هستید. اگر بخواهید بدانید یک نوع غذای خاص باید به عنوان گیاه‌خواری شمرده شود یا نه، به دنبال **دسته‌بندی** هستید، پس از رگرسیون لجستیک استفاده می‌کنید. درباره رگرسیون لجستیک بعداً بیشتر خواهید آموخت. کمی در مورد سوالاتی که می‌توانید از داده‌ها بپرسید فکر کنید و کدام روش برای آن مناسب‌تر است.
✅ انواع مختلفی از روش‌های رگرسیون وجود دارد و انتخاب هر کدام به پاسخی که می‌خواهید بستگی دارد. اگر می‌خواهید قد احتمالی یک فرد در سن معین را پیش‌بینی کنید، از رگرسیون خطی استفاده می‌کنید، زیرا دنبال یک **مقدار عددی** هستید. اگر می‌خواهید بدانید یک نوع غذا باید به عنوان وگان در نظر گرفته شود یا خیر، دنبال یک **دسته‌بندی** هستید و بنابراین از رگرسیون لجستیک استفاده می‌کنید. درباره رگرسیون لجستیک بعداً بیشتر خواهید آموخت. کمی فکر کنید به سوالاتی که می‌توانید از داده‌ها بپرسید و کدام یک از این روش‌ها مناسب‌تر است.
بریم سراغ این کار.
بیایید با این کار شروع کنیم.
### وارد کردن کتابخانه‌ها
برای این کار برخی کتابخانه‌ها را وارد می‌کنیم:
برای این کار برخی کتابخانه‌ها را وارد خواهیم کرد:
- **matplotlib**. این یک [ابزار رسم نمودار مفید](https://matplotlib.org/) است و ما از آن برای رسم نمودار خطی استفاده خواهیم کرد.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) کتابخانه‌ای مفید برای مدیریت داده‌های عددی در پایتون است.
- **sklearn**. این کتابخانه [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) است.
- **matplotlib**. این یک [ابزار نمودارسازی](https://matplotlib.org/) مفید است و ما از آن برای رسم نمودار خطی استفاده می‌کنیم.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) کتابخانه‌ای مفید برای کار با داده‌های عددی در پایتون است.
- **sklearn**. این همان کتابخانه [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) است.
برخی کتابخانه‌ها را برای انجام وظایف خود وارد کنید.
کتابخانه‌هایی را وارد کنید که به شما در انجام وظایف کمک کنند.
1. واردات را با تایپ کد زیر اضافه کنید:
1. افزودن وارد‌سازی‌ها با تایپ کد زیر:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Scikit-learn ساخت مدل‌ها و ارزیابی آنها را بسیا
from sklearn import datasets, linear_model, model_selection
```
شما در بالا `matplotlib`، `numpy` را وارد کرده‌اید و نیز از `sklearn`، `datasets`، `linear_model` و `model_selection` را وارد کرده‌اید. `model_selection` برای تقسیم داده‌ها به مجموعه‌های آموزش و تست استفاده می‌شود.
در بالا `matplotlib` و `numpy` را وارد می‌کنید و همچنین از `sklearn`، ماژول‌های `datasets`، `linear_model` و `model_selection` را وارد می‌کنید. `model_selection` برای تقسیم داده‌ها به مجموعه‌های آموزش و آزمایش استفاده می‌شود.
### مجموعه داده دیابت
مجموعه داده [دیابت داخلی](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) شامل ۴۴۲ نمونه داده درباره دیابت است، با ۱۰ متغیر ویژگی که برخی از آنها شامل:
مجموعه داده داخلی [دیابت](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) شامل ۴۴۲ نمونه داده درباره دیابت است، با ۱۰ متغیر ویژگی، برخی از آنها شامل:
- سن: سن بر حسب سال
- bmi: شاخص توده بدنی
- bp: فشار خون متوسط
- s1 tc: سلول‌های T (نوعی از سلول‌های سفید خون)
- سن: سن به سال
- bmi: شاخص توده بدن
- فشار خون: فشار خون متوسط
- s1 tc: سلول‌های T (نوعی از گلبول سفید)
✅ این مجموعه داده مفهوم «جنسیت» را به عنوان متغیر ویژگی مهمی برای تحقیقات درباره دیابت شامل می‌شود. بسیاری از مجموعه داده‌های پزشکی این نوع دسته‌بندی دودویی را دارند. کمی فکر کنید که چنین دسته‌بندی‌هایی چطور ممکن است بخشی از جمعیت را از درمان‌ها کنار بگذارند.
✅ این مجموعه داده، مفهوم «جنسیت» را به عنوان یک متغیر ویژگی مهم برای پژوهش‌های مربوط به دیابت دربر دارد. بسیاری از مجموعه‌های داده پزشکی شامل این نوع دسته‌بندی دودویی هستند. کمی فکر کنید که چگونه چنین دسته‌بندی‌هایی ممکن است بخش‌هایی از جمعیت را از دسترسی به درمان‌ها محروم کنند.
حال، داده‌های X و y را بارگذاری کنید.
حال داده‌های X و y را بارگذاری کنید.
> 🎓 به یاد داشته باشید، این یادگیری نظارت‌شده است و باید «y» هدف نامگذاری شده وجود داشته باشد.
> 🎓 به یاد داشته باشید، این یادگیری نظارت‌شده است و نیاز به یک هدف نامگذاری شده 'y' داریم.
در یک سلول کد جدید، مجموعه داده دیابت را با فراخوانی `load_diabetes()` بارگذاری کنید. ورودی `return_X_y=True` به معنای این است که `X` یک ماتریس داده و `y` هدف رگرسیون خواهد بود.
در یک سلول کد جدید، مجموعه داده دیابت را با فراخوانی `load_diabetes()` بارگذاری کنید. ورودی `return_X_y=True` به این معنی است که `X` ماتریس داده‌ها خواهد بود و `y` هدف رگرسیون است.
1. چند دستور print برای نشان دادن شکل ماتریس داده و اولین عنصر آن اضافه کنید:
1. چند دستور print اضافه کنید تا شکل ماتریس داده‌ها و اولین عنصر آن را نشان دهند:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ Scikit-learn ساخت مدل‌ها و ارزیابی آنها را بسیا
print(X[0])
```
آنچه برمی‌گردید به صورت یک تاپل است. کاری که می‌کنید این است که دو مقدار اول تاپل را به ترتیب به `X` و `y` انتساب دهید. درباره [تاپل‌ها](https://wikipedia.org/wiki/Tuple) بیشتر بدانید.
چیزی که به عنوان پاسخ دریافت می‌کنید یک tuple است. کاری که انجام می‌دهید این است که دو مقدار اول tuple را به ترتیب به `X` و `y` اختصاص می‌دهید. درباره [tuple ها](https://wikipedia.org/wiki/Tuple) بیشتر بیاموزید.
می‌توانید ببینید این داده ۴۴۲ مورد دارد که در آرایه‌ای با ۱۰ عنصر شکل داده شده است:
می‌بینید که این داده‌ها ۴۴۲ آیتم دارند که در آرایه‌هایی با ۱۰ عنصر شکل گرفته‌اند:
```text
(442, 10)
@ -160,39 +160,39 @@ Scikit-learn ساخت مدل‌ها و ارزیابی آنها را بسیا
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ کمی درباره رابطه بین داده و هدف رگرسیون فکر کنید. رگرسیون خطی روابط بین ویژگی X و متغیر هدف y را پیش‌بینی می‌کند. آیا می‌توانید [هدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) مجموعه داده دیابت را در مستندات پیدا کنید؟ این مجموعه داده با آن هدف چه چیزی را نشان می‌دهد؟
✅ کمی درباره رابطه داده‌ها و هدف رگرسیون فکر کنید. رگرسیون خطی رابطه بین ویژگی X و متغیر هدف y را پیش‌بینی می‌کند. آیا می‌توانید هدف [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) مجموعه داده دیابت را در مستندات پیدا کنید؟ این مجموعه داده با توجه به آن هدف چه چیزی را نشان می‌دهد؟
2. سپس بخشی از این مجموعه داده را برای رسم انتخاب کنید، با انتخاب ستون سوم مجموعه داده. برای این کار می‌توانید از عملگر `:` برای انتخاب همه ردیف‌ها استفاده کنید، و سپس ستون سوم را با ایندکس (2) انتخاب کنید. همچنین می‌توانید داده را به آرایه ۲ بعدی تغییر شکل دهید - برای رسم لازم است - با استفاده از `reshape(n_rows, n_columns)`. اگر یکی از پارامترها -۱ باشد، بعد متناظر به طور خودکار محاسبه می‌شود.
2. سپس، بخشی از این مجموعه داده را برای ترسیم انتخاب کنید، با انتخاب ستون سوم مجموعه داده. می‌توانید با استفاده از عملگر `:` برای انتخاب همه ردیف‌ها و سپس انتخاب ستون سوم با اندیس (۲)، این کار را انجام دهید. همچنین می‌توانید داده‌ها را به شکل آرایه دو بعدی – که برای ترسیم لازم است – با استفاده از `reshape(n_rows, n_columns)` تغییر شکل دهید. اگر یکی از پارامترها -۱ باشد، بعد مربوطه به طور خودکار محاسبه می‌شود.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ در هر لحظه داده را چاپ کنید تا شکل آن را چک کنید.
✅ در هر مرحله، داده‌ها را چاپ کنید تا شکل آنها را بررسی کنید.
3. حال که داده آماده رسم است، می‌توانید ببینید که آیا ماشین می‌تواند تقسیم منطقی بین اعداد این مجموعه داده تشخیص دهد یا نه. برای این کار باید داده‌ها (X) و هدف (y) را به مجموعه‌های تست و آموزش تقسیم کنید. Scikit-learn راه ساده‌ای برای این کار دارد؛ می‌توانید داده تست خود را در نقطه‌ای مشخص تقسیم کنید.
3. اکنون که داده‌ها برای ترسیم آماده شده‌اند، ببینید آیا یک ماشین می‌تواند یک تقسیم منطقی بین اعداد این مجموعه داده مشخص کند یا خیر. برای این کار، باید داده‌ها (X) و هدف (y) را به مجموعه‌های آزمایش و آموزش تقسیم کنید. Scikit-learn راهی ساده برای این کار دارد؛ می‌توانید داده‌های آزمایش خود را در یک نقطه مشخص تقسیم کنید.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. حال آماده آموزش مدل خود هستید! مدل رگرسیون خطی را بارگذاری کنید و آن را با مجموعه‌های آموزش X و y خود با استفاده از`model.fit()` آموزش دهید:
4. حالا آماده آموزش مدل خود هستید! مدل رگرسیون خطی را بارگذاری کنید و آن را با مجموعه‌های آموزش X و y با `model.fit()` آموزش دهید:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` تابعی است که در بسیاری از کتابخانه‌های یادگیری ماشین مانند TensorFlow خواهید دید.
✅ تابع `model.fit()` در بسیاری از کتابخانه‌های یادگیری ماشین مانند TensorFlow وجود دارد
5. سپس با استفاده از داده‌های تست، پیش‌بینی ایجاد کنید، با استفاده از تابع `predict()`. این برای رسم خط میان گروه‌های داده مدل استفاده خواهد شد.
5. سپس با داده‌های آزمایشی پیش‌بینی‌ای با استفاده از تابع `predict()` ایجاد کنید. این برای کشیدن خط بین گروه‌های داده استفاده می‌شود.
```python
y_pred = model.predict(X_test)
```
6. اکنون زمان نمایش داده‌ها با یک نمودار است. Matplotlib ابزاری بسیار مفید برای این کار است. یک scatterplot از تمام داده‌های تست X و y ایجاد کنید، و با استفاده از پیش‌بینی خط را در مناسب‌ترین محل بین گروه‌های داده مدل رسم کنید.
6. حالا وقت نمایش داده‌ها در یک نمودار است. Matplotlib ابزاری بسیار مفید برای این کار است. یک نمودار پراکندگی از تمام داده‌های آزمایش X و y ایجاد کنید و از پیش‌بینی برای کشیدن خط در مناسب‌ترین مکان، بین گروه‌های داده مدل استفاده کنید.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ Scikit-learn ساخت مدل‌ها و ارزیابی آنها را بسیا
plt.show()
```
✅ کمی فکر کنید که در اینجا چه اتفاقی می‌افتد. یک خط صاف از میان بسیاری از نقاط کوچک داده عبور می‌کند، اما دقیقاً چه کاری انجام می‌دهد؟ آیا می‌توانید ببینید چگونه باید بتوانید از این خط برای پیش‌بینی محل قرارگیری یک نقطه داده جدید و ندیده استفاده کنید، نسبت به محور y نمودار؟ تلاش کنید کاربرد عملی این مدل را به زبان بیاورید.
✅ کمی فکر کنید درباره‌ی آنچه اینجا اتفاق می‌افتد. یک خط مستقیم از میان بسیاری نقاط کوچک داده عبور می‌کند، اما دقیقاً چه کاری انجام می‌دهد؟ آیا می‌توانید ببینید چگونه باید بتوانید از این خط استفاده کنید تا پیش‌بینی کنید یک نقطه داده جدید و دیده نشده باید نسبت به محور y نمودار کجا قرار گیرد؟ سعی کنید کاربرد عملی این مدل را به زبان بیاورید.
تبریک می‌گویم، شما اولین مدل رگرسیون خطی خود را ساختید، با آن پیش‌بینی انجام دادید و آن را در یک نمودار نمایش دادید!
تبریک، شما اولین مدل رگرسیون خطی خود را ساختید، پیش‌بینی‌ای ایجاد کردید و آن را در یک نمودار نمایش دادید!
---
## 🚀چالش
یک متغیر متفاوت از این مجموعه داده رسم کنید. راهنمایی: این خط را ویرایش کنید: `X = X[:,2]`. با توجه به هدف این مجموعه داده، چه چیزهایی می‌توانید درباره پیشرفت بیماری دیابت کشف کنید؟
متغیری متفاوت از این مجموعه داده را ترسیم کنید. راهنما: این خط را ویرایش کنید: `X = X[:,2]`. با توجه به هدف این مجموعه داده، چه چیزهایی درباره پیشرفت دیابت به عنوان یک بیماری می‌توانید کشف کنید؟
## [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ml/)
## مرور و خودآموزی
## مرور و مطالعه خودآموز
در این آموزش، شما با رگرسیون خطی ساده کار کردید، نه رگرسیون خطی تک‌متغیره یا چندگانه. کمی درباره تفاوت‌های این روش‌ها بخوانید، یا به [این ویدیو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) نگاهی بیندازید.
در این آموزش، با رگرسیون خطی ساده کار کردید، نه رگرسیون خطی تک متغیره یا چند متغیره. کمی درباره تفاوت‌های این روش‌ها بخوانید، یا به [این ویدیو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) نگاهی بیندازید.
بیشتر درباره مفهوم رگرسیون بخوانید و فکر کنید که چه نوع سوالاتی را می‌توان با این تکنیک پاسخ داد. این [آموزش](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) را برای تعمیق درک خود بگذرانید.
درباره مفهوم رگرسیون بیشتر بخوانید و فکر کنید که با این تکنیک چه نوع سوالاتی می‌توان پاسخ داد. این [آموزش](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) را برای درک عمیق‌تر خود انجام دهید.
پیش‌بینی سری‌های زمانی چیست؟ این فرآیند شامل پیش‌بینی رویدادهای آینده با تحلیل روندهای گذشته است.
پیش‌بینی سری‌های زمانی چیست؟ این کار درباره پیش‌بینی رویدادهای آینده با تحلیل روندهای گذشته است.
## موضوع منطقه‌ای: مصرف برق جهانی ✨
## موضوع منطقه‌ای: مصرف برق در سراسر جهان ✨
در این دو درس، شما با پیش‌بینی سری‌های زمانی آشنا خواهید شد، حوزه‌ای که شاید کمتر شناخته شده باشد اما برای کاربردهای صنعتی و تجاری و سایر زمینه‌ها بسیار ارزشمند است. در حالی که شبکه‌های عصبی می‌توانند برای افزایش کارایی این مدل‌ها استفاده شوند، ما آنها را در زمینه یادگیری ماشین کلاسیک مطالعه خواهیم کرد، زیرا این مدل‌ها به پیش‌بینی عملکرد آینده بر اساس داده‌های گذشته کمک می‌کنند.
در این دو درس، با پیش‌بینی سری‌های زمانی آشنا خواهید شد، حوزه‌ای نسبتاً کمتر شناخته شده از یادگیری ماشین که با این حال برای صنعت و کاربردهای تجاری و سایر زمینه‌ها بسیار ارزشمند است. در حالی که می‌توان از شبکه‌های عصبی برای ارتقاء کاربرد مدل‌ها استفاده کرد، ما آنها را در چارچوب یادگیری ماشین کلاسیک مطالعه خواهیم کرد چون مدل‌ها به پیش‌بینی عملکرد آینده بر اساس گذشته کمک می‌کنند.
تمرکز منطقه‌ای ما بر مصرف برق جهانی است، یک مجموعه داده جالب برای یادگیری پیش‌بینی مصرف برق آینده بر اساس الگوهای بار گذشته. می‌توانید ببینید که این نوع پیش‌بینی چگونه می‌تواند در محیط‌های تجاری بسیار مفید باشد.
تمرکز منطقه‌ای ما مصرف برق در جهان است، مجموعه داده‌ای جالب برای یادگیری پیش‌بینی مصرف برق آینده بر اساس الگوهای بار گذشته. شما خواهید دید چگونه چنین پیش‌بینی‌هایی می‌تواند در محیط کسب‌وکار بسیار مفید باشد.
عکس از [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) از برج‌های برق در جاده‌ای در راجستان در [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
@ -16,13 +16,15 @@
1. [مقدمه‌ای بر پیش‌بینی سری‌های زمانی](1-Introduction/README.md)
2. [ساخت مدل‌های سری زمانی ARIMA](2-ARIMA/README.md)
3. [ساخت مدل Support Vector Regressor برای پیش‌بینی سری‌های زمانی](3-SVR/README.md)
3. [ساخت رگرسور بردار پشتیبان برای پیش‌بینی سری‌های زمانی](3-SVR/README.md)
## اعتبارها
"مقدمه‌ای بر پیش‌بینی سری‌های زمانی" با ⚡️ توسط [Francesca Lazzeri](https://twitter.com/frlazzeri) و [Jen Looper](https://twitter.com/jenlooper) نوشته شده است. نوت‌بوک‌ها ابتدا به صورت آنلاین در [مخزن "Deep Learning For Time Series" در Azure](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) که توسط Francesca Lazzeri نوشته شده بود، منتشر شدند. درس SVR توسط [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) نوشته شده است.
"مقدمه‌ای بر پیش‌بینی سری‌های زمانی" با ⚡️ توسط [Francesca Lazzeri](https://twitter.com/frlazzeri) و [Jen Looper](https://twitter.com/jenlooper) نوشته شده است. دفاتر یادداشت برای اولین بار به صورت آنلاین در [مخزن Azure "یادگیری عمیق برای سری‌های زمانی"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) که در اصل توسط Francesca Lazzeri نوشته شده بود منتشر شدند. درس SVR توسط [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) نوشته شده است.
---
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه 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 مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
> این مخزن شامل بیش از ۵۰ ترجمه زبانی است که حجم دانلود را به طور قابل توجهی افزایش می‌دهد. برای کلون بدون ترجمه‌ها، از sparse checkout استفاده کنید:
> این مخزن شامل بیش از ۵۰ ترجمه زبان است که اندازه دانلود را به‌طور قابل توجهی افزایش می‌دهد. برای کلون کردن بدون ترجمه‌ها، از روش sparse checkout استفاده کنید:
[](https://discord.gg/nTYy5BXMWG)
ما مجموعه‌ای از جلسات یادگیری با هوش مصنوعی در دیسکورد داریم، برای اطلاعات بیشتر و پیوستن به ما به [دوره یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ مراجعه کنید. در این دوره نکات و ترفندهای استفاده از GitHub Copilot برای علوم داده دریافت خواهید کرد.
ما سری آموزشی Discord با موضوع یادگیری با هوش مصنوعی را برگزار می‌کنیم؛ برای اطلاعات بیشتر و پیوستن به ما در [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) در بازه زمانی ۱۸ تا ۳۰ سپتامبر ۲۰۲۵، مراجعه کنید. نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را دریافت خواهید کرد.
# یادگیری ماشین برای مبتدیان - یک دوره آموزشی
> 🌍 سفر به دور دنیا در حالی که یادگیری ماشین را از منظر فرهنگ‌های مختلف جهان بررسی می‌کنیم 🌍
> 🌍 در سراسر جهان سفر کنیم در حالی که یادگیری ماشین را از طریق فرهنگ‌های جهانی کاوش می‌کنیم 🌍
نمایندگان ابر در مایکروسافت خوشحال‌اند که یک دوره ۱۲ هفته‌ای شامل ۲۶ درس درباره **یادگیری ماشین** ارائه دهند. در این دوره، شما با چیزی که گاهی به آن **یادگیری کلاسیک ماشین** گفته می‌شود، که عمدتاً از کتابخانه Scikit-learn استفاده می‌کند و یادگیری عمیق را که در دوره [هوش مصنوعی برای مبتدیان](https://aka.ms/ai4beginners) ما پوشش داده شده، اجتناب می‌کند، آشنا خواهید شد. این دروس را همراه با دوره [علوم داده برای مبتدیان](https://aka.ms/ds4beginners) نیز دنبال کنید!
مدافعان فضای ابری در مایکروسافت خوشحال‌اند دوره‌ای ۱۲ هفته‌ای و ۲۶ درس درباره **یادگیری ماشین** ارائه دهند. در این دوره، درباره چیزی که گاهی یادگیری ماشین کلاسیک خوانده می‌شود، به‌خصوص استفاده از کتابخانه Scikit-learn، یاد خواهید گرفت و از یادگیری عمیق که در [دوره هوش مصنوعی برای مبتدیان](https://aka.ms/ai4beginners) پوشش داده شده، اجتناب می‌شود. این درس‌ها را با دوره ['علم داده برای مبتدیان'](https://aka.ms/ds4beginners) نیز همراه کنید!
با ما در سفری دور دنیا همراه شوید که این تکنیک‌های کلاسیک را برای داده‌های مناطق مختلف جهان به کار می‌بریم. هر درس شامل آزمون‌های پیش و پس از درس، دستورالعمل‌های مکتوب برای تکمیل درس، راه‌حل، تمرین و موارد بیشتر است. روش آموزش مبتنی بر پروژه ما به شما امکان می‌دهد در حین ساخت پروژه یاد بگیرید، روشی اثبات شده برای تثبیت مهارت‌های جدید.
با ما در این سفر جهانی همراه باشید تا این تکنیک‌های کلاسیک را بر داده‌های مناطق مختلف جهان اعمال کنیم. هر درس شامل آزمون‌های قبل و بعد درس، دستورالعمل‌های نوشتاری برای تکمیل درس، راه‌حل، تکلیف و غیره است. روش آموزش مبتنی بر پروژه ما به شما این امکان را می‌دهد که در حین ساختن، یاد بگیرید؛ روشی اثبات شده برای درگیر شدن مهارت‌های جدید.
**✍️ از نویسندگان ما صمیمانه سپاسگزاریم:** جن لوپر، استفن هاول، فرانچسکا لازری، تومومی ایمورا، کَسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روت یاکوبو و اِمی بوید
**✍️ قدردانی ویژه از نویسندگان ما** جن لوپر، استیفن هاول، فرانسسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روث یاکوبو و امی بوید
**🎨 همچنین از تصویرگران ما سپاسگزاریم:** تومومی ایمورا، داسانی ماداپالی، و جن لوپر
**🎨 قدردانی از تصویرسازان ما** تومومی ایمورا، داسانی مادپالی، و جن لوپر
**🙏 تشکر ویژه 🙏 از سفیران دانشجویی مایکروسافت، نویسندگان، بازبینان و مشارکت‌کنندگان محتوا، به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبهیشک جایسوال، ناورین طبسم، ایوان سامویلا، و اسنیگدها آگاروال
**🙏 تشکر ویژه 🙏 از نویسندگان، بازبین‌ها و مشارکت‌کنندگان محتوای سفیران دانشجویی مایکروسافت**، به ویژه ریشیت دگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، ناورین طبسم، ایوان سامویلا، و اسنیگده آگاروال
**🤩 تشکر ویژه به سفیران دانشجویی مایکروسافت اریک وانژاو، جاسلین سوندی و ویدوشی گپتا برای دروس زبان R ما!**
**🤩 سپاسگذاری اضافی از سفیران دانشجویی مایکروسافت اریک وانژاو، جاسلین سوندی، و ویدوشی گوپتا برای درس‌های R ما!**
# شروع به کار
این مراحل را دنبال کنید:
1. **شاخه کپی مخزن را بسازید**: روی دکمه "Fork" در گوشه بالا سمت راست صفحه کلیک کنید.
2. **مخزن را کلون کنید**:`git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **انشعاب مخزن**: روی دکمه «فورک» در گوشه بالا سمت راست این صفحه کلیک کنید.
2. **کلون کردن مخزن**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [برای دسترسی به تمام منابع اضافی این دوره از مجموعه Microsoft Learn ما دیدن کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **نکته شروع سریع:** می‌خواهید بدون راه‌اندازی محلی پایتون در مرورگر شروع کنید؟ از [GitHub Codespaces](https://github.com/features/codespaces) برای ایجاد محیط توسعه ابری برای فورک خود استفاده کنید. منوی سبز **Code** را باز کنید، **Codespaces** را انتخاب کرده و یک کدسپیس بسازید؛ بسته‌های مورد نیاز هر درس را در صورت لزوم داخل آن نصب کنید.
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **نیاز به کمک دارید؟** راهنمای [عیب‌یابی](TROUBLESHOOTING.md) ما را برای حل مشکلات متداول نصب، راه‌اندازی و اجرای درس‌ها بررسی کنید.
> 🔧 **نیاز به کمک دارید؟** راهنمای [عیب‌یابی](TROUBLESHOOTING.md) ما را برای حل مشکلات متداول نصب، راه‌اندازی و اجرای دروس بررسی کنید.
**[دانش‌آموزان](https://aka.ms/student-page)**، برای استفاده از این دوره، کل مخزن را در حساب GitHub خود فورک کنید و تمرین‌ها را به تنهایی یا به صورت گروهی انجام دهید:
**[دانشجویان](https://aka.ms/student-page)**، برای استفاده از این دوره، کل مخزن را به حساب گیت‌هاب خود فورک کرده و تمرین‌ها را به تنهایی یا در گروه کامل کنید:
- با آزمون پیش‌درس شروع کنید.
- درس را مطالعه کرده و فعالیت‌ها را انجام دهید، در هر بخش مکث کنید و تفکر کنید.
- سعی کنید پروژه‌ها را با فهمیدن درس‌ها ایجاد کنید نه با اجرای کد راه‌حل؛ البته آن کدها در پوشه‌های `/solution` هر درس پروژه‌محور موجود است.
- آزمون پس از درس را دنبال کنید.
- درس را بخوانید و فعالیت‌ها را انجام دهید، در هر چک‌پوینت دانش توقف کرده و تأمل کنید.
- سعی کنید پروژه‌ها را با درک درس‌ها ایجاد کنید تا فقط اجرای کد راه‌حل؛ البته کد راه‌حل در پوشه‌های `/solution` هر درس پروژه‌محور موجود است.
- آزمون پایان‌درس را انجام دهید.
- چالش را کامل کنید.
- تکلیف را تکمیل کنید.
- پس از پایان یک گروه درسی، به [صفحه بحث](https://github.com/microsoft/ML-For-Beginners/discussions) مراجعه کرده و با پر کردن فرم ارزیابی پیشرفت (PAT) دانش خود را به‌اشتراک بگذارید. PAT ابزاری است که به ارتقای یادگیری شما کمک می‌کند. همچنین می‌توانید به PATهای دیگران واکنش نشان دهید تا همه با هم یاد بگیریم.
- تکلیف را انجام دهید.
- پس از اتمام یک گروه درسی، به [تابلو بحث](https://github.com/microsoft/ML-For-Beginners/discussions) مراجعه کنید و با پر کردن معیار PAT مربوطه «با صدای بلند یاد بگیرید». PAT یک ابزار ارزیابی پیشرفت است که با پر کردن آن، یادگیری خود را پیش می‌برید. همچنین می‌توانید به PATهای دیگر واکنش دهید تا با هم یاد بگیریم.
> برای مطالعه بیشتر، توصیه می‌کنیم این ماژول‌ها و مسیرهای یادگیری [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
**معلمان**، ما [برخی پیشنهادات](for-teachers.md) برای استفاده از این دوره ارائه داده‌ایم.
**معلمان**، ما [برخی پیشنهادات](for-teachers.md) در مورد نحوه استفاده از این دوره ارائه داده‌ایم.
---
## ویدیوهای آموزشی
## فیلم‌های راهنمای درس
برخی از دروس به صورت ویدیوی کوتاه در دسترس هستند. می‌توانید همه این ویدیوها را درون خود درس‌ها مشاهده کنید، یا در [فهرست پخش ML for Beginners در کانال یوتیوب مایکروسافت دولوپر](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر ببینید.
برخی از درس‌ها به صورت ویدیوهای کوتاه موجود هستند. می‌توانید همه آنها را درون درس‌ها بیابید یا در [فهرست پخش ML for Beginners در کانال YouTube توسعه‌دهندگان مایکروسافت](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر مشاهده کنید.
[](https://aka.ms/ml-beginners-videos)
> 🎥 برای مشاهده ویدیویی درباره پروژه و تیم سازنده آن روی تصویر بالا کلیک کنید!
> 🎥 برای دیدن ویدیو درباره پروژه و افراد سازنده آن، روی تصویر بالا کلیک کنید!
---
## روش تدریس
## روش‌شناسی آموزشی
در طراحی این دوره، دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از آنکه دوره به صورت عملی و **مبتنی بر پروژه** باشد و اینکه شامل **آزمون‌های مکرر** باشد. علاوه بر این، این دوره یک **تم مشترک** دارد تا انسجام ایجاد کند.
در طراحی این دوره دو اصل آموزشی را انتخاب کرده‌ایم: تضمین اینکه دست‌به‌کار و **مبتنی بر پروژه** باشد و شامل **آزمون‌های متداول** باشد. علاوه بر این، این دوره دارای یک **موضوع مشترک** است تا انسجام ایجاد کند.
با تضمین تطابق محتوا با پروژه‌ها، فرآیند برای دانش‌آموزان جذاب‌تر شده و حفظ مفاهیم افزایش می‌یابد. علاوه بر این، یک آزمون ساده پیش از کلاس، نیت دانش‌آموز را به سمت یادگیری قرار می‌دهد، و آزمون دوم پس از کلاس به حفظ بیشتر کمک می‌کند. این دوره به گونه‌ای طراحی شده که انعطاف‌پذیر و سرگرم‌کننده بوده و می‌توان آن را کامل یا بخشی از آن را دنبال کرد. پروژه‌ها از ابتدایی شروع شده و در پایان چرخه ۱۲ هفته‌ای پیچیده‌تر می‌شوند. این دوره همچنین پی‌نوشت‌هایی درباره کاربردهای واقعی یادگیری ماشین دارد که می‌توانند به عنوان اعتبار اضافی یا مبنای بحث استفاده شوند.
با اطمینان از تطابق محتوا با پروژه‌ها، فرآیند برای دانش‌آموزان جذاب‌تر شده و حفظ مفاهیم افزایش می‌یابد. همچنین، یک آزمون کم‌ریسک پیش از کلاس، نیت دانش‌آموز برای یادگیری موضوع را تنظیم می‌کند، و آزمون دوم پس از کلاس حفظ بیشتر را تضمین می‌کند. این دوره طوری طراحی شده که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان کل آن یا بخش‌هایی از آن را استفاده کرد. پروژه‌ها از کوچک شروع شده و به تدریج در پایان ۱۲ هفته پیچیده‌تر می‌شوند. این دوره همچنین یک ضمیمه درباره کاربردهای واقعی یادگیری ماشین دارد که می‌توان به عنوان اعتبار اضافی یا پایه‌ای برای بحث استفاده کرد.
> راهنمای [رفتار حرفه‌ای](CODE_OF_CONDUCT.md)، [مشارکت](CONTRIBUTING.md)، [ترجمه‌ها](..) و [عیب‌یابی](TROUBLESHOOTING.md) ما را بیابید. ما بازخورد سازنده‌ی شما را خوش‌آمد می‌گوییم!
> در اینجا [دستورالعمل رفتار](CODE_OF_CONDUCT.md)، [چگونه مشارکت کنیم](CONTRIBUTING.md)، [ترجمه‌ها](..) و [راهنمای عیب‌یابی](TROUBLESHOOTING.md) را بیابید. بازخورد سازنده شما را می‌پذیریم!
## هر درس شامل می‌شود از
## هر درس شامل
- نکته‌برداری اختیاری
- ویدیوی تکمیلی اختیاری
- ویدیو آموزشی (فقط برخی دروس)
- [آزمون گرم‌کننده پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
- درس مکتوب
- برای دروس مبتنی بر پروژه، راهنمای گام‌به‌گام ساخت پروژه
- برای درس‌های مبتنی بر پروژه، راهنمای گام به گام ساخت پروژه
- چک‌پوینت‌های دانش
- یک چالش
- مطالعه تکمیلی
- تمرین
- تکلیف
- [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ml/)
> **یک یادداشت درباره زبان‌ها**: این درس‌ها عمدتاً به زبان پایتون نوشته شده‌اند، اما بسیاری نیز به زبان R در دسترس هستند. برای تکمیل یک درس R، به پوشه‌ی `/solution` بروید و به دنبال درس‌های R بگردید. این‌ها شامل پسوند .rmd هستند که نشان‌دهنده یک فایل **R Markdown** است که به سادگی می‌توان آن را به عنوان جاسازی `کد چانک‌ها` (از R یا زبان‌های دیگر) و یک `هدر YAML` (که راهنمای فرمت‌بندی خروجی‌ها مانند PDF است) در یک `سند Markdown` تعریف کرد. بنابراین، این یک چارچوب نمونه برای نگارش در علوم داده است چون به شما امکان می‌دهد کد خود، خروجی آن و افکارتان را با نوشتن به فرمت Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML یا Word تبدیل شوند.
> **یک یادداشت درباره آزمون‌ها**: تمام آزمون‌ها در [پوشه برنامه Quiz](../../quiz-app) قرار دارند، مجموعاً ۵۲ آزمون با سه سؤال هر کدام. آنها از داخل درس‌ها لینک شده‌اند اما برنامه آزمون به صورت محلی نیز قابل اجرا است؛ دستورالعمل‌های میزبانی محلی یا استقرار روی Azure را در پوشه `quiz-app` دنبال کنید.
| شماره درس | موضوع | گروه‌بندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
| ۰۱ | معرفی به یادگیری ماشین | [معرفی](1-Introduction/README.md) | یادگیری مفاهیم پایه یادگیری ماشین | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| ۰۲ | تاریخچه یادگیری ماشین | [معرفی](1-Introduction/README.md) | یادگیری تاریخچه این حوزه | [درس](1-Introduction/2-history-of-ML/README.md) | جن و امی |
| ۰۳ | عدالت و یادگیری ماشین | [معرفی](1-Introduction/README.md) | مسائل فلسفی مهم پیرامون عدالت که دانش‌آموزان باید هنگام ساخت و بکارگیری مدل‌های ML مدنظر داشته باشند؟ | [درس](1-Introduction/3-fairness/README.md) | تومومی |
| ۰۴ | تکنیک‌های یادگیری ماشین | [معرفی](1-Introduction/README.md) | پژوهشگران ML از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | کریس و جن |
| ۰۵ | معرفی به رگرسیون | [رگرسیون](2-Regression/README.md) | شروع کار با پایتون و Scikit-learn برای مدل‌های رگرسیون | [پایتون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • اریک وانژو |
| ۰۶ | قیمت‌های کدوحلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | مصورسازی و پاکسازی داده‌ها در آماده‌سازی برای یادگیری ماشین | [پایتون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • اریک وانژو |
| ۰۷ | قیمت‌های کدوحلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت مدل‌های رگرسیون خطی و چندجمله‌ای | [پایتون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن و دیمیتری • اریک وانژو |
| ۰۸ | قیمت‌های کدوحلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت مدل رگرسیون لجستیک | [پایتون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • اریک وانژو |
| ۰۹ | یک برنامه وب 🔌 | [برنامه وب](3-Web-App/README.md) | ساخت یک برنامه وب برای استفاده از مدل آموزش دیده | [پایتون](3-Web-App/1-Web-App/README.md) | جن |
| ۱۰ | معرفی به دسته‌بندی | [دسته‌بندی](4-Classification/README.md) | پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ معرفی به دسته‌بندی | [پایتون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن و کاسی • اریک وانژو |
| ۱۱ | غذاهای خوشمزه آسیایی و هندی 🍜 | [دسته‌بندی](4-Classification/README.md) | معرفی دسته‌بندها | [پایتون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن و کاسی • اریک وانژو |
| ۱۲ | غذاهای خوشمزه آسیایی و هندی 🍜 | [دسته‌بندی](4-Classification/README.md) | دسته‌بندهای بیشتر | [پایتون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن و کاسی • اریک وانژو |
| ۱۳ | غذاهای خوشمزه آسیایی و هندی 🍜 | [دسته‌بندی](4-Classification/README.md) | ساخت اپلیکیشن وب توصیه‌گر با استفاده از مدل خود | [پایتون](4-Classification/4-Applied/README.md) | جن |
| ۱۴ | معرفی به خوشه‌بندی | [خوشه‌بندی](5-Clustering/README.md) | پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ معرفی به خوشه‌بندی | [پایتون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • اریک وانژو |
| ۱۵ | کشف سلیقه‌های موسیقی نیجریه‌ای 🎧 | [خوشه‌بندی](5-Clustering/README.md) | کاوش روش خوشه‌بندی K-Means | [پایتون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • اریک وانژو |
| ۱۶ | معرفی به پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | یادگیری اصول اولیه NLP با ساخت یک بات ساده | [پایتون](6-NLP/1-Introduction-to-NLP/README.md) | استفن |
| ۱۷ | وظایف رایج NLP ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | تعمیق دانش NLP با درک وظایف رایج هنگام کار با ساختارهای زبان | [پایتون](6-NLP/2-Tasks/README.md) | استفن |
| ۱۸ | ترجمه و تحلیل احساسات ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | ترجمه و تحلیل احساسات با جین آستین | [پایتون](6-NLP/3-Translation-Sentiment/README.md) | استفن |
| ۱۹ | هتل‌های عاشقانه اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نظرات هتل 1 | [پایتون](6-NLP/4-Hotel-Reviews-1/README.md) | استفن |
| ۲۰ | هتل‌های عاشقانه اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نظرات هتل 2 | [پایتون](6-NLP/5-Hotel-Reviews-2/README.md) | استفن |
| ۲۱ | معرفی به پیش‌بینی سری‌های زمانی | [سری زمانی](7-TimeSeries/README.md) | معرفی به پیش‌بینی سری‌های زمانی | [پایتون](7-TimeSeries/1-Introduction/README.md) | فرانچسکا |
| ۲۲ | ⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA | [سری زمانی](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با ARIMA | [پایتون](7-TimeSeries/2-ARIMA/README.md) | فرانچسکا |
| ۲۳ | ⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری‌های زمانی با SVR | [سری زمانی](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان | [پایتون](7-TimeSeries/3-SVR/README.md) | آنیر بن |
| ۲۴ | معرفی به یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | معرفی به یادگیری تقویتی با Q-Learning | [پایتون](8-Reinforcement/1-QLearning/README.md) | دیمیتری |
| ۲۵ | کمک به پیتر برای فرار از گرگ! 🐺 | [یادگیری تقویتی](8-Reinforcement/README.md) | یادگیری تقویتی Gym | [پایتون](8-Reinforcement/2-Gym/README.md) | دیمیتری |
| پست‌اسکریپت | سناریوها و کاربردهای دنیای واقعی ML | [یادگیری ماشین در جهان واقعی](9-Real-World/README.md) | کاربردهای جالب و آشکار یادگیری ماشین کلاسیک در دنیای واقعی | [درس](9-Real-World/1-Applications/README.md) | تیم |
| پست‌اسکریپت | اشکال‌زدایی مدل در ML با استفاده از داشبورد RAI | [یادگیری ماشین در جهان واقعی](9-Real-World/README.md) | اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | راث یاکوبو |
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **یادداشتی درباره زبان‌ها**: این درس‌ها عمدتاً به زبان پایتون نوشته شده‌اند، اما بسیاری نیز به زبان R موجودند. برای تکمیل یک درس R، به پوشه `/solution` رفته و درس‌های R را جستجو کنید. آنها پسوند .rmd دارند که نمایانگر فایلی از نوع **R Markdown** است، که می‌توان آن را به‌سادگی به‌عنوان تعبیه بلوک‌های کد (از R یا زبان‌های دیگر) و یک هدر YAML (که راهنمایی می‌کند چگونه خروجی‌ها مانند PDF قالب‌بندی شوند) در یک سند Markdown تعریف کرد. بنابراین، یک چارچوب نمونه برای تولید محتوا در علم داده است چون به شما اجازه می‌دهد کد خود، خروجی آن و افکارتان را با نوشتن در Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML یا Word رندر شوند.
> **یادداشتی درباره آزمون‌ها**: همه آزمون‌ها در [پوشه برنامه آزمون](../../quiz-app) موجودند، مجموعاً ۵۲ آزمون سه سوالی. آنها از داخل درس‌ها لینک شده‌اند اما برنامه آزمون می‌تواند به‌صورت محلی اجرا شود؛ دستورالعمل‌های میزبانی محلی یا استقرار روی Azure را در پوشه `quiz-app` دنبال کنید.
| شماره درس | موضوع | گروه درس | اهداف یادگیری | درس مرتبط | نویسنده |
| 01 | مقدمه‌ای بر یادگیری ماشین | [Introduction](1-Introduction/README.md) | مفاهیم پایه‌ای پشت یادگیری ماشین را بیاموزید | [Lesson](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاریخچه یادگیری ماشین | [Introduction](1-Introduction/README.md) | تاریخچه این حوزه را بیاموزید | [Lesson](1-Introduction/2-history-of-ML/README.md) | جن و اِمی |
| 03 | عدالت و یادگیری ماشین | [Introduction](1-Introduction/README.md) | مسائل فلسفی مهم مربوط به عدالت که دانش‌آموزان باید هنگام ساخت و اجرای مدل‌های یادگیری ماشین در نظر بگیرند چیست؟ | [Lesson](1-Introduction/3-fairness/README.md) | تومومی |
| 04 | تکنیک‌های یادگیری ماشین | [Introduction](1-Introduction/README.md) | پژوهشگران یادگیری ماشین چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | کریس و جن |
| 05 | مقدمه‌ای بر رگرسیون | [Regression](2-Regression/README.md) | شروع کار با پایتون و اسکی‌کت-لرن برای مدل‌های رگرسیونی | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • اریک ونجو |
| 06 | قیمت‌های کدو تنبل در آمریکای شمالی 🎃 | [Regression](2-Regression/README.md) | داده‌ها را برای آماده‌سازی جهت یادگیری ماشین بصری‌سازی و پاکسازی کنید | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • اریک ونجو |
| 07 | قیمت‌های کدو تنبل در آمریکای شمالی 🎃 | [Regression](2-Regression/README.md) | مدل‌های رگرسیون خطی و چندجمله‌ای بسازید | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن و دیمیتری • اریک ونجو |
| 08 | قیمت‌های کدو تنبل در آمریکای شمالی 🎃 | [Regression](2-Regression/README.md) | یک مدل رگرسیون لجستیک بسازید | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • اریک ونجو |
| 09 | یک اپ وب 🔌 | [Web App](3-Web-App/README.md) | یک اپ وب بسازید تا از مدل آموزش‌دیده خود استفاده کنید | [Python](3-Web-App/1-Web-App/README.md) | جن |
| 10 | مقدمه‌ای بر دسته‌بندی | [Classification](4-Classification/README.md) | داده‌های خود را پاک کنید، آماده کنید و بصری‌سازی کنید؛ مقدمه‌ای بر دسته‌بندی | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن و کَسی • اریک ونجو |
| 11 | غذاهای خوشمزه آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | مقدمه‌ای بر دسته‌بندها | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن و کَسی • اریک ونجو |
| 12 | غذاهای خوشمزه آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | دسته‌بندهای بیشتر | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن و کَسی • اریک ونجو |
| 13 | غذاهای خوشمزه آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | ساخت یک اپ وب پیشنهاددهنده با استفاده از مدل خود | [Python](4-Classification/4-Applied/README.md) | جن |
| 14 | مقدمه‌ای بر خوشه‌بندی | [Clustering](5-Clustering/README.md) | داده‌های خود را پاک کنید، آماده کنید و بصری‌سازی کنید؛ مقدمه‌ای بر خوشه‌بندی | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • اریک ونجو |
| 15 | کاوش سلیقه‌های موسیقی نیجریه‌ای 🎧 | [Clustering](5-Clustering/README.md) | روش خوشه‌بندی K-Means را کاوش کنید | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • اریک ونجو |
| 16 | مقدمه‌ای بر پردازش زبان طبیعی ☕️ | [Natural language processing](6-NLP/README.md) | اصول اولیه NLP را با ساخت یک ربات ساده بیاموزید | [Python](6-NLP/1-Introduction-to-NLP/README.md) | استفان |
| 17 | وظایف رایج NLP ☕️ | [Natural language processing](6-NLP/README.md) | دانش NLP خود را با درک وظایف رایج مورد نیاز در برخورد با ساختارهای زبانی عمیق‌تر کنید | [Python](6-NLP/2-Tasks/README.md) | استفان |
| 18 | ترجمه و تحلیل احساسات ♥️ | [Natural language processing](6-NLP/README.md) | ترجمه و تحلیل احساسات با جین آستن | [Python](6-NLP/3-Translation-Sentiment/README.md) | استفان |
| 19 | هتل‌های رمانتیک اروپا ♥️ | [Natural language processing](6-NLP/README.md) | تحلیل احساسات با بررسی نظرات هتل 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | استفان |
| 20 | هتل‌های رمانتیک اروپا ♥️ | [Natural language processing](6-NLP/README.md) | تحلیل احساسات با بررسی نظرات هتل 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | استفان |
| 21 | مقدمه‌ای بر پیش‌بینی سری‌های زمانی | [Time series](7-TimeSeries/README.md) | مقدمه‌ای بر پیش‌بینی سری‌های زمانی | [Python](7-TimeSeries/1-Introduction/README.md) | فرانچسکا |
| 22 | ⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA | [Time series](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانچسکا |
| 23 | ⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با SVR | [Time series](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان | [Python](7-TimeSeries/3-SVR/README.md) | آنیربان |
| 24 | مقدمه‌ای بر یادگیری تقویتی | [Reinforcement learning](8-Reinforcement/README.md) | مقدمه‌ای بر یادگیری تقویتی با Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | دیمیتری |
| 25 | کمک به پیتر برای اجتناب از گرگ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | یادگیری تقویتی با Gym | [Python](8-Reinforcement/2-Gym/README.md) | دیمیتری |
| پس‌نویس | سناریوها و کاربردهای یادگیری ماشین در دنیای واقعی | [ML in the Wild](9-Real-World/README.md) | کاربردهای جالب و آموزنده یادگیری ماشین کلاسیک در دنیای واقعی | [Lesson](9-Real-World/1-Applications/README.md) | تیم |
| پس‌نویس | رفع اشکال مدل در یادگیری ماشین با داشبورد RAI | [ML in the Wild](9-Real-World/README.md) | رفع اشکال مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئول | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | روث یاکوبو |
> [تمام منابع اضافی برای این دوره را در مجموعه یادگیری مایکروسافت ما بیابید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## دسترسی آفلاین
می‌توانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را روی دستگاه محلی خود نصب کنید](https://docsify.js.org/#/quickstart)، سپس در پوشه ریشه این مخزن تایپ کنید `docsify serve`. سایت روی پورت ۳۰۰۰ در لوکال‌هاست شما سرو خواهد شد: `localhost:3000`.
می‌توانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) روی دستگاه محلی خود، و سپس در پوشه ریشه این مخزن، دستور `docsify serve` را تایپ کنید. وب‌سایت روی پورت ۳۰۰۰ روی localhost شما سرو خواهد شد: `localhost:3000`.
## PDFها
## فایل‌های PDF
فایل pdf برنامه آموزشی با لینک‌ها را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) بیابید.
نسخه PDF برنامه درسی با لینک‌های مرتبط را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) بیابید.
## 🎒 دوره‌های دیگر
## 🎒 دوره‌های دیگر
تیم ما دوره‌های دیگر هم تولید می‌کند! بررسی کنید:
تیم ما دوره‌های دیگری نیز تولید می‌کند! بررسی کنید:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### سری آموزش هوش مصنوعی مولد
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### مجموعه هوش مصنوعی تولیدی
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
### آموزش‌های پایه
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### سری کوپایلت
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
- پس از هر درس، دفترچه‌های یادداشت را مرور کنید تا بهتر متوجه شوید.
- الگوریتم‌ها را خودتان تمرین کنید.
- مجموعه داده‌های واقعی را با مفاهیم آموخته‌شده بررسی کنید.
- پس از هر درس دفترچه‌ها را مرور کنید تا بهتر درک کنید.
- الگوریتم‌ها را خودتان تمرین پیاده‌سازی کنید.
- داده‌های واقعی را با مفاهیم آموخته شده کاوش کنید.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه ماشینی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نواقص باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوءتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه 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 مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوءتفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
آیا دوست دارید از این برنامه آموزشی در کلاس خود استفاده کنید؟ لطفاً با خیال راحت این کار را انجام دهید!
آیا می‌خواهید از این دوره آموزشی در کلاس خود استفاده کنید؟ لطفاً احساس راحتی کنید!
در واقع، می‌توانید از آن در خود GitHub با استفاده از GitHub Classroom استفاده کنید.
برای این کار، این مخزن را فورک کنید. شما نیاز دارید برای هر درس یک مخزن ایجاد کنید، بنابراین باید هر پوشه را به یک مخزن جداگانه استخراج کنید. به این ترتیب، [GitHub Classroom](https://classroom.github.com/classrooms) می‌تواند هر درس را به صورت جداگانه شناسایی کند.
برای این کار، این مخزن را fork کنید. شما باید برای هر درس یک مخزن ایجاد کنید، بنابراین باید هر پوشه را در یک مخزن جداگانه استخراج کنید. به این ترتیب، [GitHub Classroom](https://classroom.github.com/classrooms) می‌تواند هر درس را جداگانه دریافت کند.
این [دستورالعمل‌های کامل](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) به شما ایده‌ای می‌دهد که چگونه کلاس خود را تنظیم کنید.
این [دستورالعمل‌های کامل](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) به شما ایده‌ای می‌دهد که چگونه کلاس خود را راه‌اندازی کنید.
## استفاده از مخزن به همین شکل
## استفاده از مخزن به صورت فعلی
اگر می‌خواهید از این مخزن به همان شکلی که اکنون هست استفاده کنید، بدون استفاده از GitHub Classroom، این کار نیز امکان‌پذیر است. شما باید با دانش‌آموزان خود ارتباط برقرار کنید که کدام درس را با هم مرور کنند.
اگر می‌خواهید این مخزن را همانطور که هست استفاده کنید و از GitHub Classroom استفاده نکنید، این نیز امکان‌پذیر است. باید با دانش‌آموزان خود هماهنگ کنید که کدام درس را با هم کار کنند.
در یک قالب آنلاین (Zoom، Teams یا دیگر ابزارها) ممکن است اتاق‌های گروهی برای آزمون‌ها تشکیل دهید و دانش‌آموزان را راهنمایی کنید تا آماده یادگیری شوند. سپس دانش‌آموزان را دعوت کنید تا آزمون‌ها را انجام دهند و پاسخ‌های خود را به عنوان 'issues' در زمان مشخص ارسال کنند. شما می‌توانید همین کار را با تکالیف انجام دهید، اگر می‌خواهید دانش‌آموزان به صورت گروهی و عمومی کار کنند.
در قالب آنلاین (Zoom، Teams یا غیره) ممکن است اتاق‌های جداگانه برای آزمون‌ها تشکیل دهید و دانش‌آموزان را راهنمایی کنید تا آماده یادگیری شوند. سپس دانش‌آموزان را به شرکت در آزمون‌ها و ارسال پاسخ‌هایشان به عنوان «issue» در زمانی مشخص دعوت کنید. اگر می‌خواهید دانش‌آموزان به صورت جمعی و شفاف کار کنند، می‌توانید همین کار را برای تکالیف نیز انجام دهید.
اگر قالب خصوصی‌تر را ترجیح می‌دهید، از دانش‌آموزان خود بخواهید برنامه آموزشی را درس به درس به مخازن GitHub خود به عنوان مخازن خصوصی فورک کنند و به شما دسترسی بدهند. سپس آنها می‌توانند آزمون‌ها و تکالیف را به صورت خصوصی انجام دهند و از طریق issues در مخزن کلاس شما به شما ارسال کنند.
اگر قالب خصوصی‌تر را ترجیح می‌دهید، از دانش‌آموزان بخواهید دوره آموزشی را درس به درس fork کنند و به مخزن‌های خصوصی گیت‌هاب خود تبدیل کنند و به شما دسترسی بدهند. سپس می‌توانند آزمون‌ها و تکالیف را به صورت خصوصی انجام داده و آنها را از طریق issue در مخزن کلاس شما ارسال کنند.
راه‌های زیادی برای اجرای این برنامه در قالب کلاس آنلاین وجود دارد. لطفاً به ما اطلاع دهید که چه چیزی برای شما بهتر کار می‌کند!
راه‌های زیادی وجود دارد تا این کار در قالب کلاس آنلاین انجام شود. لطفاً به ما بگویید چه روشی برای شما بهتر است!
## لطفاً نظرات خود را با ما در میان بگذارید!
## لطفاً نظرات خود را به ما بدهید!
ما می‌خواهیم این برنامه آموزشی برای شما و دانش‌آموزانتان مفید باشد. لطفاً [بازخورد](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) خود را با ما به اشتراک بگذارید!
ما می‌خواهیم این دوره آموزشی برای شما و دانش‌آموزانتان مفید باشد. لطفاً [بازخورد](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) خود را به ما بدهید.
---
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/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 حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه 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 مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
[](https://youtu.be/N6wxM4wZ7V0 "مشین لرننگ کے ابتدائی اسباق - مشین لرننگ کی تاریخ")
[](https://youtu.be/N6wxM4wZ7V0 "ابتدائیوں کے لیے مشین لرننگ - مشین لرننگ کی تاریخ")
> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ اس سبق پر مبنی مختصر ویڈیو دیکھ سکیں۔
> 🎥 اس سبق کو سمجھنے کے لیے اوپر تصویر پر کلک کریں۔
اس سبق میں، ہم مشین لرننگ اور مصنوعی ذہانت کی تاریخ کے اہم مراحل کا جائزہ لیں گے۔
اس سبق میں، ہم مشین لرننگ اور مصنوعی ذہانت کی تاریخ کے بڑے milestones کا جائزہ لیں گے۔
مصنوعی ذہانت (AI) کی تاریخ مشین لرننگ کی تاریخ سے جڑی ہوئی ہے، کیونکہ وہ الگورتھمز اور کمپیوٹیشنل ترقیات جو مشین لرننگ کو بنیاد فراہم کرتی ہیں، AI کی ترقی میں بھی مددگار ثابت ہوئیں۔ یہ یاد رکھنا مفید ہے کہ، اگرچہ یہ شعبے 1950 کی دہائی میں الگ الگ تحقیقی میدان کے طور پر واضح ہونے لگے، اہم [الگورتھمک، شماریاتی، ریاضیاتی، کمپیوٹیشنل اور تکنیکی دریافتیں](https://wikipedia.org/wiki/Timeline_of_machine_learning) اس دور سے پہلے اور اس کے ساتھ ساتھ موجود تھیں۔ حقیقت میں، لوگ ان سوالات پر [سینکڑوں سالوں](https://wikipedia.org/wiki/History_of_artificial_intelligence) سے غور کر رہے ہیں: یہ مضمون 'سوچنے والی مشین' کے تصور کی تاریخی فکری بنیادوں پر بحث کرتا ہے۔
مصنوعی ذہانت (AI) کی تاریخ مشین لرننگ کی تاریخ کے ساتھ جڑی ہوئی ہے، کیونکہ ML کو سہارا دینے والے الگوردمز اور کمپیوٹیشنل ترقیات AI کی ترقی میں مددگار ثابت ہوئے۔ یاد رکھنا مفید ہے کہ، اگرچہ یہ میدان 1950 کی دہائی میں الگ تحقیقی شعبوں کی صورت میں سامنے آئے، اہم [الگوردمک، شماریاتی، ریاضیاتی، کمپیوٹیشنل اور تکنیکی دریافتیں](https://wikipedia.org/wiki/Timeline_of_machine_learning) اس دور سے پہلے اور اس کے متوازی ہوئی تھیں۔ درحقیقت، لوگ [صدیوں سے](https://wikipedia.org/wiki/History_of_artificial_intelligence) ان سوالات پر غور کر رہے ہیں: یہ مضمون 'سوچنے والی مشین' کے نظریے کی تاریخی فکری بنیادوں پر بحث کرتا ہے۔
---
## قابل ذکر دریافتیں
- 1763، 1812 [بیز تھیورم](https://wikipedia.org/wiki/Bayes%27_theorem) اور اس کے پیشرو۔ یہ تھیورم اور اس کے اطلاقات استنباط کی بنیاد فراہم کرتے ہیں، جو کسی واقعے کے وقوع پذیر ہونے کے امکان کو پہلے سے موجود معلومات کی بنیاد پر بیان کرتے ہیں۔
- 1805 [لیسٹ اسکوائر تھیوری](https://wikipedia.org/wiki/Least_squares) فرانسیسی ریاضی دان Adrien-Marie Legendre کی دریافت۔ یہ تھیوری، جس کے بارے میں آپ ہمارے ریگریشن یونٹ میں سیکھیں گے، ڈیٹا فٹنگ میں مدد کرتی ہے۔
- 1913 [مارکوف چینز](https://wikipedia.org/wiki/Markov_chain)، روسی ریاضی دان Andrey Markov کے نام سے منسوب، ایک سابقہ حالت کی بنیاد پر ممکنہ واقعات کی ترتیب کو بیان کرنے کے لیے استعمال ہوتی ہیں۔
- 1957 [پرسپٹرون](https://wikipedia.org/wiki/Perceptron) ایک قسم کا لکیری درجہ بندی کرنے والا الگورتھم ہے جسے امریکی ماہر نفسیات Frank Rosenblatt نے ایجاد کیا، اور یہ ڈیپ لرننگ میں ترقیات کی بنیاد فراہم کرتا ہے۔
- 1763، 1812 [بیز تھیورم](https://wikipedia.org/wiki/Bayes%27_theorem) اور اس کے پیش رو۔ یہ تھیورم اور اس کی ایپلیکیشنز انفرینس کی بنیاد ہیں، جو کسی واقعے کے ہونے کے امکانات کو سابقہ علم کی بنیاد پر بیان کرتی ہیں۔
- 1805 [لیسٹ اسکوائر تھیوری](https://wikipedia.org/wiki/Least_squares) فرانسیسی ریاضی دان ایڈریئن-میری لیجیڈر کے ذریعہ۔ یہ تھیوری، جس کے بارے میں آپ ہمارے ریگریشن یونٹ میں سیکھیں گے، ڈیٹا فٹنگ میں مدد دیتی ہے۔
- 1913 [مارکوف چینز](https://wikipedia.org/wiki/Markov_chain)، روسی ریاضی دان اینڈرے مارکوف کے نام پر، پچھلے سٹیٹ کی بنیاد پر ممکنہ واقعات کے سلسلے کی وضاحت کے لیے استعمال ہوتی ہے۔
- 1957 [پرسیپٹرون](https://wikipedia.org/wiki/Perceptron) امریکی ماہر نفسیات فرینک روزن بلیٹ کی ایجاد شدہ خطی کلاسیفائر ہے جو ڈیپ لرننگ میں ترقیات کی بنیاد ہے۔
---
- 1967 [نیرسٹ نیبر](https://wikipedia.org/wiki/Nearest_neighbor) ایک الگورتھم ہے جو اصل میں راستے نقشہ بنانے کے لیے ڈیزائن کیا گیا تھا۔ مشین لرننگ کے تناظر میں یہ پیٹرنز کا پتہ لگانے کے لیے استعمال ہوتا ہے۔
- 1970 [بیک پروپیگیشن](https://wikipedia.org/wiki/Backpropagation) [فیڈفارورڈ نیورل نیٹ ورکس](https://wikipedia.org/wiki/Feedforward_neural_network) کو تربیت دینے کے لیے استعمال ہوتا ہے۔
- 1982 [ریکَرَنٹ نیورل نیٹ ورکس](https://wikipedia.org/wiki/Recurrent_neural_network) فیڈفارورڈ نیورل نیٹ ورکس سے ماخوذ مصنوعی نیورل نیٹ ورکس ہیں جو وقتی گراف بناتے ہیں۔
- 1967 [نئیرسٹ نیبر](https://wikipedia.org/wiki/Nearest_neighbor) ایک الگوردم ہے جو اصل میں راستے بنانا سیکھایا گیا تھا۔ مشین لرننگ کے سیاق و سباق میں یہ پیٹرنز کا پتہ لگانے کے لیے استعمال ہوتا ہے۔
- 1970 [بیک پروپیگیشن](https://wikipedia.org/wiki/Backpropagation) [فیڈفاروڈ نیورل نیٹ ورکس](https://wikipedia.org/wiki/Feedforward_neural_network) کی تربیت کے لیے استعمال ہوتا ہے۔
- 1982 [ریکرنٹ نیورل نیٹ ورکس](https://wikipedia.org/wiki/Recurrent_neural_network) فیڈفاروڈ نیورل نیٹ ورکس سے ماخوذ مصنوعی نیورل نیٹ ورکس ہیں جو وقتی گرافز بناتے ہیں۔
✅ تھوڑا تحقیق کریں۔ مشین لرننگ اور AI کی تاریخ میں کون سے دیگر اہم تاریخیں نمایاں ہیں؟
✅ ذرا تحقیق کریں۔ مشین لرننگ اور مصنوعی ذہانت کی تاریخ میں اور کون سی تاریخیں اہم ہیں؟
---
## 1950: سوچنے والی مشینیں
ایلن ٹورنگ، ایک واقعی غیر معمولی شخصیت، جسے [2019 میں عوامی ووٹ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) کے ذریعے 20ویں صدی کا سب سے بڑا سائنسدان قرار دیا گیا، 'سوچنے والی مشین' کے تصور کی بنیاد رکھنے میں مدد کرنے کا سہرا ان کے سر جاتا ہے۔ انہوں نے اس تصور کے لیے تجرباتی ثبوت کی ضرورت اور ناقدین کے ساتھ بحث کرتے ہوئے [ٹورنگ ٹیسٹ](https://www.bbc.com/news/technology-18475646) تخلیق کیا، جسے آپ ہمارے NLP اسباق میں دریافت کریں گے۔
ایلن ٹورنگ، ایک واقعی شان دار شخصیت جنہیں [2019 میں عوامی ووٹ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) سے 20ویں صدی کا سب سے عظیم سائنسدان قرار دیا گیا، کو 'سوچنے والی مشین' کے تصور کی بنیاد رکھنے کا کریڈٹ دیا جاتا ہے۔ انہوں نے نکتہ چینی کرنے والوں اور اپنے تصورات کے تجرباتی ثبوت کی ضرورت کے ساتھ جدوجہد کی، جزوی طور پر [ٹورنگ ٹیسٹ](https://www.bbc.com/news/technology-18475646) بنا کر، جسے آپ ہمارے NLP سبق میں دریافت کریں گے۔
---
## 1956: ڈارٹماؤتھ سمر ریسرچ پروجیکٹ
"ڈارٹماؤتھ سمر ریسرچ پروجیکٹ مصنوعی ذہانت کے میدان کے لیے ایک اہم واقعہ تھا"، اور یہیں پر 'مصنوعی ذہانت' کی اصطلاح وضع کی گئی ([ماخذ](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))۔
"ڈارٹماؤتھ سمر ریسرچ پروجیکٹ مصنوعی ذہانت کے میدان کے لیے ایک اہم واقعہ تھا," اور یہاں 'مصنوعی ذہانت' کی اصطلاح متعارف کرائی گئی ([ماخذ](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))۔
> سیکھنے یا ذہانت کی کسی بھی خصوصیت کو اصولی طور پر اتنا واضح طور پر بیان کیا جا سکتا ہے کہ ایک مشین اسے نقل کر سکے۔
> سیکھنے یا ذہانت کی کسی بھی خصوصیت کو اتنی دقیق وضاحت کی جا سکتی ہے کہ ایک مشین اسے نقل کر سکے۔
---
مرکزی محقق، ریاضی کے پروفیسر John McCarthy، نے امید ظاہر کی کہ "سیکھنے یا ذہانت کی کسی بھی خصوصیت کو اصولی طور پر اتنا واضح طور پر بیان کیا جا سکتا ہے کہ ایک مشین اسے نقل کر سکے۔" شرکاء میں اس میدان کے ایک اور ممتاز شخصیت Marvin Minsky بھی شامل تھے۔
سربراہ محقق، ریاضی کے پروفیسر جان میککارتی، نے امید ظاہر کی کہ "سیکھنے یا ذہانت کی ہر جز کو اتنی دقیق وضاحت کے قابل بنایا جا سکتا ہے کہ مشین اسے نقل کر سکے۔" شرکاء میں اس میدان کا ایک اور جانا پہچانا نام مارون منسکی بھی شامل تھا۔
یہ ورکشاپ کئی مباحثوں کو شروع کرنے اور حوصلہ افزائی کرنے کا سہرا رکھتی ہے، جن میں "علامتی طریقوں کا عروج، محدود ڈومینز پر مرکوز نظام (ابتدائی ماہر نظام)، اور استنتاجی نظام بمقابلہ استقرائی نظام" شامل ہیں۔ ([ماخذ](https://wikipedia.org/wiki/Dartmouth_workshop))۔
ورکشاپ کو یہ کریڈٹ دیا جاتا ہے کہ اس نے کئی مباحثوں کی ابتدا کی، جن میں "علامتی طریقوں کا عروج، محدود دائرہ کار پر مبنی سسٹم (ابتدائی ماہر نظام)، اور استدلالی نظام بمقابلہ شعوری نظام" شامل تھے۔ ([ماخذ](https://wikipedia.org/wiki/Dartmouth_workshop))
---
## 1956 - 1974: "سنہری دور"
## 1956 - 1974: "سنہری سال"
1950 کی دہائی سے لے کر 70 کی دہائی کے وسط تک، AI کے ذریعے کئی مسائل حل کرنے کی امید میں خوشی کا دور تھا۔ 1967 میں، Marvin Minsky نے پُر اعتماد انداز میں کہا کہ "ایک نسل کے اندر ... 'مصنوعی ذہانت' تخلیق کرنے کا مسئلہ بنیادی طور پر حل ہو جائے گا۔" (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
1950 کی دہائی سے لے کر وسطِ 70 کی دہائی تک، امیدیں اس بات پر تھیں کہ AI کئی مسائل حل کر سکے گا۔ 1967 میں مارون منسکی نے پراعتماد کہا کہ "ایک نسل کے اندر ... 'مصنوعی ذہانت' کے مسئلے کو بنیادی طور پر حل کر لیا جائے گا۔" (منسکی، مارون (1967)، کمپیوٹیشن: فنائٹ اینڈ انفنائٹ مشینز، انگلوڈ کلیفس، N.J.: پرینٹس-ہال)
قدرتی زبان کی پروسیسنگ کی تحقیق میں ترقی ہوئی، تلاش کو بہتر اور زیادہ طاقتور بنایا گیا، اور 'مائیکرو ورلڈز' کا تصور تخلیق کیا گیا، جہاں سادہ کاموں کو عام زبان کی ہدایات کے ذریعے مکمل کیا جا سکتا تھا۔
قدرتی زبان کی پراسیسنگ تحقیق نے فروغ پایا، سرچ مضبوط اور طاقتور بنی، اور ’مائیکرو ورلڈز‘ کا تصور تخلیق کیا گیا، جہاں سادہ زبان کی ہدایات سے آسان کام مکمل کیے گئے۔
---
تحقیق کو حکومتی ایجنسیوں نے اچھی طرح سے فنڈ کیا، کمپیوٹیشن اور الگورتھمز میں ترقی ہوئی، اور ذہین مشینوں کے پروٹوٹائپس بنائے گئے۔ ان مشینوں میں شامل ہیں:
تحقیق کو حکومتی اداروں کی طرف سے اچھی فنڈنگ ملی، کمپیوٹیشن اور الگوردمز میں ترقی ہوئی، اور ذہین مشینوں کے پروٹوٹائپس بنائے گئے۔ ان مشینوں میں شامل ہیں:
* [شیکی روبوٹ](https://wikipedia.org/wiki/Shakey_the_robot)، جو 'ذہانت' کے ساتھ کام انجام دینے کے لیے حرکت کر سکتا تھا۔
* [شیکی دی روبوٹ](https://wikipedia.org/wiki/Shakey_the_robot)، جو ذہانت سے کام کرنے کے لیے خود کو منیور کر سکتا تھا اور فیصلہ کر سکتا تھا۔
> شیکی 1972 میں
---
* ایلیزا، ایک ابتدائی 'چیٹربوٹ'، لوگوں سے بات چیت کر سکتی تھی اور ایک ابتدائی 'تھراپسٹ' کے طور پر کام کر سکتی تھی۔ آپ ایلیزا کے بارے میں NLP اسباق میں مزید سیکھیں گے۔
* ایلیزا، ایک ابتدائی 'چیٹ بوت'، لوگوں سے بات چیت کر سکتی تھی اور ایک ابتدائی ’تھراپسٹ‘ کے طور پر کام کر سکتی تھی۔ آپ NLP سبق میں ایلیزا کے بارے میں مزید جانیں گے۔
> ایلیزا کا ایک ورژن، چیٹ بوٹ
> ایلیزا کا ایک ورژن، ایک چیٹ بوٹ
---
* "بلاکس ورلڈ" ایک مائیکرو ورلڈ کی مثال تھی جہاں بلاکس کو ترتیب دیا جا سکتا تھا، اور مشینوں کو فیصلے کرنے کی تعلیم دینے کے تجربات کیے جا سکتے تھے۔ [SHRDLU](https://wikipedia.org/wiki/SHRDLU) جیسی لائبریریوں کے ساتھ بنائی گئی ترقیات نے زبان کی پروسیسنگ کو آگے بڑھانے میں مدد دی۔
* "بلاکس ورلڈ" ایک مائیکرو ورلڈ کی مثال تھی جہاں بلاکس کو اسٹیک اور ترتیب دیا جا سکتا تھا، اور مشینوں کو فیصلے کرنے کی تربیت دینے کے تجربات کیے گئے۔ [SHRDLU](https://wikipedia.org/wiki/SHRDLU) جیسی لائبریریوں کے ذریعے کی گئی پیش رفت نے زبان کی پراسیسنگ کو آگے بڑھایا۔
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "بلاکس ورلڈ SHRDLU کے ساتھ")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU کے ساتھ بلاکس ورلڈ")
> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ ویڈیو دیکھ سکیں: بلاکس ورلڈ SHRDLU کے ساتھ
> 🎥 ویڈیو کے لیے اوپر تصویر پر کلک کریں: SHRDLU کے ساتھ بلاکس ورلڈ
---
## 1974 - 1980: "AI کا سرد دور"
## 1974 - 1980: "AI سردیوں کا موسم"
1970 کی دہائی کے وسط تک، یہ واضح ہو گیا کہ 'ذہین مشینیں' بنانے کی پیچیدگی کو کم سمجھا گیا تھا اور اس کے وعدے، دستیاب کمپیوٹ پاور کے پیش نظر، زیادہ بڑھا چڑھا کر پیش کیے گئے تھے۔ فنڈنگ ختم ہو گئی اور میدان میں اعتماد کم ہو گیا۔ کچھ مسائل جنہوں نے اعتماد کو متاثر کیا، شامل ہیں:
وسط 1970 کی دہائی تک یہ واضح ہو چکا تھا کہ ’ذہین مشینیں‘ بنانے کی پیچیدگی کو کم سمجھا گیا تھا اور دستیاب کمپیوٹ پاور کے ساتھ اس کا وعدہ زیادہ دکھایا گیا تھا۔ فنڈنگ ختم ہو گئی اور میدان میں اعتماد سست پڑ گیا۔ کچھ مسائل جنہوں نے اعتماد پر اثر ڈالا شامل ہیں:
---
- **حدود**۔ کمپیوٹ پاور بہت محدود تھی۔
- **کمبینٹوریل دھماکہ**۔ کمپیوٹرز سے زیادہ مطالبہ کرنے پر تربیت کے لیے درکار پیرامیٹرز کی تعداد تیزی سے بڑھ گئی، جبکہ کمپیوٹ پاور اور صلاحیت میں متوازی ترقی نہیں ہوئی۔
- **ڈیٹا کی کمی**۔ ڈیٹا کی کمی نے الگورتھمز کی جانچ، ترقی، اور بہتر بنانے کے عمل کو روکا۔
- **کیا ہم صحیح سوالات پوچھ رہے ہیں؟**۔وہی سوالات جو پوچھے جا رہے تھے، ان پر سوال اٹھایا جانے لگا۔ محققین کو اپنے طریقوں پر تنقید کا سامنا کرنا پڑا:
- ٹورنگ ٹیسٹ کو 'چینی کمرہ تھیوری' جیسے خیالات کے ذریعے سوالات کا سامنا کرنا پڑا، جس نے یہ دعویٰ کیا کہ "ڈیجیٹل کمپیوٹر کو پروگرام کرنا زبان کو سمجھنے کا تاثر دے سکتا ہے لیکن حقیقی سمجھ پیدا نہیں کر سکتا۔" ([ماخذ](https://plato.stanford.edu/entries/chinese-room/))
- مصنوعی ذہانت جیسے "تھراپسٹ" ایلیزا کو معاشرے میں متعارف کرانے کے اخلاقیات پر سوال اٹھایا گیا۔
- **کمبینیٹورئیل ایکسپلوژن**۔ جتنی زیادہ چیزیں کمپیوٹر سے طلب کی گئیں، تربیت کے لیے ضروری پیرامیٹرز کی تعداد بے تحاشا بڑھتی گئی، کمپیوٹ پاور اور صلاحیت کی متوازی ترقی کے بغیر۔
- **ڈیٹا کی کمی**۔ ڈیٹا کی کمی نے الگوردمز کی جانچ، ترقی، اور بہتر بنانے کے عمل میں رکاوٹ پیدا کی۔
- **کیا ہم صحیح سوالات پوچھ رہے ہیں؟**۔پوچھے جانے والے سوالات ہی مشکوک ہو گئے۔ محققین کو اپنی طریقوں پر تنقید کا سامنا کرنا پڑا:
- ٹورنگ ٹیسٹس کو 'چائنیز روم تھیوری' سمیت کئی خیالات کے ذریعے چیلنج کیا گیا، جس نے کہا، "ڈیجیٹل کمپیوٹر کو پروگرام کرنا اسے زبان سمجھنے کا دکھاوا کروا سکتا ہے لیکن حقیقی سمجھ بوجھ پیدا نہیں کر سکتا۔" ([ماخذ](https://plato.stanford.edu/entries/chinese-room/))
- مصنوعی ذہانتیں جیسے "تھراپسٹ" ایلیزا کو معاشرے میں متعارف کرانے کی اخلاقیات پر سوال اٹھائے گئے۔
---
اسی وقت، مختلف AI کے نظریاتی اسکول بننے لگے۔ ["سکریفی" بمقابلہ "نیٹ AI"](https://wikipedia.org/wiki/Neats_and_scruffies) طریقوں کے درمیان ایک تقسیم قائم ہوئی۔ _سکریفی_ لیبز نے مطلوبہ نتائج حاصل کرنے کے لیے پروگراموں کو گھنٹوں تک ایڈجسٹ کیا۔ _نیٹ_ لیبز "منطق اور رسمی مسئلہ حل کرنے" پر مرکوز تھیں۔ ایلیزا اور SHRDLU معروف _سکریفی_ نظام تھے۔ 1980 کی دہائی میں، جب مشین لرننگ کے نظاموں کو قابل تکرار بنانے کی مانگ پیدا ہوئی، _نیٹ_ طریقہ کار آہستہ آہستہ سامنے آیا کیونکہ اس کے نتائج زیادہ قابل وضاحت ہیں۔
اسی دوران، مختلف AI کے نظریے وجود میں آئے۔ ایک تقسیم قائم ہوئی ["اسکریفی" بمقابلہ "نیٹ AI"](https://wikipedia.org/wiki/Neats_and_scruffies) پریکٹسز کے درمیان۔ _اسکریفی_ لیبارٹریاں پروگراموں میں گھنٹوں ترمیم کرتی رہیں یہاں تک کہ مطلوبہ نتائج حاصل ہو جائیں۔ _نیٹ_ لیبارٹریوں نے "منطق اور رسمی مسئلہ حل کرنے پر توجہ مرکوز کی۔" ایلیزا اور SHRDLU مشہور _اسکریفی_ سسٹمز تھے۔ 1980 کے عشروں میں، جب ML سسٹمز کو قابل تکرار بنانے کی ضرورت آئی، تو _نیٹ_ نقطہ نظر نے آہستہ آہستہ برتری حاصل کی کیونکہ اس کے نتائج زیادہ قابل وضاحت ہوتے ہیں۔
---
## 1980 کی دہائی: ماہر نظام
## 1980 کی دہائی کے ماہر نظام
جیسے جیسے میدان بڑھا، اس کے کاروباری فوائد واضح ہونے لگے، اور 1980 کی دہائی میں 'ماہر نظام' کی کثرت بھی بڑھ گئی۔ "ماہر نظام مصنوعی ذہانت (AI) سافٹ ویئر کی پہلی واقعی کامیاب شکلوں میں شامل تھے۔" ([ماخذ](https://wikipedia.org/wiki/Expert_system))۔
جیسے جیسے یہ میدان بڑھا، کاروبار کو اس کا فائدہ واضح ہوا، اور 1980 کی دہائی میں 'ماہر نظام' کی کثرت بھی سامنے آئی۔ "ماہر نظام حقیقت میں مصنوعی ذہانت (AI) سافٹ ویئر کی پہلی کامیاب اشکال میں شامل تھے۔" ([ماخذ](https://wikipedia.org/wiki/Expert_system))
یہ قسم کا نظام دراصل _ہائبرڈ_ ہے، جو جزوی طور پر کاروباری ضروریات کو بیان کرنے والے قواعد کے انجن پر مشتمل ہے، اور ایک استنباطی انجن جو قواعد کے نظام کو استعمال کرتے ہوئے نئے حقائق اخذ کرتا ہے۔
اس قسم کا نظام درحقیقت _ہائبرڈ_ تھا، جس میں جزوی طور پر کاروباری ضروریات کی وضاحت کرنے والا رولز انجن اور رولز سسٹم سے نئے حقائق اخذ کرنے والا انفرنس انجن شامل تھے۔
اس دور میں نیورل نیٹ ورکس پر بھی بڑھتی ہوئی توجہ دی گئی۔
---
## 1987 - 1993: AI کا 'ٹھنڈا دور'
## 1987 - 1993: AI ’ٹھنڈک‘
ماہر نظام کے خصوصی ہارڈویئر کی کثرت کا بدقسمتی سے اثر یہ ہوا کہ وہ بہت زیادہ مخصوص ہو گئے۔ ذاتی کمپیوٹرز کے عروج نے ان بڑے، مخصوص، مرکزی نظاموں کے ساتھ مقابلہ کیا۔ کمپیوٹنگ کی جمہوریت کا آغاز ہوا، اور یہ بالآخر بڑے ڈیٹا کے جدید دھماکے کے لیے راہ ہموار کر گیا۔
ماہر نظام کے خصوصی ہارڈویئر کی کثرت نے ناگوار اثرات ڈالا اور یہ بہت زیادہ مخصوص بن گئے۔ پرسنل کمپیوٹروں کے عروج نے بھی ان بڑے، مخصوص، مرکزی نظاموں سے مقابلہ کیا۔ کمپیوٹنگ کی جمہوریت شروع ہوئی، اور اس نے آخر کار بگ ڈیٹا کے جدید دھماکے کی راہ ہموار کی۔
---
## 1993 - 2011
اس دور میں مشین لرننگ اور AI کے لیے ایک نیا دور آیا تاکہ وہ پہلے کے مسائل کو حل کر سکیں جو ڈیٹا اور کمپیوٹ پاور کی کمی کی وجہ سے پیدا ہوئے تھے۔ ڈیٹا کی مقدار تیزی سے بڑھنے لگی اور زیادہ وسیع پیمانے پر دستیاب ہو گئی، اچھے اور برے دونوں پہلوؤں کے ساتھ، خاص طور پر 2007 کے آس پاس اسمارٹ فون کے آغاز کے ساتھ۔ کمپیوٹ پاور نے تیزی سے ترقی کی، اور الگورتھمز بھی ساتھ ساتھ ارتقاء پذیر ہوئے۔ میدان نے پختگی حاصل کرنا شروع کی کیونکہ ماضی کے آزادانہ دن ایک حقیقی ڈسپلن میں تبدیل ہونے لگے۔
اس دور میں مشین لرننگ اور مصنوعی ذہانت کے لیے ایک نیا دور شروع ہوا، جو ڈیٹا اور کمپیوٹ پاور کی کمی کی وجہ سے پیش آنے والے مسائل کو حل کرنے کے قابل ہوئے۔ ڈیٹا کی مقدار تیزی سے بڑھی اور زیادہ دستیاب ہو گئی، خصوصاً 2007 کے آس پاس اسمارٹ فون کے آنے کے ساتھ۔ کمپیوٹ پاور نے بے انتہا ترقی کی، اور الگوردمز بھی اس کے مطابق بہتر ہوئے۔ یہ میدان پختگی کی طرف بڑھا کیونکہ ماضی کے آزاد دن ایک حقیقی ڈسپلن کی شکل اختیار کرنے لگے۔
---
## آج
آج مشین لرننگ اور AI ہماری زندگی کے تقریباً ہر حصے کو چھوتے ہیں۔ یہ دور ان الگورتھمز کے انسانی زندگیوں پر اثرات اور خطرات کو سمجھنے کے لیے محتاط غور و فکر کا مطالبہ کرتا ہے۔ جیسا کہ مائیکروسافٹ کے Brad Smith نے کہا ہے، "انفارمیشن ٹیکنالوجی ایسے مسائل کو جنم دیتی ہے جو بنیادی انسانی حقوق کے تحفظات جیسے پرائیویسی اور اظہار کی آزادی کے دل میں جاتے ہیں۔ یہ مسائل ان ٹیک کمپنیوں کے لیے ذمہ داری کو بڑھاتے ہیں جو یہ مصنوعات تخلیق کرتی ہیں۔ ہماری نظر میں، یہ سوچے سمجھے حکومتی ضوابط اور قابل قبول استعمال کے ارد گرد اصولوں کی ترقی کا مطالبہ کرتے ہیں" ([ماخذ](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/))۔
آج مشین لرننگ اور مصنوعی ذہانت ہماری زندگی کے تقریباً ہر حصے کو چھوتے ہیں۔ یہ دور ان الگوردمز کے انسانی زندگیوں پر ممکنہ اثرات اور خطرات کے محتاط سمجھنے کا متقاضی ہے۔ جیسا کہ مائیکروسافٹ کے براد سمتھ نے کہا ہے، "انفارمیشن ٹیکنالوجی ایسے مسائل اٹھاتی ہے جو بنیادی انسانی حقوق جیسے پرائیویسی اور اظہار کی آزادی کے دل سے جڑے ہوتے ہیں۔ یہ مسائل ٹیک کمپنیوں کی ذمہ داری بڑھاتے ہیں جو یہ مصنوعات بناتی ہیں۔ ہماری نظر میں، یہ غور و فکر والی حکومتی ضوابط اور قبول شدہ استعمال کے حوالے سے اصولوں کی ترقی کا مطالبہ بھی کرتے ہیں" ([ماخذ](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/))۔
---
یہ دیکھنا باقی ہے کہ مستقبل کیا لاتا ہے، لیکن ان کمپیوٹر سسٹمز اور سافٹ ویئر اور الگورتھمز کو سمجھنا ضروری ہے جو وہ چلاتے ہیں۔ ہمیں امید ہے کہ یہ نصاب آپ کو بہتر سمجھ حاصل کرنے میں مدد دے گا تاکہ آپ خود فیصلہ کر سکیں۔
مستقبل کیا لے کر آئے گا، یہ دیکھنا باقی ہے، لیکن یہ ضروری ہے کہ ان کمپیوٹر سسٹمز، سافٹ ویئر اور الگوردمز کو سمجھا جائے جو ان کو چلاتے ہیں۔ ہم امید کرتے ہیں کہ یہ نصاب آپ کو بہتر سمجھ حاصل کرنے میں مدد دے گا تاکہ آپ خود فیصلہ کر سکیں۔
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "ڈیپ لرننگ کی تاریخ")
> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ ویڈیو دیکھ سکیں: Yann LeCun اس لیکچر میں ڈیپ لرننگ کی تاریخ پر بات کرتے ہیں
> 🎥 اوپر تصویر پر کلک کریں: اس لیکچر میں یان لیکون ڈیپ لرننگ کی تاریخ پر گفتگو کرتے ہیں
---
## 🚀چیلنج
ان تاریخی لمحات میں سے کسی ایک میں گہرائی سے تحقیق کریں اور ان کے پیچھے موجود لوگوں کے بارے میں مزید جانیں۔ یہ دلچسپ شخصیات ہیں، اور کوئی بھی سائنسی دریافت کبھی بھی ثقافتی خلا میں تخلیق نہیں کی گئی۔ آپ کیا دریافت کرتے ہیں؟
ان تاریخی لمحوں میں سے کسی ایک میں کھودائی کریں اور ان کے پیچھے کھڑے لوگوں کے بارے میں مزید جانیں۔ دلچسپ شخصیات ہیں، اور کوئی بھی سائنسی دریافت ثقافتی خلا میں کبھی پیدا نہیں ہوئی۔ آپ کیا دریافت کرتے ہیں؟
## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ml/)
[یہ پوڈکاسٹ جہاں Amy Boyd AI کے ارتقاء پر بات کرتی ہیں](http://runasradio.com/Shows/Show/739)
[یہ پوڈکاسٹ جہاں ایمی بوئڈ AI کی ترقی پر بات کرتی ہیں](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Amy Boyd کے ذریعے AI کی تاریخ")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "AI کی تاریخ بذریعہ ایمی بوئڈ")
---
## اسائنمنٹ
[ٹائم لائن بنائیں](assignment.md)
[ایک ٹائم لائن بنائیں](assignment.md)
---
**ڈسکلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ڈس کلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔
اس نصاب میں، آپ یہ دریافت کرنا شروع کریں گے کہ کس طرح مشین لرننگ ہماری روزمرہ زندگی پر اثر انداز ہو رہی ہے اور ہو چکی ہے۔ یہاں تک کہ اب بھی، نظام اور ماڈلز روزمرہ کی فیصلہ سازی کے کاموں میں شامل ہیں، جیسے صحت کی تشخیص، قرض کی منظوری یا دھوکہ دہی کی شناخت۔ اس لیے یہ ضروری ہے کہ یہ ماڈل اچھے طریقے سے کام کریں تاکہ قابل اعتماد نتائج فراہم کریں۔ جیسے کسی بھی سافٹ ویئر اپلیکیشن کی طرح، AI سسٹمز توقعات پر پورا نہیں اترتے یا غیر مطلوبہ نتیجہ دے سکتے ہیں۔ اسی وجہ سے AI ماڈل کے رویے کو سمجھنا اور بیان کرنا ضروری ہے۔
اس نصاب میں، آپ دریافت کرنا شروع کریں گے کہ مشین لرننگ کس طرح ہماری روزمرہ زندگی کو متاثر کر رہی ہے اور کر سکتی ہے۔ ابھی بھی، نظام اور ماڈلز روزمرہ کے فیصلے کرنے کے کاموں میں شامل ہیں، جیسے صحت کی تشخیص، قرض کی منظوری، یا فراڈ کا پتہ لگانا۔ لہذا، یہ اہم ہے کہ یہ ماڈلز اچھی کارکردگی دکھائیں تاکہ قابل اعتماد نتائج فراہم کریں۔ جیسے کسی بھی سافٹ ویئر ایپلیکیشن کی طرح، AI نظام توقعات پر پورا نہیں اتر سکتے یا ناپسندیدہ نتائج دے سکتے ہیں۔ اسی لیے یہ ضروری ہے کہ AI ماڈل کے رویے کو سمجھا اور وضاحت کی جا سکے۔
تصور کریں کہ کیا ہو سکتا ہے جب آپ جو ڈیٹا استعمال کر رہے ہیں ان ماڈلز کو بنانے کے لیے ان میں کچھ مخصوص آبادیاتی تفصیلات، جیسے نسل، جنس، سیاسی نظریہ، مذہب، یا غیر متناسب طور پر ایسی آبادیاتی تفصیلات ہوں۔ جب ماڈل کے نتائج کو کسی مخصوص آبادی کو فائدہ پہنچانے کے لیے تشریح کیا جائے تو کیا ہوگا؟ اس کا درخواست پر کیا اثر ہوگا؟ مزید برآں، جب ماڈل کا نتیجہ منفی ہو اور لوگوں کے لیے نقصان دہ ہو تو کیا ہوگا؟ AI سسٹم کے رویے کی ذمہ داری کس پر ہے؟ یہ چند سوالات ہیں جن کا ہم اس نصاب میں جائزہ لیں گے۔
تصور کریں کہ اگر آپ جو ڈیٹا ان ماڈلز کو بنانے کے لیے استعمال کر رہے ہیں اس میں کچھ آبادیاتی گروہ جیسے نسل، جنس، سیاسی نظریہ، مذہب کی کمی ہو یا غیر متناسب انداز میں نمائندگی ہو۔ جب ماڈل کے آؤٹ پٹ کو کسی مخصوص آبادیاتی گروہ کی حمایت میں تشریح کیا جائے تو کیا ہوگا؟ اس کا اطلاق پر کیا اثر ہوگا؟ مزید برآں، جب ماڈل کے نتیجے میں نقصان دہ یا افراد کے لیے نقصان دہ نتائج ہوں تو کیا ہوگا؟ AI نظام کے رویے کی ذمہ داری کس پر ہوگی؟ یہ کچھ سوالات ہیں جن کی ہم اس نصاب میں تحقیق کریں گے۔
اس سبق میں، آپ:
- مشین لرننگ میں انصاف کی اہمیت اور انصاف سے متعلق نقصانات کے بارے میں اپنی آگاہی بڑھائیں گے۔
- انوکھے معاملات اور غیر معمولی حالات کو دریافت کرنے کی مشق سے واقف ہوں گے تاکہ بھروسے اور سلامتی کو یقینی بنایا جا سکے۔
- شامل نظام بنانے کی ضرورت کو سمجھیں گے تاکہ ہر فرد کو بااختیار بنایا جا سکے۔
- ڈیٹا اور لوگوں کی رازداری اور سیکورٹی کے تحفظ کی اہمیت کو دریافت کریں گے۔
- AI ماڈلز کے رویے کی وضاحت کے لیے شیشے کے ڈبے کے طریقہ کار کی اہمیت دیکھیں گے۔
- AI سسٹمز میں اعتماد قائم کرنے کے لیے احتساب کی اہمیت کا خیال رکھیں گے۔
- مشین لرننگ میں عدل کی اہمیت اور عدل سے متعلق نقصانات کے بارے میں آگاہی بڑھائیں گے۔
- غیر معمولی واقعات اور آؤٹ لائرز کی تحقیق کے عمل سے واقف ہوں گے تاکہ اعتماد اور حفاظت کو یقینی بنایا جا سکے۔
- شامل نظام ڈیزائن کرنے کی ضرورت کو سمجھیں گے تاکہ ہر کسی کو بااختیار بنایا جا سکے۔
- اس بات کی اہمیت کا جائزہ لیں گے کہ ڈیٹا اور لوگوں کی پرائیویسی اور سیکیورٹی کی حفاظت کتنا ضروری ہے۔
- AI ماڈلز کے رویے کی وضاحت کے لیے گلاس باکس اپروچ کی اہمیت دیکھیں گے۔
- AI نظام میں اعتماد قائم کرنے کے لیے جوابدہی کی اہمیت کو سمجھیں گے۔
## سابقہ علم
## پیشگی ضرورت
سابقہ علم کے طور پر، براہ کرم "ذمہ دار AI کے اصول" لرن پاتھ لیں اور نیچے دی گئی ویڈیو دیکھیں:
پیشگی ضرورت کے طور پر، براہ کرم "Responsible AI Principles" لرننگ پاتھ لیں اور ذیل میں موضوع پر ویڈیو دیکھیں:
ذمہ دار AI کے بارے میں مزید جاننے کے لیے اس [لرننگ پاتھ](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) کی پیروی کریں۔
ذمہ دار AI کے بارے میں مزید جاننے کے لیے اس [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) کو فالو کریں
[](https://youtu.be/dnC8-uUZXSc "Microsoft کا ذمہ دار AI کیلئے طریقہ")
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
> 🎥 ویڈیو کے لیے اوپر تصاویر پر کلک کریں: Microsoft کا ذمہ دار AI کیلئے طریقہ
> 🎥 ویڈیو دیکھنے کے لیے اوپر تصویر پر کلک کریں: Microsoft's Approach to Responsible AI
## انصاف
## عدل
AI سسٹمز کو سب کے ساتھ انصاف کرنا چاہیے اور ایک ہی طرح کے لوگوں کے گروہوں پر مختلف طریقے سے اثر انداز ہونے سے بچنا چاہیے۔ مثال کے طور پر، جب AI سسٹمز طبی علاج، قرض کی درخواستوں یا ملازمت پر رہنمائی فراہم کرتے ہیں تو انہیں ایک جیسے علامات، مالی حالات، یا پیشہ ورانہ قابلیت رکھنے والے ہر فرد کے لیے ایک جیسی سفارشات کرنی چاہئیں۔ ہم سب انسانوں کی حیثیت سے موروثی تعصبات رکھتے ہیں جو ہمارے فیصلوں اور اعمال کو متاثر کرتے ہیں۔ یہ تعصبات اس ڈیٹا میں نمایاں ہو سکتے ہیں جسے ہم AI سسٹمز کو تربیت دینے کے لیے استعمال کرتے ہیں۔ یہ تبدیلی بعض اوقات غیر جانبداری سے ہو سکتی ہے۔ شعوری طور پر یہ جاننا مشکل ہوتا ہے کہ آپ کب ڈیٹا میں تعصب شامل کر رہے ہیں۔
AI نظام کو سب کے ساتھ منصفانہ رویہ کرنا چاہیے اور ایک جیسی خصوصیات والے گروپوں پر مختلف طریقوں سے اثر نہیں ڈالنا چاہیے۔ مثال کے طور پر، جب AI نظام طبی علاج، قرض کی درخواستیں، یا ملازمت کے بارے میں رہنمائی فراہم کرتے ہیں، تو انہیں ہر ایک کو ایک جیسی علامات، مالی حالات، یا پیشہ ورانہ اہلیت کے ساتھ ایک ہی سفارشات دینی چاہیے۔ ہر انسان میں موروثی تعصبات ہوتے ہیں جو ہمارے فیصلوں اور اقدامات کو متاثر کرتے ہیں۔ یہ تعصبات اس ڈیٹا میں ظاہر ہو سکتے ہیں جسے ہم AI نظاموں کو تربیت دینے کے لیے استعمال کرتے ہیں۔ بعض اوقات یہ منفی اثرات غیر ارادی طور پر بھی ہو سکتے ہیں۔ شعوری طور پر یہ جاننا مشکل ہوتا ہے کہ آپ ڈیٹا میں تعصب شامل کر رہے ہیں یا نہیں۔
**"ناانصافی"** منفی اثرات یا "نقصانات" شامل ہیں، جو ایک گروپ کے لیے ہوتے ہیں، جیسے نسل، جنس، عمر، یا معذوری کی حیثیت کی بنیاد پر۔ اہم انصاف سے متعلق نقصانات کو درج ذیل طور پر درجہ بند کیا جا سکتا ہے:
**"ناانصافی"** ایسے منفی اثرات یا "نقصانات" پر مشتمل ہوتی ہے جو کسی گروہ کو پہنچتے ہیں، جیسے کہ نسل، جنس، عمر، یا معذوری کی بنیاد پر۔ اہم عدل سے متعلق نقصانات کو درج ذیل اقسام میں تقسیم کیا جا سکتا ہے:
- **تقسیم**، اگر جنس یا نسل کو دوسرے پر ترجیح دی جائے۔
- **سروس کا معیار**۔ اگر آپ مخصوص منظرنامے کے لیے ڈیٹا تربیت دیں لیکن حقیقت کہیں زیادہ پیچیدہ ہو تو اس کا نتیجہ ناقص کارکردگی والی سروس بنتا ہے۔ مثال کے طور پر، ایک ہاتھ دھونے والا صابن کا ڈسپنسر جو گہرے جلد والے لوگوں کو محسوس نہیں کر پاتا۔ [حوالہ](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **توہین آمیز رویہ**۔ کسی چیز یا کسی شخص پر ناجائز تنقید کرنا اور اسے غلط لیبل کرنا۔ مثال کے طور پر، ایک امیج لیبلنگ ٹیکنالوجی نے بدنامی سے گہرے جلد والے لوگوں کی تصاویر کو گوریل کے طور پر لیبل کیا تھا۔
- **زیادہ یا کم نمائندگی**۔تصور یہ ہے کہ کسی مخصوص گروپ کو کسی مخصوص پیشے میں نہیں دیکھا جاتا، اور کوئی بھی سروس یا فنکشن جو اس کی ترویج کرتا ہے وہ نقصان میں حصہ ڈال رہا ہوتا ہے۔
- **سٹیریو ٹائپنگ**۔ کسی گروپ کو پہلے سے طے شدہ خصوصیات سے منسوب کرنا۔ مثال کے طور پر، انگریزی اور ترکی زبان کے ترجمے کے نظام میں جنس سے متعلق سٹیریو ٹائپیکل الفاظ کی وجہ سے غلطیاں ہو سکتی ہیں۔
- **اختیار**، اگر مثال کے طور پر صنف یا نسل کو دوسرے پر ترجیح دی جائے۔
- **خدمت کا معیار**۔ اگر آپ خاص صورتحال کے لیے ڈیٹا کو تربیت دیتے ہیں لیکن حقیقت زیادہ پیچیدہ ہو، تو اس کا نتیجہ کم معیار کی خدمت ہو سکتا ہے۔ مثال کے طور پر، ایک ہینڈ صابن ڈسپنسر جو گہرے رنگ کی جلد والے لوگوں کو محسوس نہیں کر پا رہا تھا۔ [حوالہ](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **توہین آمیز رویہ**۔ کسی چیز یا کسی شخص کو زیادتی کے ساتھ تنقید کرنا اور برانڈ کرنا۔ مثال کے طور پر، ایک امیج لیبلنگ ٹیکنالوجی نے بدنامی کے ساتھ گہرے رنگ کی جلد والے لوگوں کی تصاویر کو گوریلا کے طور پر نشان زد کیا۔
- **زیادہ یا کم نمائندگی**۔خیال یہ ہے کہ ایک مخصوص گروہ کسی پیشے میں نظر نہیں آتا، اور کوئی بھی خدمت یا فنکشن جو اسے مسلسل آگے بڑھاتا ہے نقصان کا باعث بنتا ہے۔
- **سٹیریو ٹائپنگ**۔ کسی گروہ کو پہلے سے دی گئی خصوصیات کے ساتھ منسوب کرنا۔ مثال کے طور پر، انگریزی اور ترک زبان کے درمیان ترجمہ کرنے والے نظام میں لفظوں کی صنفی سٹیریو ٹائپ کے باعث غلطیاں ہو سکتی ہیں۔
> ترکی میں ترجمہ
> ترکی زبان میں ترجمہ
> انگریزی میں واپس ترجمہ
> انگریزی میں دوبارہ ترجمہ
AI سسٹمز کو منصفانہ بنایا جانا چاہیے اور انہیں جانبدار یا امتیازی فیصلے کرنے کے لیے پروگرام نہیں کیا جانا چاہیے، جو انسانوں کو بھی منع ہے۔ AI اور مشین لرننگ میں انصاف کو یقینی بنانا ایک پیچیدہ سماجی تکنیکی چیلنج ہے۔
AI نظام ڈیزائن اور جانچتے وقت، ہمیں یہ یقینی بنانا چاہیے کہ AI منصفانہ ہو اور تعصبی یا امتیازی فیصلے کرنے کے لیے پروگرام نہ کیا گیا ہو، جو انسان بھی کرنے سے منع ہیں۔ AI اور مشین لرننگ میں عدل کی ضمانت دینا ایک پیچیدہ سماجی فنی چیلنج ہے۔
### بھروسہ مندی اور سلامتی
### اعتماد اور حفاظت
اعتماد قائم کرنے کے لیے، AI سسٹمز کو معمول اور غیر متوقع حالات میں قابل اعتماد، محفوظ، اور مستقل ہونا چاہیے۔ یہ جاننا ضروری ہے کہ AI سسٹمز مختلف حالات میں، خاص طور پر غیر معمولی حالات میں، کس طرح ردعمل دیں گے۔ AI حل بنانے کے دوران، مختلف حالات کو سنبھالنے پر خاص توجہ دینی چاہیے جو AI حل کو پیش آ سکتے ہیں۔ مثال کے طور پر، خودکار ڈرائیونگ کار کو لوگوں کی سلامتی کو اعلی ترین ترجیح دینی چاہیے۔ اس کے نتیجے میں، AI کو تمام ممکنہ حالات کو مدنظر رکھنا ہوگا جیسے رات، طوفان، برف باری، بچے سڑک پار کر رہے ہوں، جانور، سڑک کی تعمیر وغیرہ۔ ایک AI سسٹم کی صلاحیت کہ وہ مختلف حالات کو قدرے قابل اعتماد اور محفوظ طریقے سے سنبھال سکے اس بات کی عکاسی کرتی ہے کہ ڈیٹا سائنسدان یا AI ڈیویلپر نے ڈیزائن یا جانچ کے دوران کتنی پیش بینی کی ہے۔
اعتماد قائم کرنے کے لیے، AI نظاموں کو عام اور غیر متوقع حالات میں قابل اعتماد، محفوظ، اور مستقل ہونا چاہیے۔ یہ جاننا اہم ہے کہ AI نظام مختلف صورتوں میں کیسے برتاؤ کریں گے، خاص طور پر جب وہ آؤٹ لائرز ہوں۔ AI حل تیار کرتے وقت، اس بات پر کافی توجہ دینی چاہیے کہ AI حل کو کن مختلف صورتحال سے گزرنا پڑے گا۔ مثال کے طور پر، خود ڈرائیونگ کار کو لوگوں کی حفاظت سب سے اہم رکھنی ہوگی۔ نتیجتاً، کار کو چلانے والا AI تمام ممکنہ حالات کو مدنظر رکھے گا جیسے رات، آندھی، برفباری، بچے سڑک پار کر رہے ہوں، پالتو جانور، سڑک کی مرمت وغیرہ۔ ایک AI نظام کی اچھی کارکردگی اور حفاظت ان حالات کی متوقع تعداد کو ظاہر کرتی ہے جس پر ڈیٹا سائنسدان یا AI ڈویلپر نے ڈیزائن یا جانچ کے دوران غور کیا ہو۔
> [🎥 ویڈیو کے لیے یہاں کلک کریں: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 AI میں اعتماد اور حفاظت کے بارے میں ویڈیو کے لیے یہاں کلک کریں](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### شمولیت
AI سسٹمز کو ایسا ڈیزائن کیا جانا چاہیے کہ وہ ہر شخص کو شامل کرے اور بااختیار بنائے۔ AI سسٹمز کے ڈیزائن اور نفاذ کے دوران، ڈیٹا سائنسدان اور AI ڈیویلپر ممکنہ رکاوٹوں کی نشاندہی اور حل کرتے ہیں جو افراد کو غیر ارادی طور پر خارج کر سکتی ہیں۔ مثال کے طور پر، دنیا بھر میں ایک بلین سے زائد معذور افراد ہیں۔ AI کی ترقی کے ساتھ، وہ اپنی روزانہ کی زندگی میں معلومات اور مواقع تک آسانی سے رسائی حاصل کر سکتے ہیں۔ رکاوٹوں کو دور کر کے، مواقع پیدا ہوتے ہیں تاکہ بہتر تجربات کے ساتھ AI مصنوعات تیار اور متعارف کرائی جا سکیں جو سب کے لیے فائدہ مند ہوں۔
AI نظام ایسے ڈیزائن کیے جانے چاہئیں کہ وہ سب کو شامل کریں اور بااختیار بنائیں۔ جب AI نظام ڈیزائن اور نافذ کیے جاتے ہیں، تو ڈیٹا سائنسدان اور AI ڈویلپر ان رکاوٹوں کی نشاندہی کرتے اور دور کرتے ہیں جو غیر ارادی طور پر لوگوں کو خارج کر سکتی ہیں۔ مثال کے طور پر، دنیا بھر میں 1 ارب معذور افراد ہیں۔ AI کی ترقی کے ساتھ، وہ اپنی روزمرہ زندگی میں آسانی سے معلومات اور مواقع تک رسائی حاصل کر سکتے ہیں۔ رکاوٹیں دور کر کے، یہ مواقع پیدا ہوتے ہیں کہ AI مصنوعات کو بہتر تجربات کے ساتھ ترقی دی جائے جو سب کے فائدے میں ہوں۔
> [🎥 ویڈیو کے لیے یہاں کلک کریں: AI میں شمولیت](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 AI میں شمولیت کے بارے میں ویڈیو کے لیے یہاں کلک کریں](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### سیکورٹی اور رازداری
### سیکیورٹی اور پرائیویسی
AI سسٹمز کو محفوظ ہونا چاہیے اور لوگوں کی پرائیویسی کا احترام کرنا چاہیے۔ لوگ ایسے سسٹمز پر کم اعتماد کرتے ہیں جو ان کی رازداری، معلومات، یا زندگی کو خطرے میں ڈالیں۔ مشین لرننگ ماڈلز کو تربیت دیتے وقت، ہم بہترین نتائج کے لیے ڈیٹا پر انحصار کرتے ہیں۔ اس میں ڈیٹا کی اصل اور سالمیت کو مدنظر رکھنا ضروری ہے۔ مثال کے طور پر، کیا یہ ڈیٹا صارف نے جمع کروایا تھا یا یہ عوامی طور پر دستیاب تھا؟ اس کے بعد، ڈیٹا کے ساتھ کام کرتے ہوئے، AI سسٹمز کو ایسی طرح تیار کرنا ضروری ہے جو خفیہ معلومات کی حفاظت کر سکے اور حملوں کا مقابلہ کر سکے۔ جب AI زیادہ عام ہو رہا ہے، تو راز داری کا تحفظ اور اہم ذاتی و کاروباری معلومات کی سیکورٹی مزید اہم اور پیچیدہ ہو گئی ہے۔ پرائیویسی اور ڈیٹا کی سلامتی کے مسائل AI کے لیے خاص توجہ کے متقاضی ہیں کیونکہ AI سسٹمز کے لیے ڈیٹا تک رسائی درست اور باخبر پیش گوئیاں اور فیصلے کرنے کے لیے ضروری ہے۔
AI نظام محفوظ ہونے چاہئیں اور لوگوں کی پرائیویسی کا احترام کریں۔ انہی نظاموں پر لوگوں کا کم اعتماد ہوتا ہے جو ان کی پرائیویسی، معلومات، یا زندگی کو خطرے میں ڈالیں۔ مشین لرننگ ماڈلز کی تربیت کے دوران، ہم بہترین نتائج حاصل کرنے کے لیے ڈیٹا پر اعتماد کرتے ہیں۔ ایسا کرتے ہوئے، ڈیٹا کی اصل اور سالمیت کو مدنظر رکھنا چاہیے۔ مثال کے طور پر، کیا ڈیٹا صارف نے فراہم کیا تھا یا عوامی طور پر دستیاب تھا؟ پھر، ڈیٹا کے ساتھ کام کرتے ہوئے، AI نظام تیار کرنا ضروری ہے جو خفیہ معلومات کی حفاظت کریں اور حملوں کی مزاحمت کریں۔ جیسے جیسے AI زیادہ عام ہو رہا ہے، پرائیویسی کی حفاظت اور اہم ذاتی و کاروباری معلومات کی سیکیورٹی زیادہ اہم اور پیچیدہ ہوتی جا رہی ہے۔ پرائیویسی اور ڈیٹا سیکیورٹی کے مسائل AI کے لیے خاص توجہ کے طلبگار ہیں کیونکہ ڈیٹا تک رسائی AI نظاموں کے لیے رہنما اور صحیح پیش گوئیاں اور فیصلے کرنے کے لیے لازمی ہے۔
> [🎥 ویڈیو کے لیے یہاں کلک کریں: AI میں سیکورٹی](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI میں سیکیورٹی کے بارے میں ویڈیو کے لیے یہاں کلک کریں](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- صنعت کے طور پر، ہم نے رازداری اور سیکورٹی میں نمایاں ترقی کی ہے، جو خاص طور پر GDPR (جنرل ڈیٹا پروٹیکشن ریگولیشن) جیسے قواعد و ضوابط کی وجہ سے ہے۔
- پھر بھی، AI سسٹمز کے ساتھ ہمیں اس دباؤ کو تسلیم کرنا ہوگا کہ سسٹمز کو زیادہ ذاتی اور موثر بنانے کے لیے زیادہ ذاتی ڈیٹا کی ضرورت اور رازداری کے درمیان تناؤ ہے۔
- انٹرنیٹ کے ساتھ کمپیوٹرز کے جڑنے کے آغاز کی طرح، ہم AI سے متعلق سیکورٹی مسائل میں بھی بڑھوتری دیکھ رہے ہیں۔
- اس کے ساتھ ہی، ہم نے سیکورٹی کو بہتر بنانے کے لیے AI کے استعمال کو بھی دیکھا ہے۔ مثال کے طور پر، آج کل زیادہ تر جدید اینٹی وائرس اسکینرز AI ہیورسٹک پر چلتے ہیں۔
- ہمیں یقین دلانا ہوگا کہ ہمارے ڈیٹا سائنس کے عمل جدید رازداری اور سیکورٹی کے طریقوں کے ساتھ ہم آہنگ ہوں۔
- ایک صنعت کے طور پر، ہم نے پرائیویسی اور سیکیورٹی میں نمایاں پیشرفت کی ہے، جس کی بنیادی وجہ قوانین جیسے GDPR (جنرل ڈیٹا پروٹیکشن ریگولیشن) ہے۔
- لیکن AI نظاموں کے ساتھ ہمیں اس تنازع کو تسلیم کرنا ہوگا کہ زیادہ ذاتی ڈیٹا کی ضرورت ہوتی ہے تاکہ نظام ذاتی اور مؤثر بن سکیں، اور پرائیویسی کے درمیان توازن برقرار رکھا جائے۔
- بالکل ویسے ہی جیسے انٹرنیٹ کے ساتھ کمپیوٹرز کے جنم پر، ہم AI سے متعلق سیکیورٹی مسائل میں بھی بڑی تیزی دیکھ رہے ہیں۔
- اسی دوران، ہم نے دیکھا ہے کہ AI سیکیورٹی کو بہتر بنانے کے لیے بھی استعمال ہو رہا ہے۔ مثال کے طور پر، آج کے بیشتر جدید اینٹی وائرس اسکینرز AI ہیوراسٹکس پر مبنی ہیں۔
- ہمیں یہ یقینی بنانا چاہیے کہ ہمارے ڈیٹا سائنس کے عمل جدید پرائیویسی اور سیکیورٹی کی عادات کے ساتھ مطابقت رکھتے ہوں۔
### شفافیت
AI سسٹمز کو سمجھنے کے قابل ہونا چاہیے۔ شفافیت کا ایک اہم حصہ AI سسٹمز اور ان کے اجزاء کے رویے کی وضاحت ہے۔ AI سسٹمز کی سمجھ کو بہتر بنانے کے لیے یہ ضروری ہے کہ تمام متعلقہ افراد کو معلوم ہو کہ وہ کس طرح اور کیوں کام کرتے ہیں تاکہ وہ ممکنہ کارکردگی کے مسائل، سلامتی اور پرائیویسی کے خدشات، تعصبات، اخراج کی پریکٹس، یا غیر ارادی نتائج کی نشاندہی کر سکیں۔ ہم یہ بھی مانتے ہیں کہ جو لوگ AI سسٹمز استعمال کرتے ہیں انہیں ایماندار اور کھلے دل سے بتانا چاہیے کہ کب، کیوں اور کیسے وہ انہیں استعمال کرتے ہیں اور ان سسٹمز کی حدود کیا ہیں۔ مثال کے طور پر، اگر کوئی بینک AI نظام کا استعمال اپنے صارف کے قرض کے فیصلوں کو سہارا دینے کے لیے کرتا ہے، تو نتائج کا جائزہ لینا اور سمجھنا ضروری ہے کہ کونسا ڈیٹا نظام کی سفارشات کو متاثر کرتا ہے۔ حکومتیں مختلف صنعتوں میں AI کو ریگولیٹ کرنے لگیں ہیں، لہٰذا ڈیٹا سائنسدانوں اور تنظیموں کو یہ وضاحت کرنا ہوگی کہ آیا AI نظام ریگولیٹری ضروریات پر پورا اترتا ہے، خاص طور پر جب کوئی غیر مطلوبہ نتیجہ نکلے۔
### شفافیت
AI نظام قابل فہم ہونے چاہئیں۔ شفافیت کا ایک اہم حصہ AI نظاموں اور ان کے اجزاء کے رویے کی وضاحت ہے۔ AI نظاموں کی بہتر سمجھ کے لیے فریقین کو یہ جاننا ضروری ہے کہ وہ کیسے اور کیوں کام کرتے ہیں تاکہ ممکنہ کارکردگی کے مسائل، حفاظت اور پرائیویسی کے خدشات، تعصبات، خانہ جنگی کے طریقہ کار، یا ناخواہ نتائج کی نشاندہی کر سکیں۔ ہم یہ بھی ایمان رکھتے ہیں کہ جو لوگ AI نظام استعمال کرتے ہیں انہیں دیانتدار اور کھلے دل سے بتانا چاہیے کہ وہ کب، کیوں، اور کیسے ان کا استعمال کرتے ہیں، اور نظام کی حدود کیا ہیں۔ مثال کے طور پر، اگر کوئی بینک اپنے صارفین کے قرض کے فیصلوں کی حمایت کے لیے AI نظام استعمال کرتا ہے، تو نتائج کا جائزہ لینا اور سمجھنا ضروری ہے کہ کونسا ڈیٹا نظام کی سفارشات کو متاثر کرتا ہے۔ حکومتیں صنعتوں میں AI کی نگرانی شروع کر رہی ہیں، اس لیے ڈیٹا سائنسدانوں اور تنظیموں کو وضاحت کرنی ہوگی کہ آیا AI نظام ریگولیٹری تقاضوں پر پورا اترتا ہے، خاص طور پر جب کوئی ناپسندیدہ نتیجہ سامنے آئے۔
> [🎥 ویڈیو کے لیے یہاں کلک کریں: AI میں شفافیت](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI میں شفافیت کے بارے میں ویڈیو کے لیے یہاں کلک کریں](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- چونکہ AI سسٹمز بہت پیچیدہ ہیں، ان کو سمجھنا اور نتائج کی تشریح کرنا مشکل ہوتا ہے۔
- اس کمی کی وجہ سے ان سسٹمز کا انتظام، آپریشن، اور دستاویزات متاثر ہوتی ہیں۔
- اور بھی اہم، اس کمی کی وجہ سے ان نتائج کی بنیاد پر کیے جانے والے فیصلے متاثر ہوتے ہیں جو یہ سسٹمز پیدا کرتے ہیں۔
- چونکہ AI نظام بہت پیچیدہ ہیں، انہیں سمجھنا اور نتائج کی تشریح کرنا مشکل ہے۔
- اس عدم سمجھ بوجھ کا اثر اس طریقے پر پڑتا ہے جس سے ان نظاموں کو مینیج، آپریٹ، اور دستاویزی شکل دی جاتی ہے۔
- اہم بات یہ ہے کہ اس عدم تفہیم کا اثر ان فیصلوں پر بھی پڑتا ہے جو ان نظاموں کے نتائج کی بنیاد پر کیے جاتے ہیں۔
### احتساب
### جوابدہی
وہ لوگ جو AI سسٹمز ڈیزائن اور لگاتے ہیں انہیں اپنے سسٹمز کے کام کرنے کے طریقے کے لیے جوابدہ ہونا چاہیے۔ احتساب کی ضرورت حساس ٹیکنالوجیز جیسے چہرے کی پہچان کے ساتھ خاص طور پر اہم ہے۔ حال ہی میں، چہرے کی پہچان کی ٹیکنالوجی کی مانگ بڑھ رہی ہے، خاص طور پر قانون نافذ کرنے والے اداروں کی طرف سے جو اس ٹیکنالوجی کو لاپتہ بچوں کو تلاش کرنے جیسے استعمالات میں ممکنہ نظر آتی ہیں۔ تاہم، یہ ٹیکنالوجیز ممکنہ طور پر حکومت کی طرف سے اپنے شہریوں کی بنیادی آزادیوں کو خطرے میں ڈالنے کے لیے استعمال ہو سکتی ہیں، جیسے مخصوص افراد کی مسلسل نگرانی کو فعال کرنا۔ اس لیے ڈیٹا سائنسدانوں اور تنظیموں کو یہ ذمہ داری اٹھانی ہوگی کہ ان کا AI نظام افراد یا معاشرے پر کس طرح اثر انداز ہوتا ہے۔
AI نظام بنانے اور نافذ کرنے والے افراد کو اس بات کا ذمہ دار ہونا چاہیے کہ ان کے نظام کیسے کام کرتے ہیں۔ جوابدہی کی ضرورت خاص طور پر حساس ٹیکنالوجیز جیسے چہروں کی شناخت میں زیادہ اہم ہے۔ حال ہی میں، چہروں کی شناخت ٹیکنالوجی کی مانگ میں اضافہ ہوا ہے، خاص طور پر قانون نافذ کرنے والے اداروں کا جو اس کے فائدمند استعمال، جیسے لاپتہ بچوں کی تلاش، دیکھتے ہیں۔ تاہم، یہ ٹیکنالوجی حکومت کی طرف سے اپنے شہریوں کی بنیادی آزادیوں کو خطرے میں ڈالنے کے لیے استعمال کی جا سکتی ہے، مثلاً مخصوص افراد کی مسلسل نگرانی کے ذریعے۔ اس لیے، ڈیٹا سائنسدانوں اور تنظیموں کو یہ ذمہ داری لینی ہوگی کہ ان کے AI نظام کا افراد یا معاشرے پر کیا اثر ہوتا ہے۔
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft کا ذمہ دار AI کیلئے طریقہ")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
> 🎥 ویڈیو کے لیے اوپر تصویر پر کلک کریں: چہرے کی پہچان کے ذریعے وسیع نگرانی کے انتبہات
> 🎥 ویڈیو کے لیے اوپر تصویر پر کلک کریں: چہرے کی شناخت کے ذریعے بڑے پیمانے پر نگرانی کی وارننگز
آخرکار، ہماری نسل کے لیے سب سے بڑے سوالات میں سے ایک یہ ہے کہ چونکہ ہم پہلی نسل ہیں جو AI کو معاشرے میں لا رہی ہے، تو یہ کس طرح یقینی بنایا جائے کہ کمپیوٹر لوگو ں کے لیے جوابدہ رہیں گے اور جو لوگ کمپیوٹر ڈیزائن کرتے ہیں وہ باقی سب کے لیے جوابدہ رہیں۔
آخرکار، ہماری نسل کے لیے سب سے بڑے سوالات میں سے ایک، جو AI کو معاشرے میں لا رہی ہے، یہ ہے کہ کمپیوٹرز کو لوگوں کے سامنے جوابدہ کیسے رکھا جائے اور جنہوں نے کمپیوٹرز بنائے ہیں وہ سب کے سامنے کیسے جوابدہ رہیں۔
## اثرات کا جائزہ
## اثر کا جائزہ
مشین لرننگ ماڈل کی تربیت سے پہلے، ضروری ہے کہ ایک اثرات کا جائزہ لیا جائے تاکہ AI نظام کے مقصد کو سمجھا جا سکے؛ اس کا متوقع استعمال کیا ہے؛ یہ کہاں نافذ کیا جائے گا؛ اور کون اس نظام کے ساتھ تعامل کرے گا۔ یہ جائزہ کار(وں) یا ٹیسٹرز کو خود نظام کے جائزہ لینے میں مدد دیتا ہے تاکہ وہ ممکنہ خطرات اور متوقع نتائج کے عوامل کو مدنظر رکھ سکیں۔
مشین لرننگ ماڈل کی تربیت سے پہلے، یہ ضروری ہے کہ AI نظام کے مقصد کو سمجھنے کے لیے اثر کا جائزہ لیا جائے؛ اس کا ارادہ شدہ استعمال کیا ہے؛ کہاں تعینات کیا جائے گا؛ اور کون نظام کے ساتھ تعامل کرے گا۔ یہ جائزہ لینے والے یا جانچ کرنے والوں کے لیے مددگار ہوتا ہے تاکہ وہ ممکنہ خطرات اور متوقع نتائج کی شناخت کرتے وقت کون سے عوامل کو مدنظر رکھیں۔
اثرات کے جائزے کے دوران درج ذیل امور پر توجہ دی جاتی ہے:
اثر کے جائزہ کے دوران توجہ کے درج ذیل علاقے ہوتے ہیں:
* **افراد پر منفی اثر**۔ کسی بھی بندش یا ضروریات، غیر معاون استعمال یا کسی معلوم حدود سے آگاہ ہونا ضروری ہے تاکہ نظام کا استعمال ایسے طریقے سے نہ ہو جو افراد کو نقصان پہنچا سکے۔
* **ڈیٹا کی ضروریات**۔ یہ سمجھنا کہ نظام ڈیٹا کو کیسے اور کہاں استعمال کرے گا، جائزہ لینے والوں کو کسی بھی ڈیٹا کی ضروریات پر غور کرنے میں مدد دیتا ہے (مثلاً GDPR یا HIPAA ڈیٹا کے قوانین)۔ اس کے علاوہ، یہ دیکھنا کہ آیا ڈیٹا کا ماخذ یا مقدار تربیت کے لیے کافی ہے۔
* **اثرات کا خلاصہ**۔ نظام کے استعمال سے پیدا ہونے والے ممکنہ نقصانات کی فہرست جمع کریں۔ مشین لرننگ کے پورے لائف سائیکل کے دوران، طے شدہ مسائل کی جانچ کریں کہ آیا انہیں کم یا حل کیا گیا ہے۔
* **مطلوبہ اہداف** ہر چھ بنیادی اصولوں کے لیے۔ یہ اندازہ لگائیں کہ اصولوں سے وابستہ اہداف پورے ہوئے یا نہیں اور کہیں کہیں فرق تو نہیں۔
* **افراد پر منفی اثرات**۔ کسی بھی پابندی یا ضروریات، غیر معاون استعمال یا نظام کی کارکردگی پر اثر انداز ہونے والی معلوم حدود سے آگاہ ہونا ضروری ہے تاکہ نظام ایسے طریقے سے استعمال نہ ہو جو افراد کو نقصان پہنچائے۔
* **ڈیٹا کی ضروریات**۔ یہ سمجھنا کہ نظام کہاں اور کیسے ڈیٹا استعمال کرے گا، جائزہ لینے والوں کو کسی بھی ڈیٹا کی ضرورت کی جانچ پڑتال میں مدد دیتا ہے (مثلاً GDPR یا HIPAA کے قوانین)۔ اس کے علاوہ، یہ دیکھنا کہ ڈیٹا کا ماخذ یا مقدار تربیت کے لیے کافی ہے یا نہیں۔
* **اثر کا خلاصہ**۔ نظام کے استعمال سے ممکنہ نقصان کی فہرست تیار کریں۔ مشین لرننگ کے پوری زندگی کے دوران جائزہ لیں کہ شناخت شدہ مسائل کو کم یا حل کیا گیا ہے یا نہیں۔
* **ہر بنیادی اصول کے لیے قابل اطلاق اہداف**۔ یہ جانچیں کہ اصولوں کے اہداف پورے ہوئے ہیں یا ان میں کوئی کمی ہے۔
## ذمہ دار AI کے ساتھ ڈیبگنگ
## ذمہ دار AI کے ساتھ ڈیبگنگ
کسی سافٹ ویئر اپلیکیشن کی طرح ہی، AI سسٹم کی ڈیبگنگ نظام میں مسائل کی شناخت اور حل کرنے کا ضروری عمل ہے۔ ایسے کئی عوامل ہیں جو کسی ماڈل کی متوقع یا ذمہ دارانہ کارکردگی کو متاثر کر سکتے ہیں۔ روایتی ماڈل کارکردگی کے پیمانے ماڈل کی کارکردگی کے مقداری مجموعے ہوتے ہیں، جو ذمہ دار AI اصولوں کی خلاف ورزی کا تجزیہ کرنے کے لیے کافی نہیں ہوتے۔ مزید یہ کہ، مشین لرننگ ماڈل ایک بلیک باکس ہوتا ہے جو نتائج کے اسباب کو سمجھنا اور غلطی کی صورت میں وضاحت فراہم کرنا مشکل بناتا ہے۔ اس کورس میں آگے ہم ذمہ دار AI ڈیش بورڈ کو استعمال کرنا سیکھیں گے جو AI سسٹمز کی ڈیبگنگ میں مدد دیتا ہے۔ یہ ڈیش بورڈ ڈیٹا سائنسدانوں اور AI ڈیویلپرز کو ایک مکمل ٹول فراہم کرتا ہے تاکہ وہ:
کسی سافٹ ویئر ایپلیکیشن کی طرح AI نظام کی ڈی بگنگ بھی مسئلوں کی شناخت اور حل کرنے کا ضروری عمل ہے۔ متعدد عوامل ایسے ہوتے ہیں جو ماڈل کی متوقع یا ذمہ دارانہ کارکردگی کو متاثر کر سکتے ہیں۔ زیادہ تر روایتی ماڈل کارکردگی کے میٹرکس ماڈل کی کارکردگی کا مقداری مجموعہ ہوتے ہیں، جو ذمہ دار AI اصولوں کی خلاف ورزی کو تجزیہ کرنے کے لیے کافی نہیں ہوتے۔ علاوہ ازیں، مشین لرننگ ماڈل ایک بلیک باکس ہوتا ہے جس کی وجہ سے یہ سمجھنا مشکل ہوتا ہے کہ اس کا نتیجہ کیا محرک ہے یا جب وہ غلطی کرتا ہے تو وضاحت پیش کرنا آسان نہیں ہوتا۔ اس کورس میں ہم بعد میں ذمہ دار AI ڈیش بورڈ کے استعمال سے AI نظام کی ڈی بگنگ سیکھیں گے۔ یہ ڈیش بورڈ ڈیٹا سائنسدانوں اور AI ڈویلپرز کو ایک جامع آلہ فراہم کرتا ہے تاکہ وہ مندرجہ ذیل کام انجام دے سکیں:
* **خرابی کا تجزیہ**۔ ماڈل کی غلطی کی تقسیم کی شناخت کرنے کے لیے جو نظام کے انصاف یا بھروسے کو متاثر کر سکتی ہے۔
* **ماڈل کا جائزہ**۔ماڈل کی کارکردگی میں ڈیٹا کے مختلف گروہوں میں فرق کی دریافت کے لیے۔
* **ڈیٹا کا تجزیہ**۔ ڈیٹا کی تقسیم کو سمجھنے اور ممکنہ تعصب کی نشاندہی کرنے کے لیے جو انصاف، شمولیت، اور بھروسے کے مسائل کو پیدا کر سکتا ہے۔
* **ماڈل کی تشریح**۔ سمجھنے کے لیے کہ ماڈل کی پیش گوئیوں پر کیا اثر انداز ہوتا ہے۔ یہ ماڈل کے رویے کی وضاحت میں مدد دیتا ہے، جو شفافیت اور احتساب کے لیے اہم ہے۔
* **غلطی تجزیہ**۔ ماڈل کی غلطی کی تقسیم کی شناخت کے لیے جو نظام کی عدل یا اعتماد کو متاثر کر سکتی ہے۔
* **ماڈل کا جائزہ**۔یہ جاننے کے لیے کہ ماڈل کی کارکردگی مختلف ڈیٹا گروپوں میں کہاں فرق کر رہی ہے۔
* **ڈیٹا تجزیہ**۔ ڈیٹا کی تقسیم کو سمجھنے اور ان تعصبات کی شناخت کے لیے جو عدل، شمولیت، اور اعتماد کے مسائل پیدا کر سکتے ہیں۔
* **ماڈل کی وضاحت پذیری**۔ یہ سمجھنے کے لیے کہ ماڈل کی پیشن گوئیوں کو کیا اثر یا اثر انداز کرتا ہے۔ یہ ماڈل کے رویے کی وضاحت میں مدد دیتا ہے، جو شفافیت اور جوابدہی کے لیے ضروری ہے۔
## 🚀 چیلنج
## 🚀 چیلنج
نقصانات کو پہلے ہی سے پیدا ہونے سے روکنے کے لیے، ہمیں چاہیے کہ:
نقصانات کو ابتدا میں داخل ہونے سے روکنے کے لیے، ہمیں چاہیے کہ:
- سسٹمز پر کام کرنے والے افراد میں مختلف پس منظر اور نقطہ نظر ہوں۔
- ایسے ڈیٹا سیٹس میں سرمایہ کاری کریں جو ہماری معاشرت کی تنوع کی عکاسی کریں۔
- مشین لرننگ کے پورے لائف سائیکل میں بہتر طریقے تیار کریں تاکہ ذمہ دار AI کی شناخت اور اصلاح ہو سکے۔
- نظام پر کام کرنے والے افراد کے درمیان پس منظر اور نظریات کی تنوع کو یقینی بنائیں۔
- ایسے ڈیٹا سیٹس میں سرمایہ کاری کریں جو ہماری معاشرت کی تنوع کی عکاسی کرتے ہوں۔
- مشین لرننگ کے مکمل مرحلے میں بہتر طریقے وضع کریں تاکہ نا ذمہ دار AI کو وقتی شناخت اور اصلاح کی جا سکے جب وہ واقع ہو۔
حقیقی زندگی کی مثالوں کے بارے میں سوچیں جہاں ایک ماڈل کی غیر قابل اعتماد صورتحال ماڈل کی تعمیر اور استعمال میں واضح ہو۔ اور ہم کیا باتیں غور میں لائیں؟
حقیقی زندگی کے ایسے منظرنامے سوچیں جہاں ماڈل کی غیر قابل اعتمادیت ماڈل بنانے اور استعمال میں واضح ہو۔ ہمیں اور کیا چیزیں مدنظر رکھنی چاہئیں؟
## [لیچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ml/)
اس سبق میں، آپ نے مشین لرننگ میں انصاف اور ناانصافی کے تصورات کی کچھ بنیادی باتیں سیکھی ہیں۔
اس سبق میں آپ نے مشین لرننگ میں عدل اور ناانصافی کے بنیادی تصورات سیکھے ہیں۔
اس ورکشاپ کو دیکھیں تاکہ موضوعات میں مزید گہرائی میں جا سکیں:
اس ورکشاپ کو دیکھیں تاکہ موضوعات میں مزید گہرائی حاصل ہو:
- ذمہ دار AI کی تلاش میں: اصولوں کو عملی جامہ پہنانا از بسمیرا نوشی، مهرنوش سامیکی اور امت شرما
- ذمہ دار AI کے حصول کی کوشش: اصولوں کو عملی جامہ پہنانا از Besmira Nushi، Mehrnoosh Sameki اور Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI ٹول باکس: ذمہ دار AI بنانے کے لیے ایک اوپن سورس فریم ورک")
> 🎥 ویڈیو کے لیے اوپر تصویر پر کلک کریں: RAI Toolbox: Besmira Nushi، Mehrnoosh Sameki، اور Amit Sharma کے ذریعہ ذمہ دار AI کی تعمیر کے لیے ایک اوپن سورس فریم ورک
> 🎥 ویڈیو کے لیے اوپر دی گئی تصویر پر کلک کریں: RAI ٹول باکس: ذمہ دار AI بنانے کے لیے ایک اوپن سورس فریم ورک، از بسمیرا نوشی، مہرنوش سامیکی، اور امت شرما
مزید یہ بھی پڑھیں:
مزید پڑھیں:
- مائیکروسافٹ کا RAI وسیلہ مرکز: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- مائیکروسافٹ کا RAI ریسورس سینٹر: [ذمہ دار AI کے وسائل– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- مائیکروسافٹ کا FATE تحقیقی گروپ: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- مائیکروسافٹ کا FATE ریسرچ گروپ: [FATE: AI میں انصاف، جوابدہی، شفافیت، اور اخلاقیات - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI ٹول باکس:
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
انصاف کو یقینی بنانے کے لیے Azure Machine Learning کے آلات کے بارے میں پڑھیں:
Azure Machine Learning کے اوزار جس سے انصاف کو یقینی بنایا جاتا ہے، کے بارے میں پڑھیں:
> ### [یہ سبق R میں دستیاب ہے!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [یہ سبق R میں بھی دستیاب ہے!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## تعارف
ان چار اسباق میں، آپ ریگریشن ماڈلز بنانے کا طریقہ سیکھیں گے۔ ہم جلد ہی بات کریں گے کہ یہ کس کام آتے ہیں۔ لیکن کچھ بھی کرنے سے پہلے، یقینی بنائیں کہ آپ کے پاس اس عمل کو شروع کرنے کے لیے صحیح اوزار موجود ہیں!
ان چار اسباق میں، آپ سیکھیں گے کہ کیسے ریگریشن ماڈلز بنائے جاتے ہیں۔ ہم جلد ہی بتائیں گے کہ یہ کس لیے ہیں۔ لیکن کچھ بھی کرنے سے پہلے، یقینی بنائیں کہ آپ کے پاس شروع کرنے کے لیے صحیح ابزار موجود ہیں!
اس سبق میں، آپ سیکھیں گے کہ:
اس سبق میں، آپ سیکھیں گے کہ کیسے:
- اپنے کمپیوٹر کو مقامی مشین لرننگ کے کاموں کے لیے ترتیب دیں۔
- Jupyter نوٹ بکس کے ساتھ کام کریں۔
- Scikit-learn استعمال کریں، بشمول تنصیب۔
- ایک عملی مشق کے ذریعے لینیئر ریگریشن کا جائزہ لیں۔
- اپنے کمپیوٹر کو مقامی مشین لرننگ کاموں کے لیے ترتیب دیں۔
- Jupyter نوٹس بک کے ساتھ کام کریں۔
- Scikit-learn کا استعمال کریں، بشمول تنصیب۔
- ایک عملی مشق کے ذریعے لینئر ریگریشن کو دریافت کریں۔
## تنصیبات اور ترتیبات
[](https://youtu.be/-DfeD2k2Kj0 "نئے آنے والوں کے لیے ML - اپنے اوزار تیار کریں تاکہ مشین لرننگ ماڈلز بنائیں")
[](https://youtu.be/-DfeD2k2Kj0 "مشین لرننگ ابتدائوں کے لیے - اپنے ابزار نصب کریں تاکہ مشین لرننگ ماڈلز بنائیں")
> 🎥 اپنے کمپیوٹر کو ML کے لیے ترتیب دینے کے عمل سے گزرتے ہوئے ایک مختصر ویڈیو کے لیے اوپر والی تصویر پر کلک کریں۔
> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ آپ کے کمپیوٹر کو مشین لرننگ کے لیے ترتیب دینے پر ایک مختصر ویڈیو دیکھیں۔
1. **Python انسٹال کریں**۔ اس بات کو یقینی بنائیں کہ آپ کے کمپیوٹر پر [Python](https://www.python.org/downloads/) انسٹال ہے۔ آپ بہت سے ڈیٹا سائنس اور مشین لرننگ کاموں کے لیے Python استعمال کریں گے۔ زیادہ تر کمپیوٹر سسٹمز میں پہلے سے Python انسٹال ہوتا ہے۔ کچھ صارفین کے لیے آسانی کے لیے مفید [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) بھی دستیاب ہیں۔
1. **پائتھون انسٹال کریں**۔ یقینی بنائیں کہ [Python](https://www.python.org/downloads/) آپ کے کمپیوٹر پر انسٹال ہے۔ آپ بہت سے ڈیٹا سائنس اور مشین لرننگ کاموں میں Python استعمال کریں گے۔ زیادہ تر کمپیوٹر سسٹمز پہلے سے Python انسٹال رکھتے ہیں۔ کچھ مفید [Python کوڈنگ پیکس](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) بھی دستیاب ہیں جو کچھ صارفین کے لیے سیٹ اپ آسان کرتے ہیں۔
تاہم Python کے بعض استعمالات کے لیے سافٹ ویئر کا ایک ورژن چاہیے ہوتا ہے، جبکہ دوسرے کے لیے مختلف ورژن۔ اسی وجہ سے، ایک [ورچوئل ماحول](https://docs.python.org/3/library/venv.html) کے اندر کام کرنا مفید ہوتا ہے۔
تاہم، Python کے کچھ استعمالات کو سافٹ ویئر کے ایک ورزن کی ضرورت ہوتی ہے، جبکہ دوسروں کو مختلف ورزن کی۔ اس وجہ سے، [ورچوئل ماحول](https://docs.python.org/3/library/venv.html) کے اندر کام کرنا مفید ہے۔
2. **Visual Studio Code انسٹال کریں**۔ یقینی بنائیں کہ آپ نے اپنے کمپیوٹر پر Visual Studio Code انسٹال کیا ہوا ہے۔ بنیادی تنصیب کے لیے ان ہدایات پر عمل کریں: [Visual Studio Code انسٹال کریں](https://code.visualstudio.com/)۔ آپ اس کورس میں Visual Studio Code میں Python استعمال کرنے جا رہے ہیں، لہٰذا آپ کو Python ترقی کے لیے [Visual Studio Code کو ترتیب دینا](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) آنا چاہیے۔
2. **Visual Studio Code انسٹال کریں**۔ یقینی بنائیں کہ آپ کے کمپیوٹر پر Visual Studio Code انسٹال ہے۔ بنیادی تنصیب کے لیے یہ ہدایات ملاحظہ کریں: [Visual Studio Code انسٹال کریں](https://code.visualstudio.com/)۔ آپ اس کورس میں Visual Studio Code میں Python استعمال کریں گے، تو آپ شاید جاننا چاہیں کہ [Visual Studio Code کو Python کے لیے کس طرح ترتیب دیں](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)۔
> Python کے ساتھ آرام دہ ہونے کے لیے اس مجموعے کے [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) سے گزر کر کام کریں۔
> Python میں مہارت حاصل کریں اس [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) کے ذریعے کام کرکے
>
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code کے ساتھ Python سیٹ اپ کریں")
>
> 🎥 اوپر تصویر پر کلک کریں ایک ویڈیو کے لیے: VS Code میں Python کا استعمال۔
> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ ویڈیو دیکھیں: VS Code میں Python کا استعمال۔
3. **Scikit-learn انسٹال کریں**، ان [ہدایات](https://scikit-learn.org/stable/install.html) پر عمل کرتے ہوئے۔ چونکہ آپ کو یہ یقینی بنانا ہے کہ آپ Python 3 استعمال کر رہے ہیں، اس لیے ورچوئل ماحول استعمال کرنے کی سفارش کی جاتی ہے۔ اگر آپ M1 Mac پر یہ لائبریری انسٹال کر رہے ہیں، تو مخصوص ہدایات اوپر دی گئی صفحہ پر موجود ہیں۔
3. **Scikit-learn انسٹال کریں**، [ان ہدایات](https://scikit-learn.org/stable/install.html) پر عمل کرتے ہوئے۔ چونکہ آپ کو Python 3 استعمال کرنا ہے، اس لیے ورچوئل ماحول استعمال کرنے کی سفارش کی جاتی ہے۔ نوٹ کریں، اگر آپ M1 Mac پر یہ لائبریری نصب کر رہے ہیں، تو اوپر دیے گئے صفحے پر خاص ہدایات ہیں۔
1. **Jupyter Notebook انسٹال کریں**۔ آپ کو [Jupyter پیکیج انسٹال کرنا](https://pypi.org/project/jupyter/) ہوگا۔
1. **Jupyter Notebook انسٹال کریں**۔ آپ کو [Jupyter پیکج انسٹال کرنا](https://pypi.org/project/jupyter/) ہوگا۔
## آپ کا ML مصنف ماحول
## آپ کا مشین لرننگ آتھرنگ ماحول
آپ **نوٹ بکس** استعمال کریں گے اپنی Python کوڈنگ اور مشین لرننگ ماڈلز بنانے کے لیے۔ یہ قسم کا فائل ڈیٹا سائنسدانوں کے لیے ایک عام آلہ ہے، اور انہیں ان کے پسوند یا توسیع `.ipynb` سے پہچانا جا سکتا ہے۔
آپ Python کوڈ لکھنے اور مشین لرننگ ماڈلز بنانے کے لیے **نوٹس بک** استعمال کریں گے۔ یہ فائل کی قسم ڈیٹا سائنٹسٹ کے لیے عام آلہ ہے، اور اس کی پہچان پسوند `.ipynb` سے ہوتی ہے۔
نوٹ بکس ایک تعاملی ماحول ہیں جو ڈویلپر کو نہ صرف کوڈ لکھنے بلکہ اس کے گرد نوٹس اور دستاویزات شامل کرنے کی اجازت دیتے ہیں، جو تحقیقی یا تجرباتی منصوبوں کے لیے مفید ہے۔
نوٹس بک ایک تعاملی ماحول ہے جو ڈویلپر کو کوڈ لکھنے کے ساتھ ساتھ نوٹس اور دستاویزات شامل کرنے کی اجازت دیتا ہے جو تجرباتی یا تحقیقی منصوبوں کے لیے بہت مددگار ہے۔
[](https://youtu.be/7E-jC8FLA2E "نئے آنے والوں کے لیے ML - ریگریشن ماڈلز بنانے کے لیے Jupyter نوٹ بکس تیار کریں")
[](https://youtu.be/7E-jC8FLA2E "مشین لرننگ ابتدائوں کے لیے - نوٹس بکس سیٹ اپ کریں ریگریشن ماڈلز بنانے کے لیے")
> 🎥 اس مشق کو کرتے ہوئے ایک مختصر ویڈیو کے لیے اوپر تصویر پر کلک کریں۔
> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ اس مشق کے لیے ایک مختصر ویڈیو دیکھیں۔
### مشق - ایک نوٹ بک کے ساتھ کام کریں
### مشق - نوٹس بک کے ساتھ کام کریں
اس فولڈر میں، آپ کو فائل _notebook.ipynb_ ملے گی۔
اس فولڈر میں، آپ کو _notebook.ipynb_ فائل ملے گی۔
1. Visual Studio Code میں _notebook.ipynb_ کھولیں۔
Python 3+ کے ساتھ ایک Jupyter سرور شروع ہوگا۔ آپ نوٹ بک کے حصے دیکھیں گے جنہیں `run` کیا جا سکتا ہے، یعنی کوڈ کے ٹکڑے۔ آپ کوڈ بلاک کو اس کے پلے بٹن نما آئیکن کو منتخب کر کے چلا سکتے ہیں۔
ایک Jupyter سرور Python 3+ کے ساتھ شروع ہوگا۔ آپ نوٹس بک کے ان حصوں کو پائیں گے جنہیں آپ `run` کر سکتے ہیں، یعنی کوڈ کے ٹکڑے۔ آپ کوڈ بلاک چلا سکتے ہیں، جس کے لیے پلے بٹن کی طرح ایک آئیکن منتخب کریں۔
1. `md` آئیکن منتخب کریں اور تھوڑا سا مارک ڈاؤن اور مندرجہ ذیل متن شامل کریں **# Welcome to your notebook**۔
1. `md` آئیکن کو منتخب کریں اور کچھ مارک ڈاؤن شامل کریں، اور درج ذیل متن لکھیں **# آپ کی نوٹس بک میں خوش آمدید**۔
پھر، کچھ Python کوڈ شامل کریں۔
1. کوڈ بلاک میں ٹائپ کریں **print('hello notebook')**۔
1. کوڈ بلاک میں **print('hello notebook')** ٹائپ کریں۔
1. کوڈ چلانے کے لیے تیر پر کلک کریں۔
آپ کو یہ پرنٹ شدہ عبارت دکھنی چاہیے:
آپ کو یہ پرنٹ شدہ بیان نظر آئے گا:
```output
hello notebook
```
آپ اپنے کوڈ کے ساتھ تبصرے شامل کر کے نوٹ بک خود دستاویزی بنا سکتے ہیں۔
آپ اپنے کوڈ کے ساتھ تبصرے بھی شامل کر کے نوٹس بک خود دستاویزی بنا سکتے ہیں۔
✅ ایک لمحہ سوچیں کہ ویب ڈویلپر کا کام کرنے کا ماحول ڈیٹا سائنسدان کے ماحول سے کتنا مختلف ہوتا ہے۔
✅ ایک منٹ کے لیے سوچیں کہ ویب ڈویلپر کا کام کرنے کا ماحول اور ڈیٹا سائنٹسٹ کا ماحول کتنا مختلف ہو سکتا ہے۔
## Scikit-learn کے ساتھ کام شروع کریں
## Scikit-learn کے ساتھ شروع کریں
اب جب Python آپ کے مقامی ماحول میں سیٹ اپ ہے، اور آپ Jupyter نوٹ بکس میں آرام دہ ہیں، تو آئیے Scikit-learn (جسے `sci` جیسا کہ `science` کہتے ہیں) کے ساتھ بھی اتنا ہی آرام دہ ہو جائیں۔ Scikit-learn ایک [وسیع API](https://scikit-learn.org/stable/modules/classes.html#api-ref) فراہم کرتا ہے جو آپ کو مشین لرننگ کے کام انجام دینے میں مدد دیتا ہے۔
اب جب کہ Python آپ کے مقامی ماحول میں سیٹ اپ ہے، اور آپ Jupyter نوٹس بکس سے واقف ہیں، آئیے Scikit-learn سے بھی ویسا ہی تعارف حاصل کریں (اسے 'sci' کہا جاتا ہے جیسا 'science' میں ہوتا ہے)۔ Scikit-learn آپ کو مشین لرننگ کے کام انجام دینے میں مدد کے لیے [وسیع API](https://scikit-learn.org/stable/modules/classes.html#api-ref) فراہم کرتا ہے۔
ان کی [ویب سائٹ](https://scikit-learn.org/stable/getting_started.html) کے مطابق، "Scikit-learn ایک اوپن سورس مشین لرننگ لائبریری ہے جو سپروائزڈ اور انسپروائزڈ لرننگ کی حمایت کرتی ہے۔ یہ ماڈل فٹنگ، ڈیٹا پری پروسیسنگ، ماڈل سلیکشن اور ایوالویشن، اور بہت سے دیگر آلات بھی فراہم کرتی ہے۔"
ان کی [ویب سائٹ](https://scikit-learn.org/stable/getting_started.html) کے مطابق، "Scikit-learn ایک اوپن سورس مشین لرننگ لائبریری ہے جو سپروائزڈ اور انسپروائزڈ لرننگ دونوں کی حمایت کرتی ہے۔ یہ ماڈل فٹنگ، ڈیٹا پری پروسیسنگ، ماڈل کے انتخاب اور جائزہ، اور دیگر کئی مفید آلات بھی فراہم کرتی ہے۔"
اس کورس میں، آپ Scikit-learn اور دیگر اوزار استعمال کر کے مشین لرننگ ماڈلز بنائیں گے تاکہ جو کام ہم 'روایتی مشین لرننگ' کہتے ہیں انجام دے سکیں۔ ہم نے جان بوجھ کر نیورل نیٹ ورکس اور ڈیپ لرننگ سے گریز کیا ہے کیونکہ وہ ہمارے آنے والے 'AI for Beginners' نصاب میں بہتر طور پر شامل کیے جائیں گے۔
اس کورس میں آپ مشین لرننگ ماڈلز بنانے کے لیے Scikit-learn اور دیگر آلات استعمال کریں گے تاکہ ہم 'روایتی مشین لرننگ' کے کام انجام دے سکیں۔ ہم نے جان بوجھ کے نیورل نیٹورکس اور ڈیپ لرننگ کو شامل نہیں کیا کیوں کہ وہ ہمارے آنے والے 'AI for Beginners' نصاب میں بہتر طور پر کور کیے جائیں گے۔
Scikit-learn ماڈلز بنانے اور ان کے استعمال کے لیے جائزہ لینے کو آسان بناتا ہے۔ یہ بنیادی طور پر عددی ڈیٹا استعمال کرتا ہے اور کئی تیار شدہ ڈیٹاسیٹس سیکھنے کے لیے فراہم کرتا ہے۔ اس میں طلباء کے لیے پر بنا ماڈلز بھی شامل ہیں جنہیں آزمایا جا سکتا ہے۔ آئیے پہلے پیک کیے ہوئے ڈیٹا کو لوڈ کرنے اور ایک بلٹ ان ایسٹی میٹر کے ساتھ Scikit-learn میں پہلا مشین لرننگ ماڈل بنانے کے عمل کو دریافت کریں۔
Scikit-learn ماڈلز بنانا اور ان کی جانچ کرنا آسان بناتا ہے۔ یہ بنیادی طور پر عددی ڈیٹا پر مرکوز ہے اور استعمال کے لیے کئی تیار ڈیٹاسیٹس بھی رکھتا ہے۔ اس کے ساتھ تیاری شدہ ماڈلز بھی شامل ہیں تاکہ طلباء آزما سکیں۔ آئیے پیکیجڈ ڈیٹا لوڈ کرنے اور بلٹ ان estimator استعمال کرنے کا عمل دیکھتے ہیں تاکہ Scikit-learn کے ساتھ اپنا پہلا مشین لرننگ ماڈل بنائیں۔
## مشق - آپ کی پہلی Scikit-learn نوٹ بک
## مشق - آپ کی پہلی Scikit-learn نوٹس بک
> یہ ٹیوٹوریل Scikit-learn کی ویب سائٹ پر موجود [لینیئر ریگریشن کی مثال](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) سے متاثر ہو کر بنایا گیا ہے۔
> یہ سبق Scikit-learn کی ویب سائٹ پر موجود [لینئر ریگریشن مثال](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) سے متاثر ہے۔
[](https://youtu.be/2xkXL5EUpS0 "نئے آنے والوں کے لیے ML - Python میں آپ کا پہلا لینیئر ریگریشن پروجیکٹ")
[](https://youtu.be/2xkXL5EUpS0 "مشین لرننگ ابتدائوں کے لیے - آپ کا پہلا لینئر ریگریشن پراجیکٹ پائتھون میں")
> 🎥 اس مشق کو کرتے ہوئے ایک مختصر ویڈیو کے لیے اوپر تصویر پر کلک کریں۔
> 🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ اس مشق کا ویڈیو دیکھیں۔
_notebook.ipynb_ فائل جو اس سبق سے منسلک ہے، کی تمام سیلز کو 'ٹراش کین' آئیکن دباکر صاف کریں۔
_notebook.ipynb_ فائل میں جڑی ہوئی اس سبق سے، تمام سیلز کو 'trash can' آئیکون دبا کر صاف کریں۔
اس سیکشن میں، آپ اس چھوٹے ڈیٹاسیٹ کے ساتھ کام کریں گے جو ڈایابیٹیز کے بارے میں ہے اور Scikit-learn میں سیکھنے کے لیے بنایا گیا ہے۔ تصور کریں کہ آپ ذیابیطس کے مریضوں کے علاج کی جانچ کرنا چاہتے ہیں۔ مشین لرننگ ماڈلز آپ کو مدد دے سکتے ہیں کہ کون سے مریض علاج کا بہتر جواب دیں گے، مختلف متغیرات کے امتزاج کی بنیاد پر۔ ایک بہت سادہ ریگریشن ماڈل بھی جب بصری شکل میں دکھایا جائے، تو ایسے متغیرات کی معلومات فراہم کر سکتا ہے جو آپ کے نظریاتی کلینیکل ٹرائلز کو بہتر منظم کرنے میں مددگار ہوں۔
اس حصے میں، آپ Scikit-learn میں تعلیمی مقصد کے لیے موجود ذیابیطس (diabetes) کے چھوٹے ڈیٹاسیٹ کے ساتھ کام کریں گے۔ تصور کریں کہ آپ ذیابیطس مریضوں کے علاج کی جانچ کرنا چاہتے ہیں۔ مشین لرننگ ماڈل آپ کو یہ تعین کرنے میں مدد دے سکتے ہیں کہ کون سے مریض علاج کے بہتر جواب دیں گے، مختلف متغیرات کے امتزاج پر مبنی۔ یہاں تک کہ ایک سادہ ریگریشن ماڈل بھی، جب بصری شکل میں دکھایا جائے، تو آپ کو ان متغیرات کی معلومات دے سکتا ہے جو آپ کے نظریاتی کلینکل ٹرائلز کی ترتیب میں مدد دے گا۔
✅ ریگریشن کے کئی طریقے ہیں، اور آپ کون سا منتخب کرتے ہیں یہ آپ کے مطلوبہ جواب پر منحصر ہے۔ اگر آپ کسی دیے گئے عمر کے شخص کی ممکنہ قد کی پیش گوئی کرنا چاہتے ہیں، تو آپ لینیئر ریگریشن استعمال کریں گے کیونکہ آپ ایک **عددی قدر** تلاش کر رہے ہیں۔ اگر آپ یہ جاننا چاہتے ہیں کہ کسی کھانے کی قسم ویگن کہلانی چاہیے یا نہیں، تو آپ ایک **زمرہ بندی** چاہتے ہیں، تو آپ لاجسٹک ریگریشن استعمال کریں گے۔ آپ لاجسٹک ریگریشن کے بارے میں بعد میں مزید سیکھیں گے۔ ڈیٹا سے پوچھے جانے والے کچھ سوالات کے بارے میں تھوڑا سوچیں، اور ان میں سے کون سا طریقہ زیادہ مناسب ہوگا۔
✅ ریگریشن کے کئی اقسام ہیں، اور آپ کون سی منتخب کرتے ہیں یہ اس جواب پر منحصر ہے جو آپ چاہتے ہیں۔ اگر آپ کسی شخص کی دی گئی عمر کے لیے ممکنہ قد کی پیش گوئی کرنا چاہتے ہیں تو آپ لینئر ریگریشن استعمال کریں گے کیونکہ آپ ایک **عددی قیمت** تلاش کر رہے ہیں۔ اگر آپ یہ معلوم کرنا چاہتے ہیں کہ کسی کھانے کی قسم ویگن کے زمرے میں آتی ہے یا نہیں، تو آپ **زمرہ بندی کا تعین** کر رہے ہیں، اس لیے آپ لوگسٹک ریگریشن استعمال کریں گے۔ آپ مزید بعد میں لوگسٹک ریگریشن کے بارے میں سیکھیں گے۔ کچھ سوالات کے بارے میں سوچیں جو آپ ڈیٹا سے پوچھ سکتے ہیں، اور کون سا طریقہ زیادہ مناسب ہوگا۔
آئیے اس کام کو شروع کریں۔
آئیں اس کام کو شروع کریں۔
### لائبریریاں درآمد کریں
اس کام کے لیے ہم کچھ لائبریریاں درآمد کریں گے:
- **matplotlib**۔ یہ ایک مفید [گراف بنانے والا آلہ](https://matplotlib.org/) ہے اور ہم اسے لائن پلاٹ بنانے کے لیے استعمال کریں گے۔
- **numpy**۔ [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) Python میں عددی ڈیٹا کے لیے ایک مفید لائبریری ہے۔
- **sklearn**۔ یہ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) لائبریری ہے۔
- **matplotlib**۔ یہ ایک مفید [گرافنگ آلہ](https://matplotlib.org/) ہے اور ہم اسے لائن پلاٹ بنانے کے لیے استعمال کریں گے۔
- **numpy**۔ [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) Python میں عددی ڈیٹا سنبھالنے کے لیے ایک مفید لائبریری ہے۔
- **sklearn**۔ یہ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) کی لائبریری ہے۔
اپنے کام کے لیے کچھ لائبریریاں درآمد کریں۔
اپنے کام کو آسان بنانے کے لیے کچھ لائبریریاں درآمد کریں۔
1. درج ذیل کوڈ ٹائپ کر کے امپورٹس شامل کریں:
1. درآمدات شامل کرنے کے لیے یہ کوڈ ٹائپ کریں:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ _notebook.ipynb_ فائل جو اس سبق سے منسلک ہے، کی تمام
from sklearn import datasets, linear_model, model_selection
```
اوپر آپ `matplotlib`,`numpy` درآمد کر رہے ہیں اور `sklearn` سے `datasets`, `linear_model` اور `model_selection` درآمد کر رہے ہیں۔ `model_selection` ڈیٹا کو ٹریننگ اور ٹیسٹ سیٹ میں تقسیم کرنے کے لیے استعمال ہوتا ہے۔
اوپر آپ `matplotlib`،`numpy` درآمد کر رہے ہیں اور `sklearn` سے `datasets`, `linear_model`, اور `model_selection` درآمد کر رہے ہیں۔ `model_selection` ڈیٹا کو تربیتی اور ٹیسٹ سیٹوں میں تقسیم کرنے کے لیے استعمال ہوتا ہے۔
### ذیابیطس کا ڈیٹاسیٹ
ان بلٹ [ذیابیطس ڈیٹاسیٹ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) میں ذیابیطس کے بارے میں 442 نمونے شامل ہیں، جن میں 10 فیچر متغیرات ہیں، جن میں سے کچھ یہ ہیں:
بلٹ ان [ذیابیطس کا ڈیٹاسیٹ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) میں 442 نمونے شامل ہیں، جن میں 10 فیچر ویریبلز ہیں، جن میں سے کچھ یہ ہیں:
- عمر: عمر سالوں میں
- bmi: جسمانی ماس انڈیکس
- bp: اوسط بلڈ پریشر
- s1 tc: ٹی سیلز (سفید خون کے خلیات کی ایک قسم)
- عمر: سالوں میں عمر
- بی ایم آئی: باڈی ماس انڈیکس
- بی پی: اوسط بلڈ پریشر
- s1 tc: ٹی سیلز (سفید خون کے سیلز کی ایک قسم)
✅ اس ڈیٹاسیٹ میں 'جنس' کا تصور بھی بطور فیچر متغیر شامل ہے جو ذیابیطس کی تحقیق کے لیے اہم ہے۔ بہت سے طبی ڈیٹاسیٹس میں اس قسم کی بائنری درجہ بندی شامل ہوتی ہے۔ تھوڑا سوچیں کہ اس طرح کی درجہ بندیاں کسی آبادی کے کچھ حصے کو علاج سے کیسے خارج کر سکتی ہیں۔
✅ اس ڈیٹاسیٹ میں 'جنس' کا تصور ایک اہم فیچر ویریبل کی حیثیت سے شامل ہے جو ذیابیطس تحقیق کے لیے اہم ہے۔ بہت سے طبی ڈیٹاسیٹس این طرح کی بائنری درجہ بندی شامل کرتے ہیں۔ سوچیں کہ ایسی درجہ بندیاں کس طرح آبادی کے کچھ حصوں کو علاج سے خارج کر سکتی ہیں۔
اب، X اور y ڈیٹا لوڈ کریں۔
> 🎓 یاد رکھیں، یہ سپروائزڈ لرننگ ہے، اور ہمیں ایک نامزد 'y' ہدف کی ضرورت ہے۔
> 🎓 یاد رکھیں، یہ سپروائزڈ لرننگ ہے، اور ہمیں ایک نامزد 'y' ہدف چاہیے۔
ایک نئے کوڈ سیل میں، `load_diabetes()` کال کرکے ذیابیطس ڈیٹاسیٹ لوڈ کریں۔ ان پٹ `return_X_y=True`سے اشارہ ملتا ہے کہ `X` ایک ڈیٹا میٹرکس ہوگا، اور `y` ریگریشن کا ہدف ہوگا۔
ایک نئے کوڈ سیل میں، `load_diabetes()` کال کرکے ذیابیطس کا ڈیٹاسیٹ لوڈ کریں۔ ان پٹ `return_X_y=True`اس بات کی نشاندہی کرتا ہے کہ `X` ڈیٹا میٹرکس ہوگی اور `y` ریگریشن ٹارگٹ۔
1. ڈیٹا میٹرکس کی شکل اور اس کے پہلے عنصر کو دکھانے کے لیے کچھ پرنٹ کمانڈز شامل کریں:
1. کچھ پرنٹ کمانڈز شامل کریں تاکہ ڈیٹا میٹرکس کی شکل اور اس کا پہلا عنصر دکھایا جا سکے:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ _notebook.ipynb_ فائل جو اس سبق سے منسلک ہے، کی تمام
print(X[0])
```
جو جواب آپ کو مل رہا ہے وہ ایک ٹپل ہے۔ آپ ٹپل کی پہلی دو قدروں کو بالترتیب `X` اور `y` کو تفویض کر رہے ہیں۔ ٹپلز کے بارے میں مزید جانیں [یہاں](https://wikipedia.org/wiki/Tuple)۔
جو آپ کو واپس مل رہا ہے وہ ایک ٹپل ہے۔ آپ ٹپل کے پہلے دو اقدار کو بالترتیب `X` اور `y` کو تفویض کر رہے ہیں۔ [ٹپلز](https://wikipedia.org/wiki/Tuple) کے بارے میں مزید جانیں۔
آپ دیکھ سکتے ہیں کہ اس ڈیٹا میں 442 آئٹمز ہیں جو 10 عناصر کے ارے کی شکل میں ہیں:
آپ دیکھ سکتے ہیں کہ اس ڈیٹا میں 442 آیٹمز ہیں جو 10 عناصر کے arrays میں شکل دی گئی ہیں:
```text
(442, 10)
@ -160,39 +160,39 @@ _notebook.ipynb_ فائل جو اس سبق سے منسلک ہے، کی تمام
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ تھوڑا سوچیں کہ ڈیٹا اور ریگریشن ہدف کے درمیان کیا تعلق ہے۔ لینیئر ریگریشن خصوصیت X اور ہدف متغیر y کے درمیان تعلقات کی پیش گوئی کرتا ہے۔ کیا آپ دستاویزات میں ذیابیطس ڈیٹاسیٹ کے [ہدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) کو تلاش کر سکتے ہیں؟ یہ ڈیٹاسیٹ اس ہدف کے تناظر میں کیا مظاہرہ کر رہا ہے؟
✅ تھوڑا سوچیں کہ ڈیٹا اور ریگریشن ٹارگٹ کے تعلقات کے بارے میں۔ لینئر ریگریشن فیچر X اور ہدف y کے درمیان تعلقات کی پیش گوئی کرتا ہے۔ کیا آپ دستاویزات میں ذیابیطس ڈیٹاسیٹ کے [ہدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) کو دیکھ سکتے ہیں؟ اس ڈیٹاسیٹ سے کیا ظاہر ہوتا ہے؟
2. اب، اس ڈیٹاسیٹ کے ایک حصے کو منتخب کریں تاکہ آپ اسے پلاٹ کر سکیں، اس کے لیے ڈیٹاسیٹ کا تیسرا کالم منتخب کریں۔ آپ `:` آپریٹر استعمال کر کے تمام قطاریں منتخب کر سکتے ہیں، اور پھر انڈیکس (2) سے تیسرا کالم منتخب کریں۔ آپ اسے 2D ارے میں بھی ری شیپ کر سکتے ہیں، جیسا کہ پلاٹنگ کے لیے درکار ہوتا ہے، `reshape(n_rows, n_columns)` کے ذریعے۔ اگر کسی پیرامیٹر کی قیمت -1 ہے، تو متعلقہ جہت خود بخود کیلکولیٹ ہو جاتی ہے۔
2. اب اس ڈیٹاسیٹ کے ایک حصے کو پلاٹ کرنے کے لیے تیسری کالم کو منتخب کریں۔ آپ تمام قطاروں کا انتخاب کرنے کے لیے `:` آپریٹر استعمال کر سکتے ہیں، پھر انڈیکس (2) کے ذریعے تیسری کالم منتخب کریں۔ آپ `reshape(n_rows, n_columns)` استعمال کر کے ڈیٹا کو 2D ارے کی شکل دے سکتے ہیں، جیسا کہ پلاٹنگ کے لیے ضروری ہے۔ اگر ایک پیرامیٹر -1 ہے تو متعلقہ سمت خود بخود حساب کی جاتی ہے۔
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ کسی بھی وقت، ڈیٹا کی شکل چیک کرنے کے لیے اسے پرنٹ کریں۔
✅ کسی بھی وقت ڈیٹا کو پرنٹ کر کے اس کی شکل چیک کریں۔
3. اب جب کہ آپ کے پاس پلاٹ کرنے کے لیے ڈیٹا تیار ہے، دیکھیں کہ کیا کوئی مشین اس ڈیٹاسیٹ میں اعداد کے درمیان منطقی تقسیم کا تعین کرنے میں مدد کر سکتی ہے۔ ایسا کرنے کے لیے، آپ کو ڈیٹا (X) اور ہدف (y) دونوں کو ٹیسٹ اور ٹریننگ سیٹ میں تقسیم کرنا ہوگا۔ Scikit-learn اس کا ایک سادہ طریقہ فراہم کرتا ہے؛ آپ اپنے ٹیسٹ ڈیٹا کو ایک مخصوص نقطہ پر تقسیم کر سکتے ہیں۔
3. اب جب آپ کے پاس پلاٹ کرنے کے لیے ڈیٹا تیار ہے، دیکھیں کہ مشین اس ڈیٹاسیٹ کے نمبروں کے درمیان منطقی تقسیم کا تعین کر سکتی ہے یا نہیں۔ ایسا کرنے کے لیے، آپ کو ڈیٹا (X) اور ہدف (y) دونوں کو ٹیسٹ اور تربیتی سیٹوں میں تقسیم کرنا ہوگا۔ Scikit-learn اس کا آسان طریقہ فراہم کرتا ہے؛ آپ اپنے ٹیسٹ ڈیٹا کو ایک مخصوص نقطہ پر تقسیم کر سکتے ہیں۔
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. اب آپ اپنے ماڈل کو تربیت دینے کے لیے تیار ہیں! لینیئر ریگریشن ماڈل لوڈ کریں اور `model.fit()` استعمال کر کے اپنے X اور y کے ٹریننگ سیٹ پر اس کی تربیت کریں:
4. اب آپ ماڈل کو تربیت دینے کے لیے تیار ہیں! لینئر ریگریشن ماڈل لوڈ کریں اور اپنے X اور y تربیتی سیٹ کے ساتھ `model.fit()` استعمال کرتے ہوئے اسے تربیت دیں:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` ایک فنکشن ہے جو آپ کئی ML لائبریریوں جیسے TensorFlow میں دیکھیں گے۔
✅ `model.fit()` ایک فنکشن ہے جو آپ کو کئی مشین لرننگ لائبریریوں جیسے TensorFlow میں نظر آئے گا۔
5. پھر، ٹیسٹ ڈیٹا استعمال کرکے پیش گوئی کریں، `predict()` فنکشن استعمال کرتے ہوئے۔ یہ ماڈل کے ڈیٹا گروپس کے درمیان لائن کھینچنے کے لیے استعمال ہوگا۔
5. پھر، ٹیسٹ ڈیٹا استعمال کرکے پیش گوئی کریں، `predict()` فنکشن استعمال کریں۔ یہ ماڈل کے ڈیٹاگرپس کے درمیان لائن کھینچنے کے لیے استعمال ہوگا۔
```python
y_pred = model.predict(X_test)
```
6. اب وقت ہے کہ ڈیٹا کو پلاٹ میں دکھائیں۔ Matplotlib اس کام کے لیے بہت مفید آلہ ہے۔ تمام X اور y کے ٹیسٹ ڈیٹا کا اسکٹرپلاٹ بنائیں، اور پیش گوئی کا استعمال کر کے ماڈل کے ڈیٹا گروپس کے درمیان سب سے مناسب جگہ لائن کھینچیں۔
6. اب ڈیٹا کو پلاٹ میں دکھانے کا وقت ہے۔ Matplotlib اس کام کے لیے بہت مفید ٹول ہے۔ تمام X اور y ٹیسٹ ڈیٹا سے سکریٹرپلاٹ بنائیں، اور پیش گوئی کو استعمال کر کے ماڈل کے ڈیٹا گروپس کے درمیان موزوں جگہ پر ایک لائن کھینچیں۔
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ _notebook.ipynb_ فائل جو اس سبق سے منسلک ہے، کی تمام
plt.show()
```
✅ تھوڑا سوچیں کہ یہاں کیا ہو رہا ہے۔ ایک سیدھی لائن بہت سے چھوٹے نقاط سے گزر رہی ہے، لیکن یہ بالکل کیا کر رہی ہے؟ کیا آپ دیکھ سکتے ہیں کہ اس لائن کی مدد سے آپ نئے، دیکھے نہ گئے ڈیٹا پوائنٹ کو پلاٹ کے y محور کے تعلق سے کہاں فٹ ہونا چاہیے پیش گوئی کر سکیں گے؟ اس ماڈل کے عملی استعمال کو الفاظ میں بیان کرنے کی کوشش کریں۔
✅ یہاں جو کچھ ہو رہا ہے اس کے بارے میں تھوڑی سوچیں۔ ایک سیدھی لائن بہت سے چھوٹے ڈیٹا پوائنٹس کے ایک راستے سے گزر رہی ہے، لیکن یہ بالکل کیا کر رہی ہے؟ کیا آپ دیکھ سکتے ہیں کہ آپ کو اس لائن کو کیسے استعمال کرنا چاہیے تاکہ پیش گوئی کی جا سکے کہ ایک نیا، نا دیکھا ہوا ڈیٹا پوائنٹ پلاٹ کی y محور کے لحاظ سے کہاں فٹ ہوگا؟ اس ماڈل کے عملی استعمال کو الفاظ میں بیان کرنے کی کوشش کریں۔
مبارک ہو، آپ نے اپنا پہلا لینیئر ریگریشن ماڈل تیار کیا، اس کے ساتھ پیش گوئی کی، اور اسے ایک پلاٹ میں دکھایا!
مبارک ہو، آپ نے اپنا پہلا لینئر ریگریشن ماڈل بنایا، اس سے پیش گوئی کی، اور پلاٹ میں دکھایا!
---
## 🚀چیلنج
اس ڈیٹا سیٹ سے کوئی مختلف متغیر پلاٹ کریں۔ اشارہ: اس لائن کو ترمیم کریں: `X = X[:,2]`۔ اس ڈیٹا سیٹ کے ہدف کے پیش نظر، آپ ذیابیطس کو ایک بیماری کے طور پر کس طرح ترقی پذیر دیکھ سکتے ہیں؟
## [لیکچر کے بعد کوئز](https://ff-quizzes.netlify.app/en/ml/)
اس ڈیٹاسیٹ کا کوئی دوسرا ویریبل پلاٹ کریں۔ اشارہ: اس لائن کو ترمیم کریں: `X = X[:,2]`۔ اس ڈیٹاسیٹ کے ہدف کو دیکھتے ہوئے، آپ ذیابیطس کے مرض کے ارتقاء کے بارے میں کیا دریافت کر سکتے ہیں؟
اس ٹیوٹوریل میں، آپ نے سادہ لینیئر ریگریشن کے ساتھ کام کیا، نہ کہ یونی وریٹ یا ملٹی پل لینیئر ریگریشن کے ساتھ۔ ان طریقوں کے درمیان فرق کے بارے میں تھوڑا پڑھیں، یا [اس ویڈیو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) کو دیکھیں۔
اس سبق میں، آپ نے سادہ لینئر ریگریشن کے ساتھ کام کیا، نہ کہ یک متغیری یا کثیر متغیری لینئر ریگریشن کے ساتھ۔ ان طریقوں کے فرق کے بارے میں کچھ پڑھیں، یا اس [ویڈیو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) کو دیکھیں۔
ریگریشن کے تصور کے بارے میں مزید پڑھیں اور سوچیں کہ اس تکنیک سے کس قسم کے سوالات کے جوابات دیے جا سکتے ہیں۔ اپنی سمجھ کو گہرا کرنے کے لیے [یہ ٹیوٹوریل](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) کریں۔
رجریشن کے تصور کے بارے میں مزید پڑھیں اور غور کریں کہ اس تکنیک سے کس قسم کے سوالات کے جواب دیے جا سکتے ہیں۔ اپنی سمجھ کو گہرا کرنے کے لیے یہ [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) لیں۔
کلسٹرنگ مشین لرننگ کا ایک ایسا کام ہے جس میں اشیاء کو تلاش کیا جاتا ہے جو ایک دوسرے سے مشابہت رکھتی ہیں اور انہیں کلسٹرز کہلانے والے گروپس میں تقسیم کیا جاتا ہے۔ کلسٹرنگ کو مشین لرننگ کے دیگر طریقوں سے جو چیز مختلف بناتی ہے وہ یہ ہے کہ یہ عمل خودکار طور پر ہوتا ہے۔ حقیقت میں، یہ کہنا مناسب ہوگا کہ یہ سپروائزڈ لرننگ کے بالکل برعکس ہے۔
کلسٹرنگ مشین لرننگ کا ایک کام ہے جہاں اس کا مقصد ایک دوسرے سے ملتے جلتے اشیاء کو تلاش کرنا اور انہیں خوشہ جات کہلانے والے گروپس میں جمع کرنا ہوتا ہے۔ جو چیز کلسٹرنگ کو مشین لرننگ کے دیگر طریقوں سے مختلف کرتی ہے، وہ یہ ہے کہ یہ کام خودکار طریقے سے ہوتا ہے، حقیقت میں، یہ کہنا مناسب ہوگا کہ یہ نگرانی شدہ لرننگ کا الٹ ہے۔
## علاقائی موضوع: نائجیریا کے سامعین کے موسیقی کے ذوق کے لیے کلسٹرنگ ماڈلز 🎧
نائجیریا کے متنوع سامعین کے موسیقی کے ذوق بھی متنوع ہیں۔ اس سلسلے میں، Spotify سے حاصل کردہ ڈیٹا کا استعمال کرتے ہوئے (جیسا کہ [اس مضمون](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) سے متاثر ہو کر)، آئیے نائجیریا میں مقبول موسیقی پر نظر ڈالیں۔ اس ڈیٹا سیٹ میں مختلف گانوں کے 'ڈانس ایبلٹی' اسکور، 'اکوسٹکنیس'، آواز کی بلندی، 'اسپیچنیس'، مقبولیت اور توانائی کے بارے میں معلومات شامل ہیں۔ اس ڈیٹا میں پیٹرنز دریافت کرنا دلچسپ ہوگا!
نائجیریا کے متنوع سامعین کے متنوع موسیقی کے ذوق ہیں۔ اسپاٹیفائی سے سکریپ کی گئی ڈیٹا (اس [مضمون](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) سے متاثر ہو کر) کا استعمال کرتے ہوئے، آئیے نائجیریا میں مقبول موسیقی کو دیکھتے ہیں۔ اس ڈیٹا سیٹ میں مختلف گانوں کے 'ڈانس ایبلٹی' اسکور، 'ایکوسٹکنیس'، بلند آواز، 'اسپیچی نیس'، مقبولیت اور توانائی کے بارے میں معلومات شامل ہیں۔ اس ڈیٹا میں پیٹرن دریافت کرنا دلچسپ ہوگا!
> تصویر از<ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">مارسیلا لاسکوسکی</a>،<ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> پر
ان اسباق کی سیریز میں، آپ کلسٹرنگ تکنیکوں کا استعمال کرتے ہوئے ڈیٹا کا تجزیہ کرنے کے نئے طریقے دریافت کریں گے۔ کلسٹرنگ خاص طور پر اس وقت مفید ہوتی ہے جب آپ کے ڈیٹا سیٹ میں لیبلز نہ ہوں۔ اگر لیبلز موجود ہوں، تو پچھلے اسباق میں سیکھے گئے کلاسیفکیشن تکنیک زیادہ مفید ہو سکتی ہیں۔ لیکن ان صورتوں میں جہاں آپ بغیر لیبل والے ڈیٹا کو گروپ کرنا چاہتے ہیں، کلسٹرنگ پیٹرنز دریافت کرنے کا ایک بہترین طریقہ ہے۔
اس اسباق کی سیریز میں، آپ کلسٹرنگ تکنیکس کا استعمال کرتے ہوئے ڈیٹا کا تجزیہ کرنے کے نئے طریقے دریافت کریں گے۔ جب آپ کے ڈیٹا سیٹ میں لیبلز نہیں ہوتے تو کلسٹرنگ خاص طور پر مفید ہوتی ہے۔ اگر اس میں لیبلز ہوں، تو پچھلے اسباق میں سیکھی گئی درجہ بندی کی تکنیکس زیادہ مفید ہو سکتی ہیں۔ لیکن ایسے معاملات میں جب آپ بغیر لیبل والے ڈیٹا کو گروپ کرنا چاہتے ہیں، کلسٹرنگ پیٹرنز دریافت کرنے کا ایک بہترین طریقہ ہے۔
> ایسے مفید لو-کوڈ ٹولز موجود ہیں جو آپ کو کلسٹرنگ ماڈلز کے ساتھ کام کرنے کے بارے میں سیکھنے میں مدد دے سکتے ہیں۔ اس کام کے لیے [Azure ML آزمائیں](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> ایسے مفید لوکوڈ ٹولز موجود ہیں جو آپ کو کلسٹرنگ ماڈلز کے ساتھ کام سیکھنے میں مدد دے سکتے ہیں۔ اس کام کے لیے [Azure ML آزما کر دیکھیں](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## اسباق
1. [کلسٹرنگ کا تعارف](1-Visualize/README.md)
2. [کے-میینز کلسٹرنگ](2-K-Means/README.md)
2. [کے-مینز کلسٹرنگ](2-K-Means/README.md)
## کریڈٹس
یہ اسباق 🎶 کے ساتھ [جن لوپر](https://www.twitter.com/jenlooper) نے لکھے ہیں، اور ان پر [رشیت داگلی](https://rishit_dagli) اور [محمد ثاقب خان عنان](https://twitter.com/Sakibinan) کی مددگار نظرثانی شامل ہے۔
یہ اسباق 🎶 [جن لوپر](https://www.twitter.com/jenlooper) نے تحریر کیے ہیں جنہیں [رشیت ڈاگلی](https://rishit_dagli/) اور [محمد ساکب خان انان](https://twitter.com/Sakibinan) کی مددگار جائزوں نے بہتر بنایا۔
[Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ڈیٹا سیٹ Kaggle سے حاصل کیا گیا ہے، جو Spotify سے حاصل کردہ ہے۔
[نائجیریائی گانوں](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) کا ڈیٹا سیٹ کگل سے حاصل کیا گیا تھا جو اسپاٹیفائی سے سکریپ کیا گیا تھا۔
کے-میینز کے مفید مثالیں جنہوں نے اس سبق کو تخلیق کرنے میں مدد دی، ان میں یہ [آئرس ایکسپلوریشن](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering)، یہ [تعارفی نوٹ بک](https://www.kaggle.com/prashant111/k-means-clustering-with-python)، اور یہ [فرضی این جی او مثال](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) شامل ہیں۔
مفید کے-مینز مثالیں جنہوں نے اس سبق کے تخلیق میں مدد کی، ان میں یہ [آئرس ایکسپلوریشن](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering)، یہ [تعارفی نوٹ بک](https://www.kaggle.com/prashant111/k-means-clustering-with-python)، اور یہ [خیالی NGO کی مثال](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) شامل ہیں۔
---
**ڈسکلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ڈس کلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔
وقت کے سلسلے کی پیش گوئی کیا ہے؟ یہ ماضی کے رجحانات کا تجزیہ کرکے مستقبل کے واقعات کی پیش گوئی کرنے کے بارے میں ہے۔
وقت کی سلسلہ پیش گوئی کیا ہے؟ یہ ماضی کے رجحانات کا تجزیہ کرکے مستقبل کے واقعات کی پیش گوئی کرنے کے بارے میں ہے۔
## علاقائی موضوع: دنیا بھر میں بجلی کا استعمال ✨
ان دو اسباق میں، آپ کو وقت کے سلسلے کی پیش گوئی سے متعارف کرایا جائے گا، جو مشین لرننگ کا ایک نسبتاً کم معروف شعبہ ہے لیکن صنعت اور کاروباری ایپلیکیشنز سمیت دیگر شعبوں کے لیے بے حد قیمتی ہے۔ اگرچہ نیورل نیٹ ورکس ان ماڈلز کی افادیت کو بڑھانے کے لیے استعمال کیے جا سکتے ہیں، ہم انہیں کلاسیکل مشین لرننگ کے تناظر میں مطالعہ کریں گے کیونکہ یہ ماڈلز ماضی کی بنیاد پر مستقبل کی کارکردگی کی پیش گوئی کرنے میں مدد کرتے ہیں۔
ان دو اسباق میں، آپ کو وقت کی سلسلہ پیش گوئی سے روشناس کرایا جائے گا، جو مشین لرننگ کا ایک کم معروف لیکن صنعت اور کاروباری ایپلیکیشنز سمیت دیگر میدانوں میں انتہائی قیمتی شعبہ ہے۔ اگرچہ نیورل نیٹ ورکس کا استعمال ان ماڈلز کی افادیت بڑھانے کے لیے کیا جا سکتا ہے، ہم انہیں کلاسیکی مشین لرننگ کے تناظر میں پڑھیں گے کیونکہ ماڈلز ماضی کی بنیاد پر مستقبل کی کارکردگی کی پیش گوئی میں مدد دیتے ہیں۔
ہمارا علاقائی فوکس دنیا میں بجلی کے استعمال پر ہے، ایک دلچسپ ڈیٹا سیٹ جو ماضی کے لوڈ کے نمونوں کی بنیاد پر مستقبل کی بجلی کی کھپت کی پیش گوئی کرنے کے بارے میں سیکھنے کے لیے ہے۔ آپ دیکھ سکتے ہیں کہ اس قسم کی پیش گوئی کاروباری ماحول میں کتنی مددگار ثابت ہو سکتی ہے۔
ہمارا علاقائی توجہ دنیا میں بجلی کے استعمال پر ہے، ایک دلچسپ ڈیٹا سیٹ جو ماضی کے لوڈ کے نمونوں کی بنیاد پر مستقبل میں بجلی کے استعمال کی پیش گوئی سیکھنے کے لئے ہے۔ آپ دیکھ سکتے ہیں کہ اس قسم کی پیش گوئی ایک کاروباری ماحول میں کتنی مددگار ثابت ہو سکتی ہے۔
تصویر [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) کی، جو راجستھان کی ایک سڑک پر بجلی کے ٹاورز کی ہے، [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) پر۔
تصویر [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) کی ہے جو راجستھان کی سڑک پر بجلی کے ٹاورز کی ہے [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) سے
## اسباق
1. [وقت کے سلسلے کی پیش گوئی کا تعارف](1-Introduction/README.md)
2. [ARIMA وقت کے سلسلے کے ماڈلز بنانا](2-ARIMA/README.md)
3. [وقت کے سلسلے کی پیش گوئی کے لیے سپورٹ ویکٹر ریگریسر بنانا](3-SVR/README.md)
1. [وقت کی سلسلہ پیش گوئی کا تعارف](1-Introduction/README.md)
2. [ARIMA وقت کی سلسلہ ماڈلز بنانا](2-ARIMA/README.md)
3. [وقت کی سلسلہ پیش گوئی کے لیے سپورٹ ویکٹر ریگریسر بنانا](3-SVR/README.md)
## کریڈٹس
"وقت کے سلسلے کی پیش گوئی کا تعارف" ⚡️ کے ساتھ [Francesca Lazzeri](https://twitter.com/frlazzeri) اور [Jen Looper](https://twitter.com/jenlooper) نے لکھا۔ نوٹ بکس پہلی بار [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) میں آن لائن شائع ہوئیں، جو اصل میں Francesca Lazzeri نے لکھی تھیں۔ SVR سبق [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) نے لکھا۔
"وقت کی سلسلہ پیش گوئی کا تعارف" ⚡️ کے ساتھ [Francesca Lazzeri](https://twitter.com/frlazzeri) اور [Jen Looper](https://twitter.com/jenlooper) نے لکھا۔ نوٹ بکس پہلی بار آن لائن [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) میں شائع ہوا جو اصل میں Francesca Lazzeri نے لکھا تھا۔ SVR سبق [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) نے لکھا تھا۔
---
**ڈس کلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے پوری کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا خامیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ڈس کلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔
ہمارے پاس AI کے ساتھ ایک Discord سیکھنے کی سیریز جاری ہے، مزید معلومات حاصل کریں اور 18 سے 30 ستمبر، 2025 تک ہمارے ساتھ شامل ہوں [Learn with AI Series](https://aka.ms/learnwithai/discord) پر۔ آپ GitHub Copilot کو ڈیٹا سائنس کے لیے استعمال کرنے کے لیے ٹپس اور ٹرکس حاصل کریں گے۔
ہمارے پاس Discord پر Learn with AI سیریز جاری ہے، مزید جاننے اور شامل ہونے کے لیے [Learn with AI Series](https://aka.ms/learnwithai/discord) پر جائیں 18 - 30 ستمبر، 2025۔ آپ کو GitHub Copilot کے ڈیٹا سائنس میں استعمال کے نکات اور ترکیبیں ملیں گی۔
# مشین لرننگ برائے مبتدی - ایک نصاب
# مشین لرننگ برای مبتدیان - ایک نصاب
> 🌍 دنیا بھر کا سفر کرتے ہوئے ہم دنیا کی ثقافتوں کے ذریعے مشین لرننگ کو دریافت کرتے ہیں 🌍
> 🌍 دنیا بھر کے ثقافتوں کے ذریعے مشین لرننگ کا سفر کریں 🌍
مائیکروسافٹ کے کلاؤڈ ایڈووکیٹس خوش ہیں کہ وہ 12 ہفتوں، 26 اسباق پر محیط ایک نصاب پیش کرتے ہیں جو مکمل طور پر **مشین لرننگ** کے بارے میں ہے۔ اس نصاب میں، آپ کو جو کبھی کبھی **روایتی مشین لرننگ** کہا جاتا ہے، بنیادی طور پر Scikit-learn لائبریری کا استعمال کرتے ہوئے اور ڈیپ لرننگ سے پرہیز کرتے ہوئے سیکھنے کو ملے گا، جو ہمارے [AI for Beginners' نصاب](https://aka.ms/ai4beginners) میں شامل ہے۔ ان اسباق کو ہمارے ['Data Science for Beginners' نصاب](https://aka.ms/ds4beginners) کے ساتھ جوڑیں، بھی!
مائیکروسافٹ کے کلاؤڈ ایڈووکیٹس خوشی سے 12 ہفتوں، 26 اسباق کا نصاب پیش کرتے ہیں جو مکمل طور پر **مشین لرننگ** پر مشتمل ہے۔ اس نصاب میں آپ کو بعض اوقات پہچانے جانے والے **کلاسیکی مشین لرننگ** کے بارے میں سیکھنے کو ملے گا، جو زیادہ تر Scikit-learn لائبریری استعمال کرتا ہے اور گہرے سیکھنے (Deep Learning) سے بچتا ہے، جو ہمارے [AI for Beginners' curriculum](https://aka.ms/ai4beginners) میں شامل ہے۔ اس نصاب کو ہمارے ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) کے ساتھ جوڑیں!
ہمارے ساتھ دنیا بھر کا سفر کریں جب ہم ان کلاسیکی تکنیکوں کو دنیا کے مختلف علاقوں کے ڈیٹا پر لاگو کرتے ہیں۔ ہر سبق میں پری اور پوسٹ-سبق کوئزز، سبق مکمل کرنے کے لیے تحریری ہدایات، حل، ایک اسائنمنٹ، اور مزید شامل ہیں۔ ہمارا پروجیکٹ پر مبنی طریقہ تعلیم آپ کو سیکھتے ہوئے تعمیر کرنے کی اجازت دیتا ہے، جو نئی مہارتوں کو مضبوط بنانے کا ثابت شدہ طریقہ ہے۔
ہمارے ساتھ دنیا بھر کی معلومات پر کلاسیکی تکنیکوں کا اطلاق کرتے ہوئے سفر کریں۔ ہر سبق میں پیشگی اور بعد از سبق کوئزز، تحریری ہدایات، حل، مشق اور مزید شامل ہوتے ہیں۔ ہمارا پراجيکٹ پر مبنی طریقہ علم حاصل کرنے اور بنانے کا ایک ثابت شدہ طریقہ ہے جو نئے ہنر کو مضبوط بناتا ہے۔
**✍️ ہمارے مصنفین کا دل سے شکریہ** جین لوپر، سٹیفن ہوویل، فرانسیسکا لازیری، ٹومومی ایمورا، کیسی بریویو، دمتری سوشنکوف، کرس نورنگ، انربن مکھرجی، اورنیلا التونیان، روتھ یاکوبو اور ایمی بوئڈ
**✍️ ہمارے مصنفین کا دلی شکریہ** جن لوپر، سٹیفن ہاؤل، فرانسسکا لازیری، ٹومومی امورا، کیسی بریو، دمتری سوشنیکوف، کرس نورنگ، انربن مکھرجی، اورنیلا الٹیونین، روتھ یاکوبو اور ایمی بوئڈ
**🎨 شکریہ بھی ہمارے مصوروں کو** ٹومومی ایمورا، دسانی مادیپالی، اور جین لوپر
**🎨 ہمارے مصوروں کا بھی شکریہ** ٹومومی امورا، داسانی مادیپالی، اور جن لوپر
**🙏 خاص طور پر شکریہ 🙏 ہماری مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈر مصنفین، جائزہ لینے والوں، اور مواد کے تعاون دینے والوں کو، خاص طور پر رشیّت ڈاکلی، محمد ساقب خان اینان، روہن راج، الیگزانڈرو پیٹریسکو، ابھیشیک جیسوال، نَوْرِن طبعسم، ایوان سمویلا، اور سنگدھا اگروال**
**🙏 خاص شکریہ 🙏 ہمارے مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈر مصنفین، جائزہ لینے والوں اور مواد فراہم کرنے والوں کو** خاص طور پر رشیت ڈاگلی، محمد ساکب خان اینان، روہن راج، الیگزینڈرو پیٹریسکو، ابھیشیک جیسوال، نوورین تبسم، ایوان سیمیلا، اور سگھنڈھا اگروال
**🤩 اضافی شکریہ مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈرز ایرک ونجاؤ، جزلین سونڈی، اور ودوشی گپتا کو ہمارے آر اسباق کے لیے!**
**🤩 اور خصوصی شکریہ ہمارے مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈرز ایرک وانجاؤ، جیسلین سونڈی، اور ویدوشی گپتا کو R سبق کے لیے!**
# شروعات
# شروع کریں
ان مراحل پر عمل کریں:
1. **ریپوزیٹری کو فورک کریں**: اس صفحے کے اوپری دائیں کونے میں "Fork" بٹن پر کلک کریں۔
2. **ریپوزیٹری کو کلون کریں**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
ان مراحل کی پیروی کریں:
1. **ریپوزیٹری فورک کریں**: اس صفحہ کے اوپری دائیں جانب "Fork" بٹن پر کلک کریں۔
> [اس کورس کے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **تیز آغاز کا اشارہ:** کیا آپ کسی براؤزر میں شروع کرنا چاہتے ہیں بغیر لوکل طور پر Python سیٹ اپ کیے؟ اپنے فورک کے لئے کلاؤڈ ڈیولپمنٹ ماحول بنانے کے لیے [GitHub Codespaces](https://github.com/features/codespaces) استعمال کریں۔ سبز **Code** مینو کھولیں، **Codespaces** منتخب کریں، اور ایک codespace بنائیں؛ ہر سبق کی ضروری dependencies اس میں انسٹال کریں۔
> [اس کورس کے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں دیکھیں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **مدد چاہیے؟** عام مسائل جیسے تنصیب، سیٹ اپ، اور اسباق چلانے کے حل کے لیے ہمارا [مسائل حل کرنے کا گائیڈ](TROUBLESHOOTING.md) دیکھیں۔
> 🔧 **مدد چاہیے؟** عام مسائل کے حل کے لیے ہمارا [Troubleshooting Guide](TROUBLESHOOTING.md) دیکھیں، خاص طور پر تنصیب، کنفیگریشن، اور سبق چلانے سے متعلق۔
**[طلباء](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لیے اپنی GitHub اکاؤنٹ پر مکمل ریپو کو فورک کریں اور مشقیں خود یا کسی گروپ کے ساتھ مکمل کریں:
**[طلباء](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لیے، پورا ریپو اپنے GitHub اکاؤنٹ پر فورک کریں اور مشقیں خود یا گروپ کے ساتھ مکمل کریں:
- پری لیکچر کوئز سے شروع کریں۔
- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر علم کی جانچ پر توقف اور غور کریں۔
- اسباق کو سمجھ کے پروجیکٹس بنانے کی کوشش کریں نہ کہ حل کے کوڈ کو چلانے کی؛ البتہ وہ کوڈ ہر پروجیکٹ پر مبنی سبق کے `/solution` فولڈرز میں دستیاب ہے۔
- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر knowledge check پر رک کر غور کریں۔
- حل کوڈ چلانے کی بجائے سبق کو سمجھ کر پروجیکٹس بنانے کی کوشش کریں؛ تاہم وہ کوڈ ہر پروجیکٹ کے `/solution` فولڈرز میں دستیاب ہے۔
- پوسٹ لیکچر کوئز دیں۔
- چیلنج مکمل کریں۔
- اسائنمنٹ مکمل کریں۔
- ایک سبق گروپ مکمل کرنے کے بعد، [بحث بورڈ](https://github.com/microsoft/ML-For-Beginners/discussions) پر جائیں اور "آواز بلند کرکے سیکھیں" مناسب PAT روبریک بھر کر۔ 'PAT' ایک پروگریس اسیسمنٹ ٹول ہے جو آپ اپنی سیکھ کے لیے بھرنے والے روبریک ہوتے ہیں۔ آپ دوسروں کے PATs پر بھی ردعمل دے سکتے ہیں تاکہ ہم سب ساتھ سیکھ سکیں۔
- سبق گروپ مکمل کرنے کے بعد، [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) پر جائیں اور مناسب PAT روبریک بھر کر "голос سے سیکھیں"۔ 'PAT' ایک Progress Assessment Tool ہے جو آپ کی تعلیم کو آگے بڑھاتا ہے۔ آپ دوسرے PATs پر بھی ردعمل دے سکتے ہیں تاکہ ہم مل کر سیکھیں۔
> مزید مطالعہ کے لیے، ہم ان [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ماڈیولز اور سیکھنے کے راستے کی پیروی کرنے کی سفارش کرتے ہیں۔
> مزید مطالعے کے لیے، ہم یہ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ماڈیولز اور لرننگ پاتھس کی سفارش کرتے ہیں۔
**اساتذہ**، ہم نے [کچھ تجاویز شامل کی ہیں](for-teachers.md) کہ اس نصاب کو کس طرح استعمال کیا جائے۔
**اساتذہ**، ہم نے [کچھ تجاویز](for-teachers.md) شامل کی ہیں کہ اس نصاب کو کیسے استعمال کیا جائے۔
---
## ویڈیو واک تھروز
کچھ اسباق مختصر ویڈیو کی شکل میں دستیاب ہیں۔ آپ یہ سب اسباق کے اندر بھی دیکھ سکتے ہیں، یا [Microsoft Developer YouTube چینل پر ML for Beginners پلے لسٹ](https://aka.ms/ml-beginners-videos) پر نیچے دی گئی تصویر پر کلک کرکے۔
کچھ اسباق مختصر ویڈیو کی شکل میں دستیاب ہیں۔ آپ یہ سب اسباق کے اندر یا [ML for Beginners کی پلے لسٹ مائیکروسافٹ ڈیولپر یوٹیوب چینل](https://aka.ms/ml-beginners-videos) پر نیچے تصویر پر کلک کرکے دیکھ سکتے ہیں۔
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 ویڈیو دیکھنے کے لیے اوپر تصویر پر کلک کریں جو اس پروجیکٹ اور اسے بنانے والے افراد کے بارے میں ہے!
> 🎥 پروجیکٹ اور اس کے تخلیق کاروں کے بارے میں ویڈیو دیکھنے کے لیے اوپر تصویر پر کلک کریں!
---
## تدریسی طریقہ کار
ہم نے اس نصاب کی تعمیر کے دوران دو تدریسی اصول منتخب کیے ہیں: یہ یقینی بنانا کہ یہ ہاتھوں سے کرنے والا **پروجیکٹ پر مبنی** ہو اور اس میں **کثرت سے کوئزز** شامل ہوں۔ اس کے علاوہ، اس نصاب کا ایک مشترکہ **موضوع** ہے جو اسے ہم آہنگی دیتا ہے۔
ہم نے اس نصاب کی تیاری میں دو تدریسی اصول اپنائے ہیں: یہ یقینی بنانا کہ یہ ہاتھوں سے کرنے والا **پروجیکٹ پر مبنی** ہو اور اس میں **بار بار کوئزز** شامل ہوں۔ اس کے علاوہ، اس نصاب میں ایک مشترکہ **موضوع** بھی ہے جو اس کی ہم آہنگی کو بڑھاتا ہے۔
یہ یقینی بنا کر کہ مواد پروجیکٹس کے مطابق ہو، عمل کو طلباء کے لیے زیادہ دلچسپ بنایا جاتا ہے اور تصورات کو یاد رکھنے کی صلاحیت بڑھائی جاتی ہے۔ اس کے علاوہ، کلاس سے پہلے ایک کم دباؤ والا کوئز طالب علم کی تعلیم پر توجہ قائم کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور دلچسپ بنانے کے لیے ڈیزائن کیا گیا ہے اور اسے مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس ابتدا میں چھوٹے ہوتے ہیں اور 12 ہفتوں کے آخری دورانیے میں پیچیدہ ہوتے چلے جاتے ہیں۔ اس نصاب میں مشین لرننگ کی حقیقی دنیا کی ایپلیکیشن پر ایک پوسٹ اسکرپٹ بھی شامل ہے، جسے اضافی کریڈٹ یا بحث کی بنیاد کے طور پر استعمال کیا جا سکتا ہے۔
مواد کو پروجیکٹس سے منسلک کر کے، عمل طلباء کے لیے زیادہ دلچسپ بن جاتا ہے اور تصورات کو یاد رکھنے میں مدد ملتی ہے۔ ایک کم دباؤ والا کوئز کلاس سے پہلے یہ تعلیمی موضوع کی جانب طالب علم کا ارادہ قائم کرتا ہے، اور دوسرا کوئز کلاس کے بعد یادداشت کو مضبوط کرتا ہے۔ یہ نصاب لچکدار اور دلچسپ ہے اور اسے مکمل یا جزوی طور پر کیا جا سکتا ہے۔ پروجیکٹس چھوٹے سے شروع ہوتے ہیں اور 12 ہفتوں کے دوران زیادہ پیچیدہ ہوتے جاتے ہیں۔ نصاب میں مشین لرننگ کے حقیقی دنیا کے اطلاقات کا ایک پس منظر بھی شامل ہے، جو اضافی کریڈٹ یا بحث کا موضوع بن سکتا ہے۔
> ہمارا [کوڈ آف کنڈکٹ](CODE_OF_CONDUCT.md)، [شراکت](CONTRIBUTING.md)، [تراجم](..)، اور [مسائل حل کرنے کے رہنما اصول](TROUBLESHOOTING.md) تلاش کریں۔ ہم آپ کی تعمیری رائے کا خیرمقدم کرتے ہیں!
> ہمارا [کوڈ آف کنڈکٹ](CODE_OF_CONDUCT.md)، [حوالہ کاری](CONTRIBUTING.md)، [ترجمے](..) اور [مسائل کا حل](TROUBLESHOOTING.md) کی رہنما ہدایات دیکھیں۔ ہمیں آپ کی تعمیری رائے خوش آمدید ہے!
> **زبانوں کے بارے میں ایک نوٹ**: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے اسباق R میں بھی دستیاب ہیں۔ R کا سبق مکمل کرنے کے لیے، `/solution` فولڈر میں جائیں اور R اسباق تلاش کریں۔ ان میں .rmd توسیع شامل ہے جو ایک **R Markdown** فائل کی نمائندگی کرتی ہے جسے آسانی سے `code chunks` (R یا دیگر زبانوں کے) اور `YAML header` (جو اس بات کی رہنمائی کرتا ہے کہ مثلا PDF جیسے آؤٹ پٹ کو کیسے فارمیٹ کرنا ہے) کو `Markdown دستاویز` میں ایمبیڈ کرنے کے طور پر بیان کیا جا سکتا ہے۔ اس طرح، یہ ڈیٹا سائنس کے لیے ایک مثالی مصنفانہ فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنے کوڈ، اس کا آؤٹ پٹ، اور آپ کے خیالات کو یکجا کرنے کی اجازت دیتا ہے، جو آپ کو Markdown میں لکھنے کی سہولت دیتا ہے۔ مزید برآں، R Markdown دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیا جا سکتا ہے۔
> **کوئزز کے بارے میں ایک نوٹ**: تمام کوئزز [Quiz App فولڈر](../../quiz-app) میں موجود ہیں، کل 52 کوئزز، ہر ایک میں تین سوالات ہیں۔ یہ اسباق کے اندر سے لنک کیے گئے ہیں لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے؛ `quiz-app` فولڈر میں دی گئی ہدایات کے مطابق مقامی طور پر ہوسٹ کریں یا Azure پر تعینات کریں۔
| سبق نمبر | موضوع | سبق کا گروپنگ | سیکھنے کے مقاصد | منسلک سبق | مصنف |
| 01 | مشین لرننگ کا تعارف | [تعارف](1-Introduction/README.md) | مشین لرننگ کے بنیادی تصورات سیکھیں | [سبق](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | مشین لرننگ کی تاریخ | [تعارف](1-Introduction/README.md) | اس میدان کی تاریخ سیکھیں | [سبق](1-Introduction/2-history-of-ML/README.md) | جین اور ایمی |
| 03 | مشین لرننگ اور انصاف | [تعارف](1-Introduction/README.md) | مشین لرننگ ماڈلز کی تعمیر اور اطلاق کے دوران طلباء کو انصاف کے اہم فلسفیانہ مسائل پر غور کرنا چاہیے؟ | [سبق](1-Introduction/3-fairness/README.md) | تومومی |
| 04 | مشین لرننگ کی تکنیکیں | [تعارف](1-Introduction/README.md) | مشین لرننگ کے ماہرین مشین لرننگ ماڈلز بنانے کے لیے کون کون سی تکنیکیں استعمال کرتے ہیں؟ | [سبق](1-Introduction/4-techniques-of-ML/README.md) | کرس اور جین |
| 05 | ریگریشن کا تعارف | [ریگریشن](2-Regression/README.md) | ریگریشن ماڈلز کے لیے Python اور Scikit-learn کے ساتھ شروع کریں | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جین • ایرک وانجاؤ |
| 06 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | مشین لرننگ کی تیاری کے لیے ڈیٹا کو دیکھیں اور صاف کریں | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جین • ایرک وانجاؤ |
| 07 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | لینیئر اور کثیر رقمی ریگریشن ماڈلز بنائیں | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جین اور دمتری • ایرک وانجاؤ |
| 08 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | لاجسٹک ریگریشن ماڈل بنائیں | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جین • ایرک وانجاؤ |
| 09 | ایک ویب ایپ 🔌 | [ویب ایپ](3-Web-App/README.md) | اپنے تربیت یافتہ ماڈل کے استعمال کے لیے ایک ویب ایپ بنائیں | [Python](3-Web-App/1-Web-App/README.md) | جین |
| 10 | درجہ بندی کا تعارف | [درجہ بندی](4-Classification/README.md) | اپنا ڈیٹا صاف کریں، تیار کریں، اور دیکھائیں؛ درجہ بندی کا تعارف | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جین اور کیسی • ایرک وانجاؤ |
| 11 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | درجہ بند کنندگان کا تعارف | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جین اور کیسی • ایرک وانجاؤ |
| 13 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | اپنے ماڈل کا استعمال کرتے ہوئے ایک سفارش ویب ایپ بنائیں | [Python](4-Classification/4-Applied/README.md) | جین |
| 14 | کلسٹرنگ کا تعارف | [کلسٹرنگ](5-Clustering/README.md) | اپنا ڈیٹا صاف کریں، تیار کریں، اور دیکھائیں؛ کلسٹرنگ کا تعارف | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جین • ایرک وانجاؤ |
| 15 | نائجیریائی موسیقی کے ذوق کی کھوج 🎧 | [کلسٹرنگ](5-Clustering/README.md) | K-Means کلسٹرنگ طریقہ کار کو دریافت کریں | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جین • ایرک وانجاؤ |
| 16 | نیچرل لینگویج پروسیسنگ کا تعارف ☕️ | [نیچرل لینگویج پروسیسنگ](6-NLP/README.md) | ایک سادہ بوٹ بنا کر NLP کی بنیادی باتیں سیکھیں | [Python](6-NLP/1-Introduction-to-NLP/README.md) | اسٹیفن |
| 17 | عام NLP کے کام ☕️ | [نیچرل لینگویج پروسیسنگ](6-NLP/README.md) | زبان کی ساختوں سے نمٹنے کے لیے عمومی کاموں کی سمجھ بوجھ کے ذریعے اپنی NLP معلومات کو گہرا کریں | [Python](6-NLP/2-Tasks/README.md) | اسٹیفن |
| 18 | ترجمہ اور جذباتی تجزیہ ♥️ | [نیچرل لینگویج پروسیسنگ](6-NLP/README.md) | جین آسٹن کے ساتھ ترجمہ اور جذباتی تجزیہ | [Python](6-NLP/3-Translation-Sentiment/README.md) | اسٹیفن |
| 19 | یورپ کے رومانٹک ہوٹل ♥️ | [نیچرل لینگویج پروسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | اسٹیفن |
| 20 | یورپ کے رومانٹک ہوٹل ♥️ | [نیچرل لینگویج پروسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | اسٹیفن |
| 22 | ⚡️ عالمی بجلی کا استعمال ⚡️ - ARIMA کے ساتھ ٹائم سیریز پیشن گوئی | [ٹائم سیریز](7-TimeSeries/README.md) | ARIMA کے ساتھ ٹائم سیریز پیشن گوئی | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانسسکا |
| 23 | ⚡️ عالمی بجلی کا استعمال ⚡️ - SVR کے ساتھ ٹائم سیریز پیشن گوئی | [ٹائم سیریز](7-TimeSeries/README.md) | سپورٹ ویکٹر ریگریسر کے ساتھ ٹائم سیریز پیشن گوئی | [Python](7-TimeSeries/3-SVR/README.md) | انربن |
| 24 | تقویتی سیکھنے کا تعارف | [تقویتی سیکھنے](8-Reinforcement/README.md) | Q-Learning کے ذریعے تقویتی سیکھنے کا تعارف | [Python](8-Reinforcement/1-QLearning/README.md) | دمتری |
| 25 | پیٹر کو بھیڑیا سے بچائیں! 🐺 | [تقویتی سیکھنے](8-Reinforcement/README.md) | تقویتی سیکھنے کا جم | [Python](8-Reinforcement/2-Gym/README.md) | دمتری |
| پوسٹ اسکرپٹ | حقیقی دنیا کے ML سیناریوز اور اطلاقات | [ML in the Wild](9-Real-World/README.md) | کلاسیکی ML کی دلچسپ اور انکشافاتی حقیقی دنیا کی اطلاقات | [سبق](9-Real-World/1-Applications/README.md) | ٹیم |
| پوسٹ اسکرپٹ | RAI ڈیش بورڈ کے ذریعے ML میں ماڈل کی خرابی کی جانچ | [ML in the Wild](9-Real-World/README.md) | ذمہ دار AI ڈیش بورڈ اجزاء کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی خرابی کی جانچ | [سبق](9-Real-World/2-Debugging-ML-Models/README.md) | رتھ یاکوبو |
> [اس کورس کے لیے تمام اضافی وسائل ہمارے Microsoft Learn مجموعے میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **زبانوں کے بارے میں نوٹ**: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے R میں بھی دستیاب ہیں۔ R سبق مکمل کرنے کے لیے `/solution` فولڈر میں جائیں اور R کے اسباق تلاش کریں۔ ان میں .rmd ایکسٹینشن ہوتی ہے جو ایک **R Markdown** فائل کی نمائندگی کرتی ہے، جو `code chunks` (R یا دوسری زبانوں کے) اور `YAML header` (جو PDF جیسے آؤٹ پٹس کو فارمیٹ کرنے کی رہنمائی کرتا ہے) کو مارک ڈاؤن دستاویز میں شامل کرنے کا ایک آلہ ہے۔ اس طرح یہ ڈیٹا سائنس کی بہترین لکھی جاتی ہے کیونکہ اس میں آپ اپنے کوڈ، اس کا آؤٹ پٹ، اور اپنے خیالات کو مارک ڈاؤن میں لکھ سکتے ہیں۔ مزید برآں، R Markdown دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں کنورٹ کیا جا سکتا ہے۔
> **کوئزز کے بارے میں نوٹ**: تمام کوئزز [Quiz App فولڈر](../../quiz-app) میں موجود ہیں، کل 52 کوئزز، ہر ایک میں تین سوالات۔ یہ اسباق سے منسلک ہیں لیکن کوئز ایپ کو لوکل چلایا جا سکتا ہے؛ `quiz-app` فولڈر کی ہدایات پر عمل کریں یا Azure پر تعینات کریں۔
| سبق نمبر | موضوع | سبق کا گروپ | تعلیمی مقاصد | متعلقہ سبق | مصنف |
| 01 | مشین لرننگ کا تعارف | [Introduction](1-Introduction/README.md) | مشین لرننگ کے بنیادی تصورات سیکھیں | [Lesson](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | مشین لرننگ کی تاریخ | [Introduction](1-Introduction/README.md) | اس میدان کی تاریخ سیکھیں | [Lesson](1-Introduction/2-history-of-ML/README.md) | جین اور ایمی |
| 03 | انصاف اور مشین لرننگ | [Introduction](1-Introduction/README.md) | انصاف کے گرد اہم فلسفیانہ مسائل کیا ہیں جو طلباء کو ML ماڈلز بنانے اور استعمال کرتے وقت غور کرنا چاہیے؟ | [Lesson](1-Introduction/3-fairness/README.md) | ٹومومی |
| 04 | مشین لرننگ کے تکنیکیں | [Introduction](1-Introduction/README.md) | ML ماڈلز بنانے کے لیے ML محققین کون سی تکنیکیں استعمال کرتے ہیں؟ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | کرس اور جین |
| 05 | رجریشن کا تعارف | [Regression](2-Regression/README.md) | رجریشن ماڈلز کے لیے Python اور Scikit-learn کے ساتھ شروعات کریں | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جین • ایرک وانجاؤ |
| 06 | شمالی امریکہ کی کدو کی قیمتیں 🎃 | [Regression](2-Regression/README.md) | ML کی تیاری کے لیے ڈیٹا کو ویژولائز اور صاف کریں | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جین • ایرک وانجاؤ |
| 07 | شمالی امریکہ کی کدو کی قیمتیں 🎃 | [Regression](2-Regression/README.md) | خطی اور کثیر رکنی رجریشن ماڈلز بنائیں | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جین، دمتری اور ایرک وانجاؤ |
| 08 | شمالی امریکہ کی کدو کی قیمتیں 🎃 | [Regression](2-Regression/README.md) | لاجسٹک رجریشن ماڈل بنائیں | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جین • ایرک وانجاؤ |
| 09 | ایک ویب ایپ 🔌 | [Web App](3-Web-App/README.md) | اپنی تربیت یافتہ ماڈل استعمال کرنے کے لیے ویب ایپ بنائیں | [Python](3-Web-App/1-Web-App/README.md) | جین |
| 10 | درجہ بندی کا تعارف | [Classification](4-Classification/README.md) | اپنے ڈیٹا کو صاف، تیار اور ویژولائز کریں؛ درجہ بندی کا تعارف | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جین اور کیسی • ایرک وانجاؤ |
| 11 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [Classification](4-Classification/README.md) | درجہ بندی کنندگان کا تعارف | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جین اور کیسی • ایرک وانجاؤ |
| 13 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [Classification](4-Classification/README.md) | اپنے ماڈل کا استعمال کرتے ہوئے ایک تجویز کنندہ ویب ایپ بنائیں | [Python](4-Classification/4-Applied/README.md) | جین |
| 14 | کلسٹرنگ کا تعارف | [Clustering](5-Clustering/README.md) | اپنے ڈیٹا کو صاف، تیار اور ویژولائز کریں؛ کلسٹرنگ کا تعارف | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جین • ایرک وانجاؤ |
| 15 | نائجیریائی موسیقی کے ذائقے دریافت کریں 🎧 | [Clustering](5-Clustering/README.md) | K-Means کلسٹرنگ طریقہ دریافت کریں | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جین • ایرک وانجاؤ |
| 16 | قدرتی زبان کی پروسیسنگ کا تعارف ☕️ | [Natural language processing](6-NLP/README.md) | ایک سادہ بوٹ بنا کر NLP کی بنیادیں سیکھیں | [Python](6-NLP/1-Introduction-to-NLP/README.md) | اسٹیفن |
| 17 | عام NLP کام ☕️ | [Natural language processing](6-NLP/README.md) | زبانوں کی ساختوں سے نمٹنے کے لیے درکار عام کاموں کو سمجھ کر اپنی NLP کی معلومات گہری کریں | [Python](6-NLP/2-Tasks/README.md) | اسٹیفن |
| 18 | ترجمہ اور جذبات کی تشخیص ♥️ | [Natural language processing](6-NLP/README.md) | جین آسٹن کے ساتھ ترجمہ اور جذبات کی تشخیص | [Python](6-NLP/3-Translation-Sentiment/README.md) | اسٹیفن |
| 19 | یورپ کے رومانوی ہوٹلز ♥️ | [Natural language processing](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | اسٹیفن |
| 20 | یورپ کے رومانوی ہوٹلز ♥️ | [Natural language processing](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | اسٹیفن |
| 21 | وقت کی ترتیب کی پیش گوئی کا تعارف | [Time series](7-TimeSeries/README.md) | وقت کی ترتیب کی پیش گوئی کا تعارف | [Python](7-TimeSeries/1-Introduction/README.md) | فرانسسکا |
| 22 | ⚡️ عالمی بجلی کا استعمال ⚡️ - ARIMA کے ساتھ وقت کی ترتیب کی پیش گوئی | [Time series](7-TimeSeries/README.md) | ARIMA کے ساتھ وقت کی ترتیب کی پیش گوئی | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانسسکا |
| 23 | ⚡️ عالمی بجلی کا استعمال ⚡️ - SVR کے ساتھ وقت کی ترتیب کی پیش گوئی | [Time series](7-TimeSeries/README.md) | سپورٹ ویکٹر ریگریسر کے ساتھ وقت کی ترتیب کی پیش گوئی | [Python](7-TimeSeries/3-SVR/README.md) | انربن |
| 24 | تقویتی سیکھنے کا تعارف | [Reinforcement learning](8-Reinforcement/README.md) | کیو-لرننگ کے ساتھ تقویتی سیکھنے کا تعارف | [Python](8-Reinforcement/1-QLearning/README.md) | دمتری |
| 25 | پیٹر کو بھیڑیا سے بچانے میں مدد کریں! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | تقویتی سیکھنے کا جم | [Python](8-Reinforcement/2-Gym/README.md) | دمتری |
| Postscript | حقیقی دنیا میں ML کے منظرنامے اور اطلاقات | [ML in the Wild](9-Real-World/README.md) | کلاسیکی ML کے دلچسپ اور انکشاف کرنے والے حقیقی دنیا کے اطلاقات | [Lesson](9-Real-World/1-Applications/README.md) | ٹیم |
| Postscript | RAI ڈیش بورڈ کے ذریعے ML میں ماڈل کی ڈی بگنگ | [ML in the Wild](9-Real-World/README.md) | ذمہ دار AI ڈیش بورڈ کے اجزاء کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی ڈی بگنگ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | روتھ یاکوبو |
> [اس کورس کے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## آف لائن رسائی
آپ اس دستاویز کو آف لائن [Docsify](https://docsify.js.org/#/) استعمال کرتے ہوئے چلا سکتے ہیں۔ اس ریپو کو فورک کریں، اپنی مقامی مشین پر [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart)، اور پھر اس ریپو کے روٹ فولڈر میں `docsify serve` ٹائپ کریں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر چلائی جائے گی: `localhost:3000`۔
آپ اس دستاویزات کو آف لائن [Docsify](https://docsify.js.org/#/) استعمال کرکے چلا سکتے ہیں۔ اس ریپو کو فورک کریں، [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart) اپنے مقامی کمپیوٹر پر، اور پھر اس ریپو کے روٹ فولڈر میں، `docsify serve` ٹائپ کریں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر سرور ہوگی: `localhost:3000`.
## پی ڈی ایف
## PDF فائلیں
نصاب کا ایک پی ڈی ایف لنکس کے ساتھ [یہاں](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ملیں۔
نصاب کا PDF ورژن لنکس کے ساتھ [یہاں] (https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) حاصل کریں۔
## 🎒 دیگر کورسز
## 🎒 دیگر کورسز
ہماری ٹیم دیگر کورسز بھی تیار کرتی ہے! چیک کریں:
ہماری ٹیم دیگر کورسز بھی تیار کرتی ہے! دیکھیں:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -183,65 +188,65 @@
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### تخلیقی AI سلسلہ
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### جنریٹو AI سیریز
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### بنیادی تعلیم
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
### کور لرننگ
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### کوپائلٹ سلسلہ
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
- ہر سبق کے بعد نوٹ بکس کا جائزہ لیں تاکہ بہتر سمجھ آئے۔
- الگورتھمز کو خود سے نافذ کرنے کی مشق کریں۔
- سیکھے گئے تصورات کا استعمال کرتے ہوئے حقیقی دنیا کے ڈیٹا سیٹس کو دریافت کریں۔
- بہتر سمجھ کے لیے ہر سبق کے بعد نوٹ بکس کا جائزہ لیں۔
- خود الگوردمز کو عمل میں لانے کی مشق کریں۔
- سیکھی گئی تصورات کا استعمال کرتے ہوئے حقیقی دنیا کے ڈیٹا سیٹس کو دریافت کریں۔
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ڈس کلیمر**:
اس دستاویز کا ترجمہ AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے کیا گیا ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات کا خیال رکھیں کہ خودکار تراجم میں غلطیاں یا نقائص ہو سکتے ہیں۔ اصل دستاویز اپنی مادری زبان میں ہی معتبر ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ تجویز کیا جاتا ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا بدفہمی کے ذمہ دار نہیں ہیں۔
**ڈس کلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔
کیا آپ اس نصاب کو اپنی کلاس میں استعمال کرنا چاہتے ہیں؟ بے شک، ضرور کریں!
کیا آپ اس نصاب کو اپنی کلاس میں استعمال کرنا چاہیں گے؟ بلا جھجھک استعمال کریں!
حقیقت میں، آپ اسے GitHub کے اندر ہی استعمال کر سکتے ہیں، GitHub Classroom کے ذریعے۔
درحقیقت، آپ اسے GitHub Classroom استعمال کر کے GitHub کے اندر ہی استعمال کر سکتے ہیں۔
اس کے لیے، اس ریپو کو فورک کریں۔ آپ کو ہر سبق کے لیے ایک الگ ریپو بنانا ہوگا، اس لیے آپ کو ہر فولڈر کو ایک الگ ریپو میں نکالنا ہوگا۔ اس طرح، [GitHub Classroom](https://classroom.github.com/classrooms) ہر سبق کو الگ الگ اٹھا سکے گا۔
ایسا کرنے کے لیے، اس رپو کو فورک کریں۔ آپ کو ہر سبق کے لیے علیحدہ رپو بنانے کی ضرورت ہوگی، اس لیے آپ کو ہر فولڈر کو ایک علیحدہ رپو میں نکالنا ہوگا۔ اس طرح، [GitHub Classroom](https://classroom.github.com/classrooms) ہر سبق کو الگ سے اٹھا سکے گا۔
یہ [مکمل ہدایات](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) آپ کو بتائیں گی کہ اپنی کلاس کو کیسے ترتیب دینا ہے۔
یہ [مکمل ہدایات](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) آپ کو آپ کے کلاس روم کو سیٹ اپ کرنے کا اندازہ دیں گی۔
## ریپو کو موجودہ حالت میں استعمال کرنا
## موجودہ رپو کو جیسا ہے ویسا استعمال کرنا
اگر آپ اس ریپو کو اس کی موجودہ حالت میں استعمال کرنا چاہتے ہیں، بغیر GitHub Classroom کے، تو یہ بھی ممکن ہے۔ آپ کو اپنے طلباء کے ساتھ یہ بات چیت کرنی ہوگی کہ کون سا سبق اکٹھے مکمل کرنا ہے۔
اگر آپ موجودہ حالت میں اس رپو کو بغیر GitHub Classroom استعمال کیے استعمال کرنا چاہتے ہیں، تو یہ بھی ممکن ہے۔ آپ کو اپنے شاگردوں کے ساتھ رابطہ کرنا ہوگا کہ کون سا سبق مل کر کرنا ہے۔
آن لائن فارمیٹ (Zoom، Teams، یا دیگر) میں، آپ کوئزز کے لیے بریک آؤٹ رومز بنا سکتے ہیں، اور طلباء کو سیکھنے کے لیے تیار کرنے میں رہنمائی کر سکتے ہیں۔ پھر طلباء کو کوئزز کے لیے مدعو کریں اور انہیں ایک خاص وقت پر اپنے جوابات 'issues' کے طور پر جمع کرانے کو کہیں۔ آپ اسی طرح اسائنمنٹس کے ساتھ بھی کر سکتے ہیں، اگر آپ چاہتے ہیں کہ طلباء کھلے عام تعاون کے ساتھ کام کریں۔
آن لائن فارمیٹ میں (Zoom, Teams، یا دیگر) آپ کوئزز کے لیے بریک آؤٹ روم بنا سکتے ہیں، اور شاگردوں کو سیکھنے کے لیے تیار کرنے میں مدد دے سکتے ہیں۔ پھر شاگردوں کو کوئزز دینے کی دعوت دیں اور انہیں اپنی جوابات 'مسائل' کے طور پر ایک مقررہ وقت پر جمع کرنے کو کہیں۔ اگر آپ چاہتے ہیں کہ شاگرد کھلے عام تعاون کریں تو اسی طرح آپ اسائنمنٹس کے لیے بھی کر سکتے ہیں۔
اگر آپ ایک زیادہ نجی فارمیٹ کو ترجیح دیتے ہیں، تو اپنے طلباء سے کہیں کہ وہ نصاب کو سبق بہ سبق اپنے GitHub ریپوز میں فورک کریں، جو کہ نجی ریپوز ہوں، اور آپ کو رسائی دیں۔ پھر وہ کوئزز اور اسائنمنٹس نجی طور پر مکمل کر سکتے ہیں اور انہیں آپ کے کلاس روم ریپو پر 'issues' کے ذریعے جمع کرا سکتے ہیں۔
اگر آپ زیادہ پرائیویٹ فارمیٹ پسند کرتے ہیں، تو اپنے شاگردوں سے کہیں کہ نصاب کو سبق بہ سبق اپنے GitHub پرائیوٹ رپو کے طور پر فورک کریں اور آپ کو رسائی دیں۔ پھر وہ کوئزز اور اسائنمنٹس نجی طور پر مکمل کر کے آپ کی کلاس روم رپو پر مسائل کے ذریعے آپ کو جمع کرا سکتے ہیں۔
آن لائن کلاس روم فارمیٹ میں کام کرنے کے کئی طریقے ہیں۔ براہ کرم ہمیں بتائیں کہ آپ کے لیے کیا بہتر کام کرتا ہے!
آن لائن کلاس روم فارمیٹ میں اس طریقے کو چلانے کے بہت سے طریقے ہیں۔ براہ کرم ہمیں بتائیں کہ آپ کے لیے کون سا طریقہ سب سے بہتر ہے!
## براہ کرم ہمیں اپنی رائے دیں!
ہم چاہتے ہیں کہ یہ نصاب آپ اور آپ کے طلباء کے لیے کارآمد ہو۔ براہ کرم ہمیں [فیڈبیک](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) دیں۔
ہم اس نصاب کو آپ اور آپ کے شاگردوں کے لیے کامیاب بنانا چاہتے ہیں۔ براہ کرم ہمیں [رائے](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) دیں۔
---
**ڈسکلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز، جو اس کی مقامی زبان میں ہے، کو مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ڈس کلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔
在本课程中，你将开始了解机器学习如何以及正在影响我们的日常生活。即使在现在，系统和模型也参与日常决策任务，比如医疗诊断、贷款审批或欺诈检测。因此，这些模型能够良好运行并提供可信结果是非常重要的。就像任何软件应用一样，AI 系统也可能未达到预期或产生不良后果。这就是为什么理解和解释 AI 模型行为至关重要。
想象一下当你用来构建这些模型的数据缺少某些人口统计信息，如种族、性别、政治观点、宗教，或不成比例地代表这些人口群体时会发生什么？如果模型输出被解释为偏向某些人口群体会怎样？应用会有什么后果？此外，当模型出现负面结果并对人们造成伤害时，又会怎样？谁对 AI 系统的行为负责？这些是我们将在本课程中探讨的一些问题。
AI 系统应公平对待每个人，并避免对相似群体的人采取不同的影响。例如，当 AI 系统为医疗治疗、贷款申请或就业提供指导时，应对具有类似症状、财务状况或职业资格的每个人做出相同的推荐。作为人类，我们都带有影响我们决策和行为的固有偏见。这些偏见可能在我们用来训练 AI 系统的数据中显现出来。这种操控有时是无意的。要有意识地知道何时在数据中引入偏见通常是困难的。
为建立信任，AI 系统需要在正常和异常情况下可靠、安全且一致。重要的是了解 AI 系统在各种情况下，尤其是异常情况下的表现。当构建 AI 解决方案时，必须重点关注如何处理 AI 解决方案可能遇到的各种情况。例如，自动驾驶汽车必须将人们的安全作为首要任务。因此，驱动汽车的 AI 需要考虑汽车可能遇到的所有场景，比如夜晚、雷暴或暴风雪、街上奔跑的孩子、宠物、道路施工等。AI 系统在各种条件下能多好地可靠安全地运行，反映了数据科学家或 AI 开发人员在设计或测试系统时的预见程度。
AI 系统应设计为能够吸引并赋能所有人。在设计和实施 AI 系统时，数据科学家和 AI 开发人员会识别并解决系统中可能无意间排斥特定人群的障碍。例如，全球有 10 亿残疾人。随着 AI 进步，他们可以更容易地在日常生活中访问各种信息和机会。通过解决这些障碍，创造机会创新并开发出更好体验的 AI 产品，造福所有人。
AI 系统应安全可靠并尊重人们的隐私。人们对可能危及其隐私、信息或生命安全的系统信任较低。在训练机器学习模型时，我们依赖数据以获取最佳结果。在此过程中，必须考虑数据的来源和完整性。例如，数据是用户提交的还是公开可用的？其次，在处理数据时，开发 AI 系统保护机密信息、抵御攻击至关重要。随着 AI 更加普及，保护隐私和重要个人及商业信息的安全变得越发关键且复杂。隐私和数据安全问题对 AI 尤为重要，因为 AI 需要访问数据才能对人们做出准确且有信息支持的预测和决策。
AI 系统应当易于理解。透明度的关键部分是解释 AI 系统及其组件的行为。提升对 AI 系统的理解要求利益相关者明白它们如何以及为何工作，这样能识别潜在的性能问题、安全与隐私担忧、偏见、排他性做法或意外结果。我们还认为，使用 AI 系统的人应坦诚公开何时、为何及如何选择部署它们，以及所用系统的局限性。例如，银行若使用 AI 系统支持其消费贷款决策，重要的是审查结果并了解哪些数据影响系统建议。政府正开始对行业中的 AI 进行监管，因此数据科学家和组织必须解释 AI 系统是否符合监管要求，尤其当出现不良结果时。
设计和部署 AI 系统的人必须对其系统的运行负责。对于诸如面部识别这样的敏感技术，问责制尤为重要。最近，对面部识别技术的需求增长，特别是在执法机构中，他们看到这项技术在寻找失踪儿童等用途的潜力。然而，政府可能利用这些技术威胁公民的基本自由，如启用对特定个人的持续监控。因此，数据科学家和组织需要对其 AI 系统对个人或社会的影响负责。
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "微软的负责任 AI 方法")
类似于调试软件应用，调试 AI 系统是识别和解决系统中问题的必要过程。许多因素可能导致模型未按预期或负责任地运行。大多数传统模型性能指标是模型表现的定量汇总，但不足以分析模型如何违反负责任 AI 原则。另外，机器学习模型是黑盒子，难以理解其输出背后的驱动因素，也难以在出现错误时解释。后续课程中，我们将学习如何使用负责任 AI 仪表盘帮助调试 AI 系统。该仪表盘为数据科学家和 AI 开发人员提供全面的工具来执行：
- 追求负责任的人工智能：由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 讲解如何将原则付诸实践
- 追求负责任人工智能：将原则付诸实践，讲者：Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: 一个用于构建负责任 AI 的开源框架")
> 🎥 点击上方图片观看视频：由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 讲解的 RAI Toolbox：用于构建负责任人工智能的开源框架
> 🎥 点击上方图片观看视频：RAI Toolbox：一个由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 介绍的负责任 AI 开源框架
另请阅读：
另外，阅读：
- 微软的 RAI 资源中心：[Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- 微软的 FATE 研究组：[FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI 工具箱：
RAI Toolbox：
- [Responsible AI Toolbox GitHub 仓库](https://github.com/microsoft/responsible-ai-toolbox)
2. **安装 Visual Studio Code**。确保你计算机上安装了 Visual Studio Code。按照[安装 Visual Studio Code](https://code.visualstudio.com/)的说明完成基本安装。本课程将使用 Visual Studio Code 运行 Python，因此你可能想了解如何[配置 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)以进行 Python 开发。
2. **安装 Visual Studio Code**。请确保你已经在计算机上安装了 Visual Studio Code。按照这些指南进行 [Visual Studio Code 安装](https://code.visualstudio.com/)。在本课程中你将使用 Visual Studio Code 运行 Python，因此建议你熟悉如何为 Python 开发 [配置 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)。
- 完成一组课程后，请访问[讨论区](https://github.com/microsoft/ML-For-Beginners/discussions)，填写相应的 PAT 评分表进行“公开学习”。PAT 是一个学习进度评价工具，你可以填写它，也可以对其他人的 PAT 进行回复，大家共同进步。
- 完成一组课程后，访问[讨论区](https://github.com/microsoft/ML-For-Beginners/discussions)，通过填写相应的 PAT 评分标准表“声声发声”学习。‘PAT’即进展评估工具，是您填写的评分表，辅助深化学习。您也可针对他人的 PAT 进行反馈，共同进步。
| 04 | 机器学习技术 | [Introduction](1-Introduction/README.md) | 机器学习研究人员用来构建模型的技术有哪些？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
localizeflow[bot]
3 weeks ago