diff --git a/translations/fa/.co-op-translator.json b/translations/fa/.co-op-translator.json
index 8a1fc136f..4aa7d6f28 100644
--- a/translations/fa/.co-op-translator.json
+++ b/translations/fa/.co-op-translator.json
@@ -12,8 +12,8 @@
"language_code": "fa"
},
"1-Introduction/2-history-of-ML/README.md": {
- "original_hash": "6a05fec147e734c3e6bfa54505648e2b",
- "translation_date": "2025-09-04T22:41:05+00:00",
+ "original_hash": "e6b5247d6b4dc821434070bdb58e8285",
+ "translation_date": "2026-09-14T20:22:44+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "fa"
},
@@ -24,8 +24,8 @@
"language_code": "fa"
},
"1-Introduction/3-fairness/README.md": {
- "original_hash": "0f00d72169a0d37eecfd16d71e01700a",
- "translation_date": "2026-07-14T03:27:38+00:00",
+ "original_hash": "0c620ca2c6d2828e9a838ecec5f01265",
+ "translation_date": "2026-09-14T20:21:30+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "fa"
},
@@ -54,8 +54,8 @@
"language_code": "fa"
},
"2-Regression/1-Tools/README.md": {
- "original_hash": "0b8635427b582d03ea4ab7089b93e505",
- "translation_date": "2026-07-14T03:23:38+00:00",
+ "original_hash": "1f4f6c95404d528041bcc36784771084",
+ "translation_date": "2026-09-14T20:23:51+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "fa"
},
@@ -456,8 +456,8 @@
"language_code": "fa"
},
"7-TimeSeries/README.md": {
- "original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
- "translation_date": "2025-09-03T22:41:38+00:00",
+ "original_hash": "722526664e764a2290e1def74afa5139",
+ "translation_date": "2026-09-14T20:16:44+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "fa"
},
@@ -564,8 +564,8 @@
"language_code": "fa"
},
"README.md": {
- "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0",
- "translation_date": "2026-04-20T19:39:02+00:00",
+ "original_hash": "8bba8faed876aa7bbc92b759a350b1d8",
+ "translation_date": "2026-09-14T20:09:49+00:00",
"source_file": "README.md",
"language_code": "fa"
},
@@ -592,11 +592,22 @@
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "fa",
- "failure_date": "2026-07-14T03:22:46+00:00",
+ "failure_date": "2026-09-14T20:15:59+00:00",
"status": "failed",
"error_type": "TranslationIncompleteError",
"error_message": "Markdown translation remained incomplete for chunk 1.1.1 of 'LICENSE.md', and the chunk could not be split further.",
- "translator_version": "0.20.0",
+ "translator_version": "0.20.1",
+ "failure_policy_version": 1
+ },
+ "5-Clustering/README.md": {
+ "original_hash": "c78940a1b03da1de13bd97527f9e6606",
+ "source_file": "5-Clustering/README.md",
+ "language_code": "fa",
+ "failure_date": "2026-09-14T20:16:29+00:00",
+ "status": "failed",
+ "error_type": "TranslationIncompleteError",
+ "error_message": "Markdown translation remained incomplete for chunk 1 of 'README.md', and the chunk could not be split further.",
+ "translator_version": "0.20.1",
"failure_policy_version": 1
}
},
@@ -607,8 +618,8 @@
"language_code": "fa"
},
"for-teachers.md": {
- "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
- "translation_date": "2025-09-03T22:14:05+00:00",
+ "original_hash": "4b5b4e11bf182a803261b55a19d3ee70",
+ "translation_date": "2026-09-14T20:07:18+00:00",
"source_file": "for-teachers.md",
"language_code": "fa"
},
diff --git a/translations/fa/1-Introduction/2-history-of-ML/README.md b/translations/fa/1-Introduction/2-history-of-ML/README.md
index 6a58e56c4..c764376f3 100644
--- a/translations/fa/1-Introduction/2-history-of-ML/README.md
+++ b/translations/fa/1-Introduction/2-history-of-ML/README.md
@@ -1,147 +1,147 @@
# تاریخچه یادگیری ماشین
-
-> اسکچ‌نوت توسط [Tomomi Imura](https://www.twitter.com/girlie_mac)
+
+> نوت اسکچ توسط [تومومی ایمورا](https://www.twitter.com/girlie_mac)
-## [آزمون پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
+## [آزمون پیش‌کلاسی](https://ff-quizzes.netlify.app/en/ml/)
---
[](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 چت بات
---
-* "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.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "تاریخچه یادگیری عمیق")
-> 🎥 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/)
+## [آزمون پس‌کلاسی](https://ff-quizzes.netlify.app/en/ml/)
---
-## مرور و مطالعه شخصی
+## مرور و مطالعه خودآموز
-مواردی برای مشاهده و گوش دادن:
+این موارد را مشاهده و گوش کنید:
-[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.
\ No newline at end of file
+
+**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.
+
\ No newline at end of file
diff --git a/translations/fa/1-Introduction/3-fairness/README.md b/translations/fa/1-Introduction/3-fairness/README.md
index f902499c6..835bbdd5b 100644
--- a/translations/fa/1-Introduction/3-fairness/README.md
+++ b/translations/fa/1-Introduction/3-fairness/README.md
@@ -1,163 +1,162 @@
# ساخت راه‌حل‌های یادگیری ماشین با هوش مصنوعی مسئولانه
-
-> اسکچ نوت از [Tomomi Imura](https://www.twitter.com/girlie_mac)
+
+> نقشه ذهنی توسط [Tomomi Imura](https://www.twitter.com/girlie_mac)
-## [آزمون پیش‌درس](https://ff-quizzes.netlify.app/en/ml/)
+## [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/)
-جعبه‌ابزار هوش مصنوعی مسئولانه:
+جعبه‌ابزار RAI:
-- [مخزن گیت‌هاب جعبه‌ابزار هوش مصنوعی مسئولانه](https://github.com/microsoft/responsible-ai-toolbox)
+- [مخزن گیت‌هاب جعبه‌ابزار هوش مصنوعی مسئول](https://github.com/microsoft/responsible-ai-toolbox)
-درباره ابزارهای Azure Machine Learning برای اطمینان از عدالت بخوانید:
+درباره ابزارهای Azure Machine Learning برای تضمین انصاف بخوانید:
- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
-## تمرین
+## تکلیف
-[کاوش در جعبه‌ابزار هوش مصنوعی مسئولانه](assignment.md)
+[جعبه‌ابزار RAI را کاوش کنید](assignment.md)
---
diff --git a/translations/fa/2-Regression/1-Tools/README.md b/translations/fa/2-Regression/1-Tools/README.md
index b54feaf2f..c2fe36a1b 100644
--- a/translations/fa/2-Regression/1-Tools/README.md
+++ b/translations/fa/2-Regression/1-Tools/README.md
@@ -1,121 +1,121 @@
-# 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.
## تمرین
-[یک مجموعه داده متفاوت](assignment.md)
+[مجموعه داده متفاوتی](assignment.md)
---
diff --git a/translations/fa/7-TimeSeries/README.md b/translations/fa/7-TimeSeries/README.md
index 1c9037a0a..5e1c6caab 100644
--- a/translations/fa/7-TimeSeries/README.md
+++ b/translations/fa/7-TimeSeries/README.md
@@ -1,14 +1,14 @@
# مقدمه‌ای بر پیش‌بینی سری‌های زمانی
-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.
\ No newline at end of file
+
+**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.
+
\ No newline at end of file
diff --git a/translations/fa/README.md b/translations/fa/README.md
index 7fecdcf2a..f8a07856a 100644
--- a/translations/fa/README.md
+++ b/translations/fa/README.md
@@ -1,25 +1,25 @@
-[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
-[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
-[](http://makeapullrequest.com)
+[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
+[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[](http://makeapullrequest.com)
-[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 پشتیبانی چندزبانه
-#### پشتیبانی شده از طریق GitHub Action (خودکار و همیشه به‌روز)
+#### پشتیبانی از طریق عملیات گیت‌هاب (خودکار و همیشه به‌روز)
-[عربی](../ar/README.md) | [بنگالی](../bn/README.md) | [بلغاری](../bg/README.md) | [برمه‌ای (میانمار)](../my/README.md) | [چینی (ساده‌شده)](../zh-CN/README.md) | [چینی (سنتی، هنگ‌کنگ)](../zh-HK/README.md) | [چینی (سنتی، ماکائو)](../zh-MO/README.md) | [چینی (سنتی، تایوان)](../zh-TW/README.md) | [کرواتی](../hr/README.md) | [چکی](../cs/README.md) | [دانمارکی](../da/README.md) | [هلندی](../nl/README.md) | [استونیایی](../et/README.md) | [فنلاندی](../fi/README.md) | [فرانسوی](../fr/README.md) | [آلمانی](../de/README.md) | [یونانی](../el/README.md) | [عبری](../he/README.md) | [هندی](../hi/README.md) | [مجارستانی](../hu/README.md) | [اندونزیایی](../id/README.md) | [ایتالیایی](../it/README.md) | [ژاپنی](../ja/README.md) | [کانادا](../kn/README.md) | [خمری](../km/README.md) | [کره‌ای](../ko/README.md) | [لیتوانیایی](../lt/README.md) | [مالایی](../ms/README.md) | [مالایالم](../ml/README.md) | [مراتی](../mr/README.md) | [نپالی](../ne/README.md) | [نیجریه‌ای پجین](../pcm/README.md) | [نروژی](../no/README.md) | [فارسی](./README.md) | [لهستانی](../pl/README.md) | [پرتغالی (برزیل)](../pt-BR/README.md) | [پرتغالی (پرتغال)](../pt-PT/README.md) | [پنجابی (گرموقی)](../pa/README.md) | [رومانیایی](../ro/README.md) | [روسی](../ru/README.md) | [صربی (سیریلیک)](../sr/README.md) | [اسلواکی](../sk/README.md) | [اسلوونیایی](../sl/README.md) | [اسپانیایی](../es/README.md) | [سواحیلی](../sw/README.md) | [سوئدی](../sv/README.md) | [تاگالوگ (فیلیپینی)](../tl/README.md) | [تامیل](../ta/README.md) | [تلگو](../te/README.md) | [تایلندی](../th/README.md) | [ترکی](../tr/README.md) | [اوکراینی](../uk/README.md) | [اردو](../ur/README.md) | [ویتنامی](../vi/README.md)
+[عربی](../ar/README.md) | [بنگالی](../bn/README.md) | [بلغاری](../bg/README.md) | [برمه‌ای (میانمار)](../my/README.md) | [چینی (ساده‌شده)](../zh-CN/README.md) | [چینی (سنتی، هنگ کنگ)](../zh-HK/README.md) | [چینی (سنتی، ماکائو)](../zh-MO/README.md) | [چینی (سنتی، تایوان)](../zh-TW/README.md) | [کرواتی](../hr/README.md) | [چکی](../cs/README.md) | [دانمارکی](../da/README.md) | [هلندی](../nl/README.md) | [استونیایی](../et/README.md) | [فنلاندی](../fi/README.md) | [فرانسوی](../fr/README.md) | [آلمانی](../de/README.md) | [یونانی](../el/README.md) | [عبری](../he/README.md) | [هندی](../hi/README.md) | [مجارستانی](../hu/README.md) | [اندونزیایی](../id/README.md) | [ایتالیایی](../it/README.md) | [ژاپنی](../ja/README.md) | [کانادا](../kn/README.md) | [خمر](../km/README.md) | [کره‌ای](../ko/README.md) | [لیتوانیایی](../lt/README.md) | [مالایی](../ms/README.md) | [مالایالام](../ml/README.md) | [مراتی](../mr/README.md) | [نپالی](../ne/README.md) | [پیدجین نیجریه‌ای](../pcm/README.md) | [نروژی](../no/README.md) | [فارسی (پارسی)](./README.md) | [لهستانی](../pl/README.md) | [پرتغالی (برزیل)](../pt-BR/README.md) | [پرتغالی (پرتغال)](../pt-PT/README.md) | [پنجابی (گورمخی)](../pa/README.md) | [رومانیایی](../ro/README.md) | [روسی](../ru/README.md) | [صربی (سیریلیک)](../sr/README.md) | [اسلواکی](../sk/README.md) | [اسلوونیایی](../sl/README.md) | [اسپانیایی](../es/README.md) | [سواحلی](../sw/README.md) | [سوئدی](../sv/README.md) | [تاگالوگ (فیلیپینی)](../tl/README.md) | [تامیلی](../ta/README.md) | [تلوگو](../te/README.md) | [تایلندی](../th/README.md) | [ترکی](../tr/README.md) | [اوکراینی](../uk/README.md) | [اردو](../ur/README.md) | [ویتنامی](../vi/README.md)
-> **ترجیح می‌دهید به صورت محلی کلون کنید؟**
+> **ترجیح می‌دهید به‌صورت محلی کلون کنید؟**
>
-> 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:
>
-> **باش/مکاواس/لینوکس:**
+> **بش / مکاواس / لینوکس:**
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
@@ -33,215 +33,220 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
-> این به شما همه چیز لازم برای تکمیل دوره با دانلود سریع‌تر را می‌دهد.
+> این به شما تمام چیزهای مورد نیاز برای تکمیل دوره با دانلود بسیار سریع‌تر را می‌دهد.
#### به جامعه ما بپیوندید
-[](https://discord.gg/nTYy5BXMWG)
+[](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)
---
-## با تیم آشنا شوید
+## تیم ما را بشناسید
-[](https://youtu.be/Tj1XWrDSYJU)
+[](https://youtu.be/Tj1XWrDSYJU)
**گیف توسط** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
-> 🎥 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
-- بررسی‌های دانش
+- یادداشت تصویری اختیاری
+- ویدیوی مکمل اختیاری
+- ویدیو راهنما (فقط بعضی درس‌ها)
+- [آزمون گرم‌کردن پیش‌درس](https://ff-quizzes.netlify.app/en/ml/)
+- درس نوشتاری
+- 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:
### 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)
+[-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)
---
-### یادگیری اساسی
-[](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://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+### مجموعه Copilot
+[](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://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
## دریافت کمک
-اگر در یادگیری یادگیری ماشین یا ساخت برنامه‌های هوش مصنوعی به مشکل برخوردید یا سوالی داشتید، نگران نباشید — کمک در دسترس است.
+اگر هنگام یادگیری یادگیری ماشین یا ساخت برنامه‌های هوش مصنوعی دچار مشکل یا سوال شدید نگران نباشید — کمک موجود است.
-می‌توانید در بحث‌ها با دیگر یادگیرندگان و توسعه‌دهندگان شرکت کنید، سوالات خود را بپرسید و ایده‌هایتان را با جامعه به اشتراک بگذارید.
+شما می‌توانید در بحث‌ها با سایر یادگیرندگان و توسعه‌دهندگان شرکت کنید، سوالات بپرسید و ایده‌های خود را با جامعه به اشتراک بگذارید.
-- به جامعه بپیوندید تا سوالات خود را مطرح کنید و همراه با دیگران یاد بگیرید
-- درباره مفاهیم یادگیری ماشین و ایده‌های پروژه بحث کنید
+- به جامعه بپیوندید تا سوال بپرسید و همراه با دیگران یاد بگیرید
+- مفاهیم یادگیری ماشین و ایده‌های پروژه را بحث کنید
- از توسعه‌دهندگان باتجربه راهنمایی بگیرید
-یک جامعه حمایت‌گرانه راهی عالی برای رشد مهارت‌ها و حل سریع‌تر مشکلات است.
+یک جامعه حمایتگر راه بسیار خوبی برای رشد مهارت‌هایتان و حل سریع‌تر مشکلات است.
[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG)
-اگر با اشکال، خطا یا پیشنهاد بهبود مواجه شدید، می‌توانید یک **Issue** در این مخزن باز کنید تا مشکل را گزارش دهید.
+اگر با اشکال، خطا یا پیشنهاداتی برای بهبود برخورد کردید، می‌توانید یک **Issue** در این مخزن باز کنید تا مشکل را گزارش دهید.
-برای بازخورد درباره محصول یا جستجوی پست‌های موجود در جامعه، به فروم توسعه‌دهندگان مراجعه کنید:
+برای بازخورد محصول یا جستجوی پست‌های قبلی جامعه، به انجمن توسعه‌دهندگان مراجعه کنید:
[](https://aka.ms/foundry/forum)
-## نکات اضافی برای یادگیری
+## نکات بیشتر برای یادگیری
-- 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.
---
-**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 هر گونه 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 سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
\ No newline at end of file
diff --git a/translations/fa/for-teachers.md b/translations/fa/for-teachers.md
index 5cc84b3a7..c271da9aa 100644
--- a/translations/fa/for-teachers.md
+++ b/translations/fa/for-teachers.md
@@ -1,28 +1,30 @@
-## برای آموزگاران
+## برای مربیان
-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.
\ No newline at end of file
+
+**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.
+
\ No newline at end of file
diff --git a/translations/ur/.co-op-translator.json b/translations/ur/.co-op-translator.json
index 2df3f3a1b..6d5d95c2e 100644
--- a/translations/ur/.co-op-translator.json
+++ b/translations/ur/.co-op-translator.json
@@ -12,8 +12,8 @@
"language_code": "ur"
},
"1-Introduction/2-history-of-ML/README.md": {
- "original_hash": "6a05fec147e734c3e6bfa54505648e2b",
- "translation_date": "2025-09-06T08:53:42+00:00",
+ "original_hash": "e6b5247d6b4dc821434070bdb58e8285",
+ "translation_date": "2026-09-14T20:35:37+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "ur"
},
@@ -24,8 +24,8 @@
"language_code": "ur"
},
"1-Introduction/3-fairness/README.md": {
- "original_hash": "0f00d72169a0d37eecfd16d71e01700a",
- "translation_date": "2026-07-14T03:33:55+00:00",
+ "original_hash": "0c620ca2c6d2828e9a838ecec5f01265",
+ "translation_date": "2026-09-14T20:34:18+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "ur"
},
@@ -54,8 +54,8 @@
"language_code": "ur"
},
"2-Regression/1-Tools/README.md": {
- "original_hash": "0b8635427b582d03ea4ab7089b93e505",
- "translation_date": "2026-07-14T03:30:32+00:00",
+ "original_hash": "1f4f6c95404d528041bcc36784771084",
+ "translation_date": "2026-09-14T20:37:09+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "ur"
},
@@ -282,8 +282,8 @@
"language_code": "ur"
},
"5-Clustering/README.md": {
- "original_hash": "b28a3a4911584062772c537b653ebbc7",
- "translation_date": "2025-08-29T13:18:41+00:00",
+ "original_hash": "c78940a1b03da1de13bd97527f9e6606",
+ "translation_date": "2026-09-14T20:32:24+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "ur"
},
@@ -456,8 +456,8 @@
"language_code": "ur"
},
"7-TimeSeries/README.md": {
- "original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
- "translation_date": "2025-08-29T13:08:50+00:00",
+ "original_hash": "722526664e764a2290e1def74afa5139",
+ "translation_date": "2026-09-14T20:32:37+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "ur"
},
@@ -564,8 +564,8 @@
"language_code": "ur"
},
"README.md": {
- "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0",
- "translation_date": "2026-04-20T19:45:12+00:00",
+ "original_hash": "8bba8faed876aa7bbc92b759a350b1d8",
+ "translation_date": "2026-09-14T20:26:28+00:00",
"source_file": "README.md",
"language_code": "ur"
},
@@ -592,11 +592,11 @@
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "ur",
- "failure_date": "2026-07-14T03:29:47+00:00",
+ "failure_date": "2026-09-14T20:32:05+00:00",
"status": "failed",
"error_type": "TranslationIncompleteError",
"error_message": "Markdown translation remained incomplete for chunk 1.1.1 of 'LICENSE.md', and the chunk could not be split further.",
- "translator_version": "0.20.0",
+ "translator_version": "0.20.1",
"failure_policy_version": 1
}
},
@@ -607,8 +607,8 @@
"language_code": "ur"
},
"for-teachers.md": {
- "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
- "translation_date": "2025-08-29T12:50:43+00:00",
+ "original_hash": "4b5b4e11bf182a803261b55a19d3ee70",
+ "translation_date": "2026-09-14T20:24:05+00:00",
"source_file": "for-teachers.md",
"language_code": "ur"
},
diff --git a/translations/ur/1-Introduction/2-history-of-ML/README.md b/translations/ur/1-Introduction/2-history-of-ML/README.md
index 222396dbc..1918cb845 100644
--- a/translations/ur/1-Introduction/2-history-of-ML/README.md
+++ b/translations/ur/1-Introduction/2-history-of-ML/README.md
@@ -1,155 +1,157 @@
# مشین لرننگ کی تاریخ
-
-> خاکہ: [Tomomi Imura](https://www.twitter.com/girlie_mac)
+
+> سکیچ نوٹ بذریعہ [Tomomi Imura](https://www.twitter.com/girlie_mac)
-## [لیکچر سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ml/)
+## [پری لیکچر کوئز](https://ff-quizzes.netlify.app/en/ml/)
---
-[](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) [فیڈ فارورڈ 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) فیڈ فارورڈ 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/)
+## [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ml/)
---
## جائزہ اور خود مطالعہ
-یہاں دیکھنے اور سننے کے لیے کچھ آئٹمز ہیں:
+دیکھنے اور سننے کے لیے چند اشیاء:
-[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۔
\ No newline at end of file
+
+**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۔
+
\ No newline at end of file
diff --git a/translations/ur/1-Introduction/3-fairness/README.md b/translations/ur/1-Introduction/3-fairness/README.md
index 3053110ab..0727384af 100644
--- a/translations/ur/1-Introduction/3-fairness/README.md
+++ b/translations/ur/1-Introduction/3-fairness/README.md
@@ -1,163 +1,162 @@
-# ذمہ دار AI کے ساتھ مشین لرننگ حل تیار کرنا
+# ذمہ دار AI کے ساتھ مشین لرننگ کے حل تعمیر کرنا
-> سکیچنوٹ از [Tomomi Imura](https://www.twitter.com/girlie_mac)
+> سکیچ نوٹ از [Tomomi Imura](https://www.twitter.com/girlie_mac)
-## [لیچرز سے پہلے کا کوئز](https://ff-quizzes.netlify.app/en/ml/)
+## [پری لیکچر کوئز](https://ff-quizzes.netlify.app/en/ml/)
## تعارف
-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 کون سا 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۔
+آخر کار، 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 ڈی بگنگ
-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/)
+## [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ml/)
-## جائزہ اور خود مطالعہ
+## جائزہ اور خود مطالعہ
-
-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:
-- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
+- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
## اسائنمنٹ
-[RAI Toolbox کو دریافت کریں](assignment.md)
+[RAI ٹول باکس دریافت کریں](assignment.md)
---
diff --git a/translations/ur/2-Regression/1-Tools/README.md b/translations/ur/2-Regression/1-Tools/README.md
index 2893af624..86dc21db6 100644
--- a/translations/ur/2-Regression/1-Tools/README.md
+++ b/translations/ur/2-Regression/1-Tools/README.md
@@ -1,121 +1,121 @@
-# Python اور Scikit-learn کے ساتھ ریگریشن ماڈلز کے لیے شروع کریں
+# ریگریشن ماڈلز کے لئے پائتھون اور سکی کِٹ-لرن کے ساتھ شروع کریں
-
+
-> سکیتچنوٹ از [Tomomi Imura](https://www.twitter.com/girlie_mac)
+> اسکیچ نوٹ از [ٹومومی امورہ](https://www.twitter.com/girlie_mac)
## [پری لیکچر کوئز](https://ff-quizzes.netlify.app/en/ml/)
-> ### [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 ان سپروائزڈ 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 ہو گا۔
+✅ 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 کر کے 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 کر کے 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؟
+## [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ml/)
## جائزہ اور خود مطالعہ
-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۔
## اسائنمنٹ
diff --git a/translations/ur/5-Clustering/README.md b/translations/ur/5-Clustering/README.md
index 7dd7051c1..825b996e3 100644
--- a/translations/ur/5-Clustering/README.md
+++ b/translations/ur/5-Clustering/README.md
@@ -1,33 +1,35 @@
# مشین لرننگ کے لیے کلسٹرنگ ماڈلز
-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 مارسیلا لاسکوسکی، Unsplash پر
+> تصویر by مارسیلا لاسکوسکی پر انسپلش
-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 لو کوڈ 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۔
\ No newline at end of file
+
+**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۔
+
\ No newline at end of file
diff --git a/translations/ur/7-TimeSeries/README.md b/translations/ur/7-TimeSeries/README.md
index 7c1bf76fa..e3035c19e 100644
--- a/translations/ur/7-TimeSeries/README.md
+++ b/translations/ur/7-TimeSeries/README.md
@@ -1,28 +1,30 @@
-# وقت کے سلسلے کی پیش گوئی کا تعارف
+# وقت کی سلسلہ پیش گوئی کا تعارف
-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۔
\ No newline at end of file
+
+**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۔
+
\ No newline at end of file
diff --git a/translations/ur/README.md b/translations/ur/README.md
index d5e56c8a6..586d8bd02 100644
--- a/translations/ur/README.md
+++ b/translations/ur/README.md
@@ -1,177 +1,182 @@
-[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
-[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
-[](http://makeapullrequest.com)
+[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
+[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[](http://makeapullrequest.com)
-[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
-### 🌐 کثیر لسانی تعاون
+### 🌐 کثیراللسانی معاونت
-#### GitHub ایکشن کے ذریعے تعاون یافتہ (خودکار اور ہمیشہ تازہ ترین)
+#### GitHub ایکشن کے ذریعہ معاونت (خودکار اور ہمیشہ تازہ ترین)
-[عربی](../ar/README.md) | [بنگالی](../bn/README.md) | [بلغاریائی](../bg/README.md) | [برمی (میانمار)](../my/README.md) | [چینی (سادہ)](../zh-CN/README.md) | [چینی (روایتی، ہانگ کانگ)](../zh-HK/README.md) | [چینی (روایتی، میکاؤ)](../zh-MO/README.md) | [چینی (روایتی، تائیوان)](../zh-TW/README.md) | [کریوٹ](../hr/README.md) | [چیک](../cs/README.md) | [ڈینش](../da/README.md) | [ڈچ](../nl/README.md) | [ایسٹونین](../et/README.md) | [فنش](../fi/README.md) | [فرانسیسی](../fr/README.md) | [جرمن](../de/README.md) | [یونانی](../el/README.md) | [عبرانی](../he/README.md) | [ہندی](../hi/README.md) | [ہنگیرین](../hu/README.md) | [انڈونیشیائی](../id/README.md) | [اطالوی](../it/README.md) | [جاپانی](../ja/README.md) | [کنڑا](../kn/README.md) | [کھمیر](../km/README.md) | [کوریائی](../ko/README.md) | [لتھوانین](../lt/README.md) | [ملایی](../ms/README.md) | [ملایالم](../ml/README.md) | [مراٹھی](../mr/README.md) | [نیپالی](../ne/README.md) | [نائجیریائی پیجین](../pcm/README.md) | [ناروے](../no/README.md) | [فارسی (اردو)](../fa/README.md) | [پولش](../pl/README.md) | [پرتگالی (برازیل)](../pt-BR/README.md) | [پرتگالی (پرتگال)](../pt-PT/README.md) | [پنجابی (گورمکھی)](../pa/README.md) | [رومانیائی](../ro/README.md) | [روسی](../ru/README.md) | [سربین (سیریلک)](../sr/README.md) | [سلوواک](../sk/README.md) | [سلووینیائی](../sl/README.md) | [ہسپانوی](../es/README.md) | [سواحلی](../sw/README.md) | [سویڈش](../sv/README.md) | [ٹاگالوگ (فلپائنی)](../tl/README.md) | [تمل](../ta/README.md) | [تیلگو](../te/README.md) | [تھائی](../th/README.md) | [ترکی](../tr/README.md) | [یوکرینیائی](../uk/README.md) | [اردو](./README.md) | [ویتنامی](../vi/README.md)
+[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](./README.md) | [Vietnamese](../vi/README.md)
-> **مقامی طور پر کلون کرنا پسند کریں؟**
+> **کیا آپ لوکل طور پر کلون کرنا پسند کریں گے؟**
>
-> اس ریپوزیٹری میں 50+ زبان کی تراجم شامل ہیں جو ڈاؤن لوڈ حجم میں نمایاں اضافہ کرتے ہیں۔ بغیر تراجم کے کلون کرنے کے لیے اسپارس چیکآؤٹ استعمال کریں:
+> یہ ریپوزیٹری 50+ زبانوں کے تراجم شامل کرتی ہے جو ڈاؤن لوڈ سائز کو بہت بڑھا دیتے ہیں۔ تراجم کے بغیر کلون کرنے کے لیے sparse checkout استعمال کریں:
>
-> **باش / میک او ایس / لینکس:**
+> **Bash / macOS / Linux:**
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
>
-> **سی ایم ڈی (ونڈوز):**
+> **CMD (Windows):**
> ```cmd
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
-> یہ آپ کو کورس مکمل کرنے کے لیے ہر چیز فراہم کرتا ہے، وہ بھی بہت تیز ڈاؤن لوڈ کے ساتھ۔
+> اس سے آپ کو کورس مکمل کرنے کے لئے سب کچھ مل جائے گا اور ایک بہت تیز ڈاؤن لوڈ ہوگا۔
#### ہماری کمیونٹی میں شامل ہوں
[](https://discord.gg/nTYy5BXMWG)
-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۔
+2. **ریپوزیٹری کلون کریں**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
-> [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 کر کے دیکھ سکتے ہیں۔
-[](https://aka.ms/ml-beginners-videos)
+[](https://aka.ms/ml-beginners-videos)
---
-## ٹیم سے ملیں
+## ٹیم سے ملاقات کریں
-[](https://youtu.be/Tj1XWrDSYJU)
+[](https://youtu.be/Tj1XWrDSYJU)
-**گیف بنائی گئی** [موہت جیسال](https://linkedin.com/in/mohitjaisal)
+**گیف بذریعہ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
-> 🎥 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!
-## ہر سبق میں شامل ہے
+## ہر سبق میں شامل ہیں
-- اختیاری سکیچ نوٹ
-- اختیاری ضمنی ویڈیو
-- ویڈیو واک تھرو (صرف کچھ اسباق)
+- اختیاری سکیچ نوٹس
+- اختیاری اضافی ویڈیو
+- ویڈیو واک تھرو (کچھ اسباق میں)
- [پری لیکچر وارم اپ کوئز](https://ff-quizzes.netlify.app/en/ml/)
- تحریری سبق
-- پروجیکٹ پر مبنی اسباق کے لیے، پروجیکٹ بنانے کے لیے قدم بہ قدم رہنمائی
-- علمی جانچیں
+- پروجیکٹ بیسڈ اسباق کیلئے پروجیکٹ بنانے کے مرحلہ وار رہنما اصول
+- نالج چیکس
- ایک چیلنج
-- ضمنی مطالعہ
+- اضافی مطالعہ
- اسائنمنٹ
- [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ml/)
-> **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 |
-| 12 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | مزید درجہ بند کنندگان | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.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 |
-| 21 | ٹائم سیریز پیشن گوئی کا تعارف | [ٹائم سیریز](7-TimeSeries/README.md) | ٹائم سیریز پیشن گوئی کا تعارف | [Python](7-TimeSeries/1-Introduction/README.md) | فرانسسکا |
-| 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 |
+| 12 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [Classification](4-Classification/README.md) | مزید درجہ بندی کنندگان | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.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:
### 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://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+### کوپائلٹ سیریز
+[](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://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
## مدد حاصل کرنا
-اگر آپ مشین لرننگ سیکھتے ہوئے یا AI ایپلیکیشنز بناتے ہوئے پھنس جاتے ہیں یا آپ کو سوالات ہیں، تو پریشان نہ ہوں — مدد دستیاب ہے۔
+اگر آپ مشین لرننگ سیکھتے ہوئے یا AI ایپلیکیشنز بناتے ہوئے پھنس جائیں یا سوالات ہوں تو فکر نہ کریں — مدد دستیاب ہے۔
-آپ دوسرے سیکھنے والوں اور ڈویلپرز کے ساتھ بات چیت میں شامل ہو سکتے ہیں، سوالات پوچھ سکتے ہیں، اور اپنی سوچ کمیونٹی کے ساتھ شیئر کر سکتے ہیں۔
+آپ دوسرے سیکھنے والوں اور ڈویلپرز کے ساتھ مباحثوں میں شامل ہوسکتے ہیں، سوالات پوچھ سکتے ہیں، اور اپنی تجاویز کمیونٹی کے ساتھ شیئر کر سکتے ہیں۔
- سوالات پوچھنے اور دوسروں کے ساتھ سیکھنے کے لیے کمیونٹی میں شامل ہوں
-- مشین لرننگ کے تصورات اور پروجیکٹ آئیڈیاز پر بات چیت کریں
+- مشین لرننگ کے تصورات اور پروجیکٹ آئیڈیاز پر گفتگو کریں
- تجربہ کار ڈویلپرز سے رہنمائی حاصل کریں
-ایک معاون کمیونٹی آپ کی مہارتوں کو بڑھانے اور مسائل کو جلد حل کرنے کا بہترین ذریعہ ہے۔
+ایک معاون کمیونٹی اپنے ہنر کو بڑھانے اور مسائل کو تیزی سے حل کرنے کا بہترین طریقہ ہے۔
[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG)
-اگر آپ کو بگز، غلطیاں، یا بہتری کے لئے تجاویز نظر آئیں، تو آپ اس ریپوزیٹری میں ایک **مسئلہ** بھی کھول کر مسئلہ رپورٹ کر سکتے ہیں۔
+اگر آپ کو بگ، ایرر یا بہتری کی تجاویز ملیں تو آپ اس ریپوزیٹری میں ایک **Issue** بھی کھول سکتے ہیں تاکہ مسئلہ رپورٹ کیا جا سکے۔
-پروڈکٹ فیڈبیک کے لیے یا موجودہ کمیونٹی پوسٹس تلاش کرنے کے لیے، ڈیولپر فورم ملاحظہ کریں:
+مصنوعات کی رائے کے لیے یا موجودہ کمیونٹی پوسٹس کی تلاش کے لیے، ڈیویلپر فورم پر جائیں:
[](https://aka.ms/foundry/forum)
-## اضافی سیکھنے کے مشورے
+## اضافی سیکھنے کے نکات
-- 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۔
---
-**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۔
\ No newline at end of file
diff --git a/translations/ur/for-teachers.md b/translations/ur/for-teachers.md
index b4cb2d100..9a213f5b8 100644
--- a/translations/ur/for-teachers.md
+++ b/translations/ur/for-teachers.md
@@ -1,28 +1,30 @@
## اساتذہ کے لیے
-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۔
\ No newline at end of file
+
+**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۔
+
\ No newline at end of file
diff --git a/translations/zh-CN/.co-op-translator.json b/translations/zh-CN/.co-op-translator.json
index 5bce0be2d..aaccb7df5 100644
--- a/translations/zh-CN/.co-op-translator.json
+++ b/translations/zh-CN/.co-op-translator.json
@@ -24,8 +24,8 @@
"language_code": "zh-CN"
},
"1-Introduction/3-fairness/README.md": {
- "original_hash": "0f00d72169a0d37eecfd16d71e01700a",
- "translation_date": "2026-07-14T03:40:24+00:00",
+ "original_hash": "0c620ca2c6d2828e9a838ecec5f01265",
+ "translation_date": "2026-09-14T20:45:52+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "zh-CN"
},
@@ -54,8 +54,8 @@
"language_code": "zh-CN"
},
"2-Regression/1-Tools/README.md": {
- "original_hash": "0b8635427b582d03ea4ab7089b93e505",
- "translation_date": "2026-07-14T03:37:00+00:00",
+ "original_hash": "1f4f6c95404d528041bcc36784771084",
+ "translation_date": "2026-09-14T20:48:21+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "zh-CN"
},
@@ -282,8 +282,8 @@
"language_code": "zh-CN"
},
"5-Clustering/README.md": {
- "original_hash": "b28a3a4911584062772c537b653ebbc7",
- "translation_date": "2025-09-03T17:02:10+00:00",
+ "original_hash": "c78940a1b03da1de13bd97527f9e6606",
+ "translation_date": "2026-09-14T20:44:37+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "zh-CN"
},
@@ -456,8 +456,8 @@
"language_code": "zh-CN"
},
"7-TimeSeries/README.md": {
- "original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
- "translation_date": "2025-09-03T16:46:16+00:00",
+ "original_hash": "722526664e764a2290e1def74afa5139",
+ "translation_date": "2026-09-14T20:44:53+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "zh-CN"
},
@@ -564,8 +564,8 @@
"language_code": "zh-CN"
},
"README.md": {
- "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0",
- "translation_date": "2026-04-20T19:49:40+00:00",
+ "original_hash": "8bba8faed876aa7bbc92b759a350b1d8",
+ "translation_date": "2026-09-14T20:39:44+00:00",
"source_file": "README.md",
"language_code": "zh-CN"
},
@@ -592,11 +592,11 @@
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "zh-CN",
- "failure_date": "2026-07-14T03:36:21+00:00",
+ "failure_date": "2026-09-14T20:44:19+00:00",
"status": "failed",
"error_type": "TranslationIncompleteError",
"error_message": "Markdown translation remained incomplete for chunk 1.1.1 of 'LICENSE.md', and the chunk could not be split further.",
- "translator_version": "0.20.0",
+ "translator_version": "0.20.1",
"failure_policy_version": 1
}
},
@@ -607,8 +607,8 @@
"language_code": "zh-CN"
},
"for-teachers.md": {
- "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
- "translation_date": "2025-09-03T16:15:43+00:00",
+ "original_hash": "4b5b4e11bf182a803261b55a19d3ee70",
+ "translation_date": "2026-09-14T20:37:22+00:00",
"source_file": "for-teachers.md",
"language_code": "zh-CN"
},
diff --git a/translations/zh-CN/1-Introduction/3-fairness/README.md b/translations/zh-CN/1-Introduction/3-fairness/README.md
index 0d5070632..a3f4f5762 100644
--- a/translations/zh-CN/1-Introduction/3-fairness/README.md
+++ b/translations/zh-CN/1-Introduction/3-fairness/README.md
@@ -1,161 +1,160 @@
-# 使用负责任的 AI 构建机器学习解决方案
+# 构建具有负责任人工智能的机器学习解决方案
-
-> 手绘笔记作者：[Tomomi Imura](https://www.twitter.com/girlie_mac)
+
+> 示意图作者：[Tomomi Imura](https://www.twitter.com/girlie_mac)
## [课前测验](https://ff-quizzes.netlify.app/en/ml/)
## 介绍
-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。
+在本课程中，您将开始发现机器学习如何以及已经如何影响我们的日常生活。即使在现在，系统和模型也参与了日常的决策任务，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作以提供值得信赖的结果非常重要。就像任何软件应用程序一样，人工智能系统也会未达预期或产生不良结果。这就是为什么理解和解释人工智能模型行为是至关重要的原因。
-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。
+想象一下，当您用于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，或这些人口统计信息所占比例不均时，会发生什么？当模型的输出被解释为偏向某些人口统计时，会产生什么后果？此外，当模型产生不良结果并对人们造成伤害时，会发生什么？谁应对人工智能系统的行为负责？这些都是我们将在本课程中探讨的一些问题。
-在本课中，你将：
+在本课中，您将：
-- 提高你对机器学习公平性及其相关危害重要性的认识。
-- 熟悉探索异常值和不寻常情况的实践，以确保可靠性和安全性。
-- 了解设计包容性系统以赋能所有人的必要性。
-- 探究保护数据和人们隐私安全的重要性。
-- 认识到采用“玻璃盒”方法解释 AI 模型行为的重要性。
-- 关注问责制如何对建立 AI 系统的信任至关重要。
+- 提高对机器学习中公平性及其相关危害重要性的认识。
+- 熟悉探讨异常值和非典型场景以确保可靠性和安全性的实践。
+- 理解通过设计包容性系统赋能所有人的必要性。
+- 探索保护数据和个人隐私安全的重要性。
+- 了解采用透明（玻璃盒）方法解释人工智能模型行为的重要性。
+- 注意责任制对于建立人工智能系统信任的重要作用。
## 先决条件
-作为先决条件，请完成“负责任的 AI 原则”学习路径并观看下面的视频：
+作为先决条件，请参加“负责任人工智能原则”学习路径，并观看下面关于该主题的视频：
-通过以下[学习路径](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)了解更多负责任的 AI。
+通过此[学习路径](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)深入了解负责任人工智能
-[](https://youtu.be/dnC8-uUZXSc "微软的负责任 AI 方法")
+[](https://youtu.be/dnC8-uUZXSc "微软负责任人工智能方法")
-> 🎥 点击上图观看视频：微软的负责任 AI 方法
+> 🎥 点击上图观看视频：微软负责任人工智能方法
## 公平性
-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。
+人工智能系统应公平对待每个人，避免对相似群体产生不同影响。例如，当人工智能系统为医疗治疗、贷款申请或就业提供指导时，应对具有相似症状、经济状况或专业资格的所有人做出相同的建议。每个人都携带着影响我们决策和行为的固有偏见。这些偏见可能会反映在用于训练人工智能系统的数据中。这类偏见有时是无意中引入的。很难在意识层面上察觉何时在数据中引入了偏见。
-**“不公平”** 包括对某个人群产生的负面影响或“伤害”，例如按种族、性别、年龄或残疾状况定义的人群。主要的公平相关危害可以分类为：
+**“不公平”** 指的是对某一群体产生负面影响或“危害”，这些群体可以根据种族、性别、年龄或残疾状况等定义。主要与公平相关的危害可分为：
-- 分配，比如性别或种族被偏爱。
-- 服务质量。如果你训练数据仅针对某一特定情景，但现实更复杂，可能导致服务表现不佳。例如，一个自动洗手液分配器检测不到深色皮肤的人。[参考资料](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
-- 诋毁。不公平地批评并给某物或某人贴标签。例如，某图像标签技术臭名昭著地将深色皮肤的人错误标注为猩猩。
-- 过度或不足代表。某一群体在某职业中不被看到，而任何持续促进这种状况的服务或功能都会造成伤害。
-- 刻板印象。将某一群体与预设属性关联。例如，英土语言翻译系统因词语存在性别刻板联想而产生不准确。
+- 资源分配，例如偏袒某个性别或族裔群体。
+- 服务质量。如果您训练的是针对特定场景的数据，但现实更加复杂，可能导致服务表现不佳。例如，某款洗手液分配器无法感应深色皮肤的人。[参考](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
+- 贬低。不公平地批评和贴标签。例如，某些图像标签技术臭名昭著地将深色皮肤的人误标为猩猩。
+- 过度或不足代表。指某一群体在某个职业中缺席，任何持续促进这种现象的服务或功能都会造成伤害。
+- 刻板印象。将预先指定的属性与某个群体关联。例如，英土译系统中可能因带有性别刻板印象的词汇而出现不准确。
-
-> 翻译成土耳其语
+
+> 翻译为土耳其语
> 再翻译回英语
-在设计和测试 AI 系统时，我们需要确保 AI 公平且不被编程为做出偏见或歧视性决策，这些行为对人类也是被禁止的。保证 AI 和机器学习中的公平性仍然是复杂的社会技术挑战。
+在设计和测试人工智能系统时，我们需要确保人工智能公平且不编程为作出带有偏见或歧视的决策，人类同样被禁止做出这样的决策。确保人工智能和机器学习的公平性仍是一项复杂的社会技术挑战。
-### 可靠性与安全性
+### 可靠性和安全性
-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。
+为了建立信任，人工智能系统需要在正常和意外情况下保持可靠、安全和一致。了解人工智能系统在各种情况下的行为尤其重要，特别是在异常情况下。构建人工智能解决方案时，需要大量关注如何处理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放在首位。因此，为汽车提供动力的人工智能需要考虑汽车可能遇到的所有场景，如夜间、暴风雨或暴雪、街上跑过的孩子、宠物、道路施工等。人工智能系统在可靠且安全地应对各种复杂条件的能力反映了数据科学家或人工智能开发人员在系统设计或测试阶段的预见性。
-> [🎥 点击这里观看视频：](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
+> [🎥 点击这里观看视频：人工智能中的可靠性和安全性](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### 包容性
-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。
+人工智能系统应设计成能够吸引和赋能每个人。在设计和实施人工智能系统时，数据科学家和人工智能开发人员会识别并解决系统中可能无意间排除某些人的障碍。例如，全球有10亿残疾人。随着人工智能的发展，他们可以更容易地在日常生活中获取各种信息和机会。通过解决这些障碍，可以创造创新机会，开发出为所有人带来更好体验的人工智能产品。
-> [🎥 点击这里观看视频：AI 中的包容性](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
+> [🎥 点击这里观看视频：人工智能中的包容性](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
-### 安全与隐私
+### 安全和隐私
-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。
+人工智能系统应安全并尊重个人隐私。人们对那些可能危及其隐私、信息或生命的系统信任度较低。训练机器学习模型时，我们依赖数据以产生最佳结果。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？此外，在处理数据时，开发的人工智能系统必须能够保护机密信息并抵御攻击。随着人工智能的普及，保护隐私和保障重要个人及企业信息安全变得愈发关键且复杂。隐私和数据安全问题对人工智能尤为重要，因为人工智能系统依赖数据做出准确且有依据的预测和决策。
-> [🎥 点击这里观看视频：AI 中的安全](https://www.microsoft.com/videoplayer/embed/RE4voJF)
+> [🎥 点击这里观看视频：人工智能中的安全](https://www.microsoft.com/videoplayer/embed/RE4voJF)
-- 作为行业，我们在隐私与安全上取得了重大进展，这在很大程度上得益于诸如 GDPR（通用数据保护条例）等法规。
-- 然而在 AI 系统中，我们必须承认使系统更个性化、更有效所需的更多个人数据与隐私保护之间存在紧张关系。
-- 就像互联网诞生时连接计算机的兴起，我们也看到与 AI 相关的安全问题数量大幅增加。
-- 同时，我们看到 AI 被用于提升安全性。例如，大多数现代杀毒扫描器如今都依赖 AI 启发式技术。
-- 我们需要确保数据科学流程与最新的隐私及安全实践和谐融合。
+- 作为一个行业，我们在隐私与安全方面取得了显著进步，这很大程度上得益于像GDPR（通用数据保护条例）这样的法规。
+- 然而，对于人工智能系统，我们必须认识到，系统为了变得更个性化和有效，需要更多个人数据，这与隐私保护之间存在矛盾。
+- 就如同连接计算机互联网诞生时一样，我们也看到与人工智能相关的安全问题激增。
+- 同时，我们已看到人工智能被用来提升安全性。举例来说，当今大多数现代杀毒软件扫描器都是基于人工智能启发式方法。
+- 我们需要确保数据科学流程能与最新的隐私和安全实践和谐融合。
### 透明度
-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。
+人工智能系统应易于理解。透明度的关键部分是解释人工智能系统及其组件的行为。提升对人工智能系统的理解要求利益相关者明白其功能及工作原理，以便识别潜在的性能问题、安全和隐私忧虑、偏见、排除性行为或非预期结果。我们还认为，使用人工智能系统的人应诚实公开地说明何时、为何及如何选择部署它们，以及所用系统的局限性。例如，银行使用人工智能系统支持消费贷款决策时，重要的是审查结果并了解哪些数据影响系统推荐。各国政府正开始规制各行业的人工智能，因此数据科学家和组织必须说明是否人工智能系统符合监管要求，尤其在出现不良结果时。
-> [🎥 点击这里观看视频：AI 中的透明度](https://www.microsoft.com/videoplayer/embed/RE4voJF)
+> [🎥 点击这里观看视频：人工智能中的透明度](https://www.microsoft.com/videoplayer/embed/RE4voJF)
-- 由于 AI 系统十分复杂，难以理解其工作原理并解释结果。
-- 这种理解缺失影响系统的管理、运营和文档化。
-- 更重要的是，这种缺失影响基于系统结果所做的决策。
+- 由于人工智能系统极其复杂，很难理解它们的工作原理并解释结果。
+- 缺乏理解影响了这些系统的管理、操作和文档记录方式。
+- 更重要的是，这种理解的缺失影响了基于这些系统结果所做的决策。
-### 问责制
+### 责任制
-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。
+设计和部署人工智能系统的人必须对系统的运行负责。责任制在使用敏感技术（如面部识别）时尤为关键。近年来，对面部识别技术的需求日益增加，尤其是执法机构看到该技术在寻找失踪儿童等场景中的潜力。然而，这些技术也可能被政府滥用，威胁公民的基本自由，例如对特定个人实施持续监控。因此，数据科学家和组织需要对其人工智能系统对个人或社会的影响承担责任。
-[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "微软的负责任 AI 方法")
+[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "微软负责任人工智能方法")
-> 🎥 点击上图观看视频：通过面部识别进行大规模监控的警告
+> 🎥 点击上图观看视频：关于面部识别引发的大规模监控警告
-归根结底，对我们这一代（作为推动 AI 进入社会的第一代人）来说，最大的一个问题是如何确保计算机对人类负责，以及如何保证设计计算机的人们对其他所有人负责。
+归根结底，作为第一代将人工智能引入社会的一代，我们面临的最大问题之一是如何确保计算机对人类负责，以及设计计算机的人如何对所有其他人负责。
## 影响评估
-在训练机器学习模型之前，进行影响评估很重要，以了解 AI 系统的目的；预期用途；部署地点；以及系统将与谁交互。对于评审员或测试人员评估系统时，了解这些有助于确定识别潜在风险和预期后果时应考虑的因素。
+在训练机器学习模型之前，进行影响评估非常重要，以了解人工智能系统的目的；预期用途；部署地点；以及与系统交互的对象。这些信息有助于评审者或测试者评估系统时考量潜在风险和预期后果。
进行影响评估时关注的领域包括：
-* 对个体的负面影响。意识到任何限制或要求、不支持的用途或已知限制影响系统性能，确保系统不会以可能对个体造成伤害的方式使用。
-* 数据需求。了解系统如何以及从哪里使用数据，帮助评审员探讨应注意的数据要求（例如 GDPR 或 HIPAA）。此外，检视数据来源或数量是否足够训练使用。
-* 影响总结。收集使用系统可能引发的潜在伤害列表。在机器学习生命周期中，检查已识别的问题是否得到缓解或解决。
-* 适用目标。评估六大核心原则中每项的目标是否达成，以及是否存在缺口。
+* 对个人的负面影响。了解任何限制或要求、不支持的用途或已知的局限性对于确保系统不会以可能伤害个人的方式使用至关重要。
+* 数据需求。了解系统如何及在哪里使用数据，使评审者能探索需注意的数据要求（例如，GDPR或HIPAA数据法规）。此外，检查数据的来源和数量是否充足用于训练。
+* 影响总结。汇总可能由使用系统引起的潜在危害清单。在机器学习生命周期中，检查已识别的问题是否得到缓解或解决。
+* 每个六项核心原则的适用目标。评估是否达成每项原则的目标，以及是否存在任何差距。
-## 用负责任的 AI 进行调试
+## 负责任人工智能的调试
-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：
+类似于调试软件应用程序，调试人工智能系统是识别和解决系统问题的必要过程。模型未按预期或负责任地表现的因素有很多。大多数传统的模型性能指标是模型性能的定量汇总，不足以分析模型如何违反负责任人工智能原则。另外，机器学习模型是黑盒，很难理解驱动其结果的因素或在出错时提供解释。本课程后面，我们将学习如何使用负责任人工智能仪表盘来调试人工智能系统。该仪表盘为数据科学家和人工智能开发者提供了全面的工具，支持：
-* 错误分析。识别模型错误分布，这些错误可能影响系统的公平性或可靠性。
-* 模型概览。发现在数据子群中模型性能存在的差异。
-* 数据分析。理解数据分布，识别可能导致公平性、包容性和可靠性问题的潜在偏见。
-* 模型可解释性。理解影响或驱动模型预测的因素。帮助解释模型行为，这对透明度和问责制很重要。
+* 错误分析。识别可能影响系统公平性或可靠性的模型误差分布。
+* 模型概况。发现模型在不同数据群体间性能差异的位置。
+* 数据分析。理解数据分布并识别任何可能导致公平性、包容性和可靠性问题的偏差。
+* 模型可解释性。理解影响或左右模型预测的因素，有助于解释模型行为，这对透明度和责任制非常重要。
## 🚀 挑战
-为了从一开始防止伤害，我们应该：
+为了防止危害的产生，我们应当：
-- 吸纳拥有多样背景和观点的人参与系统开发
+- 在参与系统开发的人员中拥有多样化的背景和观点
- 投资于反映社会多样性的数据集
-- 在整个机器学习生命周期中开发更好的检测和纠正负责任 AI 问题的方法
+- 在机器学习生命周期中开发更好的方法来检测和纠正不负责任的人工智能
-思考一下在模型构建和使用中模型不可信的真实场景。我们还应考虑什么？
+思考模型构建和使用中明显表现出不可信赖性的现实场景。我们还应考虑什么？
## [课后测验](https://ff-quizzes.netlify.app/en/ml/)
## 复习与自学
-
-在本课中，您已经学习了一些关于机器学习中公平与不公平概念的基础知识。
+在本课中，您学习了机器学习中公平与不公平概念的一些基础知识。
-观看本次研讨会，深入了解这些主题：
+观看本研讨会，深入探讨相关主题：
-- 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)
-阅读有关 Azure 机器学习确保公平性的工具：
+阅读关于 Azure 机器学习工具以确保公平性的内容：
- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
-## 作业
+## 任务
[探索 RAI Toolbox](assignment.md)
diff --git a/translations/zh-CN/2-Regression/1-Tools/README.md b/translations/zh-CN/2-Regression/1-Tools/README.md
index ff70c4595..7bc9201a3 100644
--- a/translations/zh-CN/2-Regression/1-Tools/README.md
+++ b/translations/zh-CN/2-Regression/1-Tools/README.md
@@ -1,55 +1,55 @@
# 使用 Python 和 Scikit-learn 入门回归模型
-
+
-> 草图作者：[Tomomi Imura](https://www.twitter.com/girlie_mac)
+> 手绘笔记作者 [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [课前测验](https://ff-quizzes.netlify.app/en/ml/)
-> ### [本课也提供 R 语言版本！](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
+> ### [本课程也有 R 语言版本！](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## 介绍
-在这四节课中，您将学会如何构建回归模型。稍后我们将讨论它们的用途。但在开始之前，请确保您已经准备好适当的工具！
+在这四节课中，你将学习如何构建回归模型。我们稍后会讨论这些模型的用途。但在你做任何事情之前，务必确保你拥有启动该过程所需的正确工具！
-在本课中，您将学习如何：
+在本节课中，你将学习如何：
-- 为本地机器学习任务配置计算机。
+- 配置你的计算机以用于本地机器学习任务。
- 使用 Jupyter 笔记本。
-- 使用 Scikit-learn，包括安装过程。
-- 通过实践练习探索线性回归。
+- 使用 Scikit-learn，包括安装。
+- 通过动手练习探索线性回归。
## 安装与配置
-[](https://youtu.be/-DfeD2k2Kj0 "面向初学者的机器学习 - 准备好你的工具以构建机器学习模型")
+[](https://youtu.be/-DfeD2k2Kj0 "面向初学者的机器学习 - 准备好搭建机器学习模型的工具")
-> 🎥 点击上方图片观看短视频，讲解如何配置你的计算机以进行机器学习。
+> 🎥 点击上方图片观看一个简短视频，演示如何配置你的计算机以支持机器学习。
-1. **安装 Python**。确保你的计算机上安装了[Python](https://www.python.org/downloads/)。Python 是许多数据科学和机器学习任务的基础。大多数计算机系统已经预装了 Python。还有实用的[Python 编码包](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott)，能简化某些用户的安装流程。
+1. **安装 Python**。确保你的计算机已安装 [Python](https://www.python.org/downloads/)。Python 是许多数据科学和机器学习任务中使用的工具。大多数计算机系统已经预装了 Python。也有一些实用的 [Python 编码包](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott)，可以简化部分用户的安装过程。
- 但是，Python 的某些用法需要不同的版本，因此使用[虚拟环境](https://docs.python.org/3/library/venv.html)会很有帮助。
+ 但 Python 的某些用法要求使用特定版本的软件，另一部分又需要使用不同版本。因此，使用 [虚拟环境](https://docs.python.org/3/library/venv.html) 是非常有用的。
-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)。
- > 通过本集合中的[学习模块](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)熟悉 Python。
+ > 通过完成这个集合的 [学习模块](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)增强你对 Python 的熟悉度
>
- > [](https://youtu.be/yyQM70vi7V8 "在 Visual Studio Code 中设置 Python")
+ > [](https://youtu.be/yyQM70vi7V8 "在 Visual Studio Code 中配置 Python")
>
- > 🎥 点击上方图片观看视频：如何在 VS Code 中使用 Python。
+ > 🎥 点击上方图片观看一个关于如何在 VS Code 中使用 Python 的视频。
-3. **安装 Scikit-learn**，请按照[这些说明](https://scikit-learn.org/stable/install.html)操作。需要确保使用 Python 3，建议在虚拟环境中安装。如果你在 M1 Mac 上安装，有特殊说明请参见上述链接页面。
+3. **安装 Scikit-learn**，请参照 [此处指南](https://scikit-learn.org/stable/install.html)。由于你需要确保使用 Python 3，建议使用虚拟环境安装此库。注意，如果你使用的是 M1 Mac，上述链接页面提供了特别的安装说明。
-1. **安装 Jupyter Notebook**。你需要[安装 Jupyter 包](https://pypi.org/project/jupyter/)。
+1. **安装 Jupyter Notebook**。你需要 [安装 Jupyter 包](https://pypi.org/project/jupyter/)。
-## 你的机器学习创作环境
+## 你的机器学习开发环境
-你将使用 笔记本 来编写 Python 代码和创建机器学习模型。这类文件是数据科学家的常用工具，文件后缀是 `.ipynb`。
+你将使用 笔记本 来开发 Python 代码及创建机器学习模型。这类文件是数据科学家常用的工具，通常以 `.ipynb` 作为后缀。
-笔记本是交互式环境，允许开发者编写代码的同时添加注释和文档，对于实验或研究项目非常有用。
+笔记本是一种交互式环境，允许开发者一边编写代码，一边添加注释和文档，非常适合实验性或研究导向的项目。
-[](https://youtu.be/7E-jC8FLA2E "面向初学者的机器学习 - 设置 Jupyter 笔记本开始构建回归模型")
+[](https://youtu.be/7E-jC8FLA2E "面向初学者的机器学习 - 配置 Jupyter 笔记本开始构建回归模型")
-> 🎥 点击上方图片观看本练习的短视频。
+> 🎥 点击上方图片观看简短视频，演示该练习过程。
### 练习 - 使用笔记本
@@ -57,65 +57,65 @@
1. 在 Visual Studio Code 中打开 _notebook.ipynb_。
- 一个 Jupyter 服务器会启动，运行 Python 3+。你会看到笔记本中可以 `run` 的代码块。点击看起来像播放按钮的图标即可运行代码块。
+ 一个 Jupyter 服务器将启动，使用 Python 3+。你会看到笔记本中有可执行的代码块，你可以点击类似播放按钮的图标运行它们。
-1. 选择 `md` 图标，添加一些 markdown 内容，写入以下文本 **# 欢迎使用你的笔记本**。
+1. 选择 `md` 图标，添加一段 markdown，内容是 **# 欢迎使用你的笔记本**。
- 接着，添加一些 Python 代码。
+ 接下来，添加一些 Python 代码。
1. 在代码块中输入 **print('hello notebook')**。
1. 点击箭头运行代码。
- 你应该会看到输出：
+ 你应该能看到打印语句：
```output
hello notebook
```
-
+
-你可以在代码中夹杂注释，自我文档化你的笔记本。
+你可以在代码间穿插注释，为笔记本自我记录说明。
-✅ 想一想，网页开发者和数据科学家的工作环境有多大不同。
+✅ 思考一下， Web 开发者的工作环境与数据科学家的工作环境究竟有何不同。
-## 使用 Scikit-learn 起步
+## 使用 Scikit-learn 快速上手
-现在你已经在本地环境配置好 Python，并熟悉了 Jupyter 笔记本，我们来熟悉一下 Scikit-learn（发音为“sci”，如英文单词“science”）。Scikit-learn 提供了一个[丰富的 API](https://scikit-learn.org/stable/modules/classes.html#api-ref)，帮助你完成机器学习任务。
+现在本地环境中已设置好 Python，你也熟悉了 Jupyter 笔记本，我们来一起熟悉 Scikit-learn（发音为“sci”如同“science”）。Scikit-learn 提供了一个 [丰富的 API](https://scikit-learn.org/stable/modules/classes.html#api-ref) ，能帮助你完成机器学习任务。
-根据他们的[官网](https://scikit-learn.org/stable/getting_started.html)，“Scikit-learn 是一个开源的机器学习库，支持监督学习和无监督学习。还提供了模型拟合、数据预处理、模型选择和评估以及多种实用工具。”
+根据其 [官网](https://scikit-learn.org/stable/getting_started.html)，"Scikit-learn 是一个开源机器学习库，支持监督学习和无监督学习。它还提供了多种模型拟合、数据预处理、模型选择与评估等工具，以及许多实用功能。"
-在本课程中，你将使用 Scikit-learn 和其他工具构建机器学习模型，执行我们称为“传统机器学习”的任务。我们故意避开了神经网络和深度学习，因为它们将在即将推出的“面向初学者的 AI”课程中详细讲解。
+在本课程中，你将使用 Scikit-learn 及其它工具构建机器学习模型，执行我们称为“传统机器学习”的任务。我们有意避开神经网络和深度学习，这些会在即将上线的“初学者人工智能”课程中详细介绍。
-Scikit-learn 让构建模型和评估模型变得简单。它主要针对数值数据，包含若干现成数据集用于学习，也包括预制模型供学生尝试。让我们先探索加载预装数据及使用内置估计器构建基础机器学习模型的过程。
+Scikit-learn 使构建模型和评估变得简单。它主要关注数值型数据，并内置了几个可用于学习的现成数据集。它还包含预制模型，供学生试用。让我们探索加载预包装数据、使用内置估计器创建第一个基于基础数据的机器学习模型的流程。
## 练习 - 你的第一个 Scikit-learn 笔记本
-> 本教程灵感来源于 Scikit-learn 网站上的[线性回归示例](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py)。
+> 本教程灵感来自 Scikit-learn 网站上的 [线性回归示例](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py)。
[](https://youtu.be/2xkXL5EUpS0 "面向初学者的机器学习 - 你的第一个 Python 线性回归项目")
-> 🎥 点击上方图片观看本练习的短视频。
+> 🎥 点击上方图片观看简短视频，演示该练习过程。
-在本课对应的 _notebook.ipynb_ 文件中，通过点击“垃圾桶”图标清空所有单元格。
+在本节课关联的 _notebook.ipynb_ 文件中，通过点击“垃圾桶”图标清空所有单元格内容。
-在本节中，你将使用一个关于糖尿病的内置小型数据集，它为学习而设计。假设你想测试糖尿病患者的某种治疗方案。机器学习模型可以帮助你根据变量组合预测哪些患者能更好地响应治疗。即使是非常基础的回归模型，经过可视化，也可能揭示有助于设计理论临床试验的变量信息。
+这部分中，你将使用 Scikit-learn 内置的一个关于糖尿病的小型数据集用于学习。假设你想测试一种糖尿病患者治疗方法。机器学习模型可以通过变量组合帮助你判定哪些患者可能对治疗反应较好。甚至是一个非常基础的回归模型，经过可视化后，就可能提供关于变量的信息，帮助你组织理论上的临床试验。
-✅ 回归方法有多种，选用哪一种取决于你想回答的问题。如果你想预测某年龄段的人的可能身高，你会用线性回归，因为你在寻找一个数值。如果你想判断某种菜肴是否为素食，你在做类别归属的判断，会用逻辑回归。稍后你会学到更多逻辑回归知识。想想你可以向数据询问哪些问题，以及哪种方法更合适。
+✅ 回归方法有很多种，选用哪一种取决于你想要的答案。如果你想预测某人特定年龄的预期身高，应使用线性回归，因为你想预测的是一个 数值。如果你想判断某种菜肴是否属于素食之一类，你是在寻找 类别分类，这时应使用逻辑回归。稍后你会学习逻辑回归。花点时间思考你可以提出哪些数据问题，这些方法里哪种更合适。
-让我们开始这个任务吧。
+那么，现在开始这个任务吧。
### 导入库
-本任务我们将导入一些库：
+本任务中我们将导入一些库：
-- **matplotlib**。这是一个实用的[绘图库](https://matplotlib.org/)，我们用它来绘制折线图。
-- **numpy**。[numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) 是处理 Python 数值数据的实用库。
-- **sklearn**。这是 [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) 库。
+- **matplotlib**。它是一个实用的 [绘图工具](https://matplotlib.org/)，我们将用它创建折线图。
+- **numpy**。[numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) 是处理数值数据的有用 Python 库。
+- **sklearn**。即 [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) 库。
-导入一些库以辅助完成任务。
+导入一些库以帮助完成任务。
-1. 输入以下代码导入：
+1. 输入以下代码进行导入：
```python
import matplotlib.pyplot as plt
@@ -123,26 +123,26 @@ Scikit-learn 让构建模型和评估模型变得简单。它主要针对数值
from sklearn import datasets, linear_model, model_selection
```
- 上面代码导入了 `matplotlib`、`numpy`，以及从 `sklearn` 导入了 `datasets`、`linear_model` 和 `model_selection`。`model_selection` 用于将数据分割成训练集和测试集。
+ 上面导入了 `matplotlib`、`numpy`，并从 `sklearn` 中导入了 `datasets`、`linear_model` 和 `model_selection`。`model_selection` 用于将数据拆分为训练集和测试集。
### 糖尿病数据集
-内置的[糖尿病数据集](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)包含 442 条糖尿病相关样本数据，有 10 个特征变量，部分包括：
+内置的 [糖尿病数据集](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)包含442个有关糖尿病的样本，共有10个特征变量，其中有：
- age：年龄（岁）
-- bmi：身体质指数
+- bmi：身体质量指数（体重指数）
- bp：平均血压
- s1 tc：T细胞（一种白细胞）
-✅ 该数据集中的“性别”作为研究糖尿病的重要特征变量。许多医疗数据集都包含这种二分类特征。思考下这样的分类方式如何可能将某些人口群体排除在治疗之外。
+✅ 该数据集包括'性别'这一对糖尿病研究非常重要的特征变量。许多医学数据集都包含这种二元分类。思考一下，这类分类可能会如何将某些群体排除在治疗之外。
现在，加载 X 和 y 数据。
-> 🎓 记住，这是监督学习，我们需要一个名为 y 的目标变量。
+> 🎓 请记住，这是监督学习，需要一个名为 'y' 的目标变量。
-在新代码单元中，通过调用 `load_diabetes()` 加载糖尿病数据集。参数 `return_X_y=True` 表示 `X` 是数据矩阵，`y` 是回归目标。
+在一个新的代码单元里，通过调用 `load_diabetes()` 加载糖尿病数据集。`return_X_y=True` 表示 `X` 是数据矩阵，`y` 是回归目标。
-1. 添加一些打印命令，显示数据矩阵的形状及其第一个元素：
+1. 添加一些打印语句，显示数据矩阵的形状和第一个元素：
```python
X, y = datasets.load_diabetes(return_X_y=True)
@@ -150,9 +150,9 @@ Scikit-learn 让构建模型和评估模型变得简单。它主要针对数值
print(X[0])
```
- 你获得的响应是一个元组。你将元组的前两个值分别赋给 `X` 和 `y`。了解更多[元组](https://wikipedia.org/wiki/Tuple)。
+ 你得到的是一个元组。你将元组的前两个值分别赋给 `X` 和 `y`。更多详情请参见 [关于元组](https://wikipedia.org/wiki/Tuple)。
- 可见数据有 442 条，形状是包含 10 个元素的数组：
+ 你可以看到该数据包含442条记录，每条记录有10个元素：
```text
(442, 10)
@@ -160,39 +160,39 @@ Scikit-learn 让构建模型和评估模型变得简单。它主要针对数值
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
- ✅ 思考一下数据与回归目标之间的关系。线性回归预测特征 X 与目标变量 y 之间的关系。你能在文档中找到糖尿病数据集的[目标](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)吗？考虑该目标，数据集展示了什么？
+ ✅ 思考数据与回归目标之间的关系。线性回归预测特征X与目标变量y之间的关系。你能在文档中找到该糖尿病数据集的 [目标变量](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)吗？考虑目标变量，这个数据集展示了什么内容？
-2. 接下来，选取数据集的一个部分绘图，选择第 3 列数据。你可以使用冒号操作符选取所有行，然后用索引（2）选取第 3 列。你也可以使用 `reshape(n_rows, n_columns)` 重塑为二维数组，以满足绘图需求。如果某个维度设为 -1，则自动计算该维度大小。
+2. 接下来，选取该数据集的一部分进行绘图，即选取第3列。你可以使用 `:` 选择所有行，再用索引 (2) 选取第3列。还可以用 `reshape(n_rows, n_columns)` 将数据重塑成二维数组——绘图所需的格式。参数中如果有 -1，表示该维度会自动计算。
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
- ✅ 随时打印数据检查其形状。
+ ✅ 任何时候都可以打印数据检查其形状。
-3. 现在数据准备好绘图了，可以看看机器是否能帮忙找到这些数据的合理分割点。为此，你需要将数据（X）和目标（y）都拆分成训练集和测试集。Scikit-learn 提供了简单方法，可在指定位置进行数据拆分。
+3. 准备好要绘制的数据后，可以看看机器是否能帮忙找到该数据集中数字的合理划分。为此，需要把数据（X）和目标（y）拆分为训练集和测试集。Scikit-learn 中有简单方法，可以在指定位置拆分测试数据。
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
-4. 现在你可以训练模型了！加载线性回归模型，用你的 X 和 y 训练集调用 `model.fit()`：
+4. 现在开始训练模型！加载线性回归模型，通过 `model.fit()` 用你的 X 和 y 训练集训练它：
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
- ✅ `model.fit()` 是许多机器学习库（如 TensorFlow）常见的函数。
+ ✅ `model.fit()` 是许多机器学习库（如 TensorFlow）都能看到的函数。
-5. 接着，用测试数据调用 `predict()` 生成预测值。利用此结果在模型数据组之间绘制判别线。
+5. 接着，使用测试数据通过 `predict()` 函数创建预测。这将用于绘制数据群组之间的线条。
```python
y_pred = model.predict(X_test)
```
-6. 现在展示数据图。Matplotlib 是极有用的工具。创建散点图展示所有 X 和 y 测试数据，用预测值画线，展示模型数据分布的分界。
+6. 现在是展示数据绘图的时候了。Matplotlib 在这方面非常有用。创建一个散点图，显示所有 X 和 y 测试数据，再用预测结果绘制一条线，划分模型中的数据群。
```python
plt.scatter(X_test, y_test, color='black')
@@ -203,24 +203,23 @@ Scikit-learn 让构建模型和评估模型变得简单。它主要针对数值
plt.show()
```
- 
+ 
+ ✅ 思考这里发生了什么。一条直线穿过许多小数据点，这条线具体在做什么？你能看出如何用它预测一个新的、未见过的数据点应在图的 y 轴上的哪一位置吗？尝试用文字描述该模型的实际用途。
- ✅ 想一想这里到底发生了什么。一条直线穿过了许多小数据点，但它到底在做什么？你能看出怎样利用这条直线来预测一个未见新数据点应该如何相对于图的 y 轴进行定位吗？试着用语言表达一下这个模型的实际用途。
-
-恭喜你，构建了你的第一个线性回归模型，用它做出了预测，并在图中展示了出来！
+恭喜，你已构建了你的第一个线性回归模型，基于它做出了预测，并在图中展示了结果！
---
## 🚀挑战
-绘制这个数据集中不同的变量。提示：编辑这一行：`X = X[:,2]`。结合这个数据集的目标，你能发现糖尿病作为一种疾病在发展的过程中有哪些变化吗？
-## [课后小测](https://ff-quizzes.netlify.app/en/ml/)
+从数据集中绘制不同的变量。提示：编辑这行代码： `X = X[:,2]`。考虑该数据集的目标变量，你能发现糖尿病作为一种疾病的进展规律吗？
+## [课后测验](https://ff-quizzes.netlify.app/en/ml/)
## 复习与自学
-本教程中，你使用的是简单线性回归，而非单变量或多元线性回归。了解一下这些方法之间的差异，或者看看[这个视频](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)。
+在本教程中，你使用了简单线性回归，而非单变量或多元线性回归。可稍作了解这几种方法的区别，或者观看 [此视频](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
-多读一些关于回归概念的内容，思考这种技术可以回答哪些类型的问题。做做这个[教程](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott)来加深理解。
+阅读更多关于回归概念的内容，并思考通过此技术可以回答哪些类型的问题。参加此[教程](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott)以加深理解。
## 作业
diff --git a/translations/zh-CN/5-Clustering/README.md b/translations/zh-CN/5-Clustering/README.md
index b7194600d..540878b80 100644
--- a/translations/zh-CN/5-Clustering/README.md
+++ b/translations/zh-CN/5-Clustering/README.md
@@ -1,33 +1,35 @@
# 机器学习中的聚类模型
-聚类是一种机器学习任务，旨在寻找彼此相似的对象并将它们分组到称为“聚类”的组中。与机器学习中的其他方法不同，聚类是自动进行的，实际上可以说它是监督学习的反面。
+聚类是一项机器学习任务，它旨在寻找相似的对象并将它们归为称为簇的组。聚类与机器学习中其他方法的不同之处在于，过程是自动进行的，事实上，可以说它与监督学习正好相反。
-## 地区主题：针对尼日利亚观众音乐品味的聚类模型 🎧
+## 区域主题：面向尼日利亚听众音乐口味的聚类模型 🎧
-尼日利亚的观众拥有多样化的音乐品味。通过从 Spotify 抓取的数据（灵感来源于[这篇文章](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)），让我们来看看尼日利亚流行的一些音乐。这份数据集包括关于各种歌曲的“舞蹈性”评分、“声学性”、响度、“语音性”、流行度和能量的相关数据。发现这些数据中的模式将会非常有趣！
+尼日利亚多样化的听众拥有多样的音乐口味。利用从 Spotify 抓取的数据（灵感来自[this article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)），我们来看一下尼日利亚流行的一些音乐。该数据集包含有关各种歌曲的“舞曲感”评分、“原声度”、响度、“语音性”、流行度和能量等数据。发现这些数据中的模式将很有趣！
-
+
-> 图片由 Marcela Laskoski 提供，来自 Unsplash
+> 照片由 Marcela Laskoski 于 Unsplash 提供
-在这一系列课程中，你将学习使用聚类技术分析数据的新方法。聚类特别适用于数据集缺乏标签的情况。如果数据集有标签，那么你在之前课程中学到的分类技术可能会更有用。但在需要对无标签数据进行分组的情况下，聚类是发现模式的绝佳方法。
+在这一系列课程中，你将发现使用聚类技术分析数据的新方法。当你的数据集缺少标签时，聚类尤其有用。如果数据集有标签，那么像你在之前课程中学到的分类技术可能更有用。但在你希望对无标签数据进行分组的情况下，聚类是一种发现模式的绝佳方法。
-> 有一些实用的低代码工具可以帮助你学习如何使用聚类模型。试试 [Azure ML](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) 来完成这个任务。
+> 有许多有用的低代码工具可以帮助你学习如何使用聚类模型。试试[用于此任务的 Azure ML](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## 课程
1. [聚类简介](1-Visualize/README.md)
-2. [K-Means 聚类](2-K-Means/README.md)
+2. [K-均值聚类](2-K-Means/README.md)
## 致谢
-这些课程由 [Jen Looper](https://www.twitter.com/jenlooper) 倾情创作，并由 [Rishit Dagli](https://rishit_dagli) 和 [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) 提供了有益的审阅。
+这些课程由🎶[Jen Looper](https://www.twitter.com/jenlooper) 编写，[Rishit Dagli](https://rishit_dagli/) 和 [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) 提供有益的审阅。
-[Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) 数据集来源于 Kaggle，由 Spotify 抓取。
+[尼日利亚歌曲](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) 数据集来源于 Kaggle，数据抓取自 Spotify。
-在创建本课程时，以下 K-Means 示例提供了帮助，包括这个 [鸢尾花探索](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering)、这个[入门笔记本](https://www.kaggle.com/prashant111/k-means-clustering-with-python)，以及这个[假设的 NGO 示例](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)。
+帮助编写本课程的有用 K-均值示例包括这份[鸢尾花探索](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering)、这份[入门笔记本](https://www.kaggle.com/prashant111/k-means-clustering-with-python)和这份[假设非政府组织示例](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)。
---
-**免责声明**：
-本文档使用AI翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。
\ No newline at end of file
+
+**免责声明**：
+本文件由 AI 翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 翻译完成。尽管我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始语言版文件应视为权威来源。对于重要信息，建议使用专业人工翻译。我们对因使用本翻译而产生的任何误解或误释不承担责任。
+
\ No newline at end of file
diff --git a/translations/zh-CN/7-TimeSeries/README.md b/translations/zh-CN/7-TimeSeries/README.md
index f1d427adb..8dca80ea1 100644
--- a/translations/zh-CN/7-TimeSeries/README.md
+++ b/translations/zh-CN/7-TimeSeries/README.md
@@ -2,27 +2,29 @@
什么是时间序列预测？它是通过分析过去的趋势来预测未来事件。
-## 区域主题：全球电力使用 ✨
+## 地区主题：全球电力使用情况 ✨
-在这两节课中，你将了解时间序列预测，这是一种相对较少被人熟知但在工业和商业应用等领域极具价值的机器学习领域。虽然神经网络可以用来增强这些模型的效用，但我们将从经典机器学习的角度研究它们，因为这些模型可以根据过去的数据预测未来的表现。
+在这两节课中，您将了解时间序列预测，这是机器学习中一个相对较少被人知晓但在工业和商业应用等领域极其有价值的部分。虽然神经网络可以用来增强这些模型的效用，但我们将以经典机器学习的视角来研究它们，因为模型有助于基于过去预测未来表现。
-我们的区域重点是全球电力使用，这是一个有趣的数据集，可以用来学习如何根据过去的负载模式预测未来的电力使用情况。你会发现这种预测在商业环境中非常有帮助。
+我们的地区关注点是全球的电力使用情况，这是一个有趣的数据集，用于学习基于过去负载模式预测未来的电力使用。您可以看到这种预测在商业环境中是多么有帮助。
-
+
-照片由 [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 在拉贾斯坦邦的道路上拍摄的电力塔，发布于 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
+照片由 [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 拍摄，地点是拉贾斯坦邦的公路上的电塔，来源于 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## 课程
1. [时间序列预测简介](1-Introduction/README.md)
2. [构建 ARIMA 时间序列模型](2-ARIMA/README.md)
-3. [构建支持向量回归器进行时间序列预测](3-SVR/README.md)
+3. [构建支持向量回归器用于时间序列预测](3-SVR/README.md)
## 致谢
-“时间序列预测简介”由 [Francesca Lazzeri](https://twitter.com/frlazzeri) 和 [Jen Looper](https://twitter.com/jenlooper) ⚡️ 编写。相关笔记本最初出现在 [Azure "Deep Learning For Time Series" 仓库](https://github.com/Azure/DeepLearningForTimeSeriesForecasting)，由 Francesca Lazzeri 编写。SVR 课程由 [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) 编写。
+“时间序列预测简介”由 [Francesca Lazzeri](https://twitter.com/frlazzeri) 和 [Jen Looper](https://twitter.com/jenlooper) 共同撰写，首版笔记本最初出现在 [Azure“时间序列深度学习”仓库](https://github.com/Azure/DeepLearningForTimeSeriesForecasting)，由 Francesca Lazzeri 原创编写。SVR 课程由 [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) 编写。
---
-**免责声明**：
-本文档使用AI翻译服务[Co-op Translator](https://github.com/Azure/co-op-translator)进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们对因使用此翻译而产生的任何误解或误读不承担责任。
\ No newline at end of file
+
+**免责声明**：
+本文件由 AI 翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 翻译完成。尽管我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始语言版文件应视为权威来源。对于重要信息，建议使用专业人工翻译。我们对因使用本翻译而产生的任何误解或误释不承担责任。
+
\ No newline at end of file
diff --git a/translations/zh-CN/README.md b/translations/zh-CN/README.md
index 5e2d3fa31..e4789437c 100644
--- a/translations/zh-CN/README.md
+++ b/translations/zh-CN/README.md
@@ -1,247 +1,252 @@
-[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
-[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
-[](http://makeapullrequest.com)
+[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
+[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[](http://makeapullrequest.com)
-[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 多语言支持
#### 通过 GitHub Action 支持（自动且始终保持最新）
-[阿拉伯语](../ar/README.md) | [孟加拉语](../bn/README.md) | [保加利亚语](../bg/README.md) | [缅甸语](../my/README.md) | [中文（简体）](./README.md) | [中文（繁体，香港）](../zh-HK/README.md) | [中文（繁体，澳门）](../zh-MO/README.md) | [中文（繁体，台湾）](../zh-TW/README.md) | [克罗地亚语](../hr/README.md) | [捷克语](../cs/README.md) | [丹麦语](../da/README.md) | [荷兰语](../nl/README.md) | [爱沙尼亚语](../et/README.md) | [芬兰语](../fi/README.md) | [法语](../fr/README.md) | [德语](../de/README.md) | [希腊语](../el/README.md) | [希伯来语](../he/README.md) | [印地语](../hi/README.md) | [匈牙利语](../hu/README.md) | [印度尼西亚语](../id/README.md) | [意大利语](../it/README.md) | [日语](../ja/README.md) | [卡纳达语](../kn/README.md) | [高棉语](../km/README.md) | [韩语](../ko/README.md) | [立陶宛语](../lt/README.md) | [马来语](../ms/README.md) | [马拉雅拉姆语](../ml/README.md) | [马拉地语](../mr/README.md) | [尼泊尔语](../ne/README.md) | [尼日利亚皮钦语](../pcm/README.md) | [挪威语](../no/README.md) | [波斯语（法尔西语）](../fa/README.md) | [波兰语](../pl/README.md) | [葡萄牙语（巴西）](../pt-BR/README.md) | [葡萄牙语（葡萄牙）](../pt-PT/README.md) | [旁遮普语（古鲁姆克语）](../pa/README.md) | [罗马尼亚语](../ro/README.md) | [俄语](../ru/README.md) | [塞尔维亚语（西里尔字母）](../sr/README.md) | [斯洛伐克语](../sk/README.md) | [斯洛文尼亚语](../sl/README.md) | [西班牙语](../es/README.md) | [斯瓦希里语](../sw/README.md) | [瑞典语](../sv/README.md) | [他加禄语（菲律宾语）](../tl/README.md) | [泰米尔语](../ta/README.md) | [泰卢固语](../te/README.md) | [泰语](../th/README.md) | [土耳其语](../tr/README.md) | [乌克兰语](../uk/README.md) | [乌尔都语](../ur/README.md) | [越南语](../vi/README.md)
+[阿拉伯语](../ar/README.md) | [孟加拉语](../bn/README.md) | [保加利亚语](../bg/README.md) | [缅甸语（Myanmar）](../my/README.md) | [中文（简体）](./README.md) | [中文（繁体，香港）](../zh-HK/README.md) | [中文（繁体，澳门）](../zh-MO/README.md) | [中文（繁体，台湾）](../zh-TW/README.md) | [克罗地亚语](../hr/README.md) | [捷克语](../cs/README.md) | [丹麦语](../da/README.md) | [荷兰语](../nl/README.md) | [爱沙尼亚语](../et/README.md) | [芬兰语](../fi/README.md) | [法语](../fr/README.md) | [德语](../de/README.md) | [希腊语](../el/README.md) | [希伯来语](../he/README.md) | [印地语](../hi/README.md) | [匈牙利语](../hu/README.md) | [印尼语](../id/README.md) | [意大利语](../it/README.md) | [日语](../ja/README.md) | [卡纳达语](../kn/README.md) | [高棉语](../km/README.md) | [韩语](../ko/README.md) | [立陶宛语](../lt/README.md) | [马来语](../ms/README.md) | [马拉雅拉姆语](../ml/README.md) | [马拉地语](../mr/README.md) | [尼泊尔语](../ne/README.md) | [尼日利亚皮钦语](../pcm/README.md) | [挪威语](../no/README.md) | [波斯语（法尔西语）](../fa/README.md) | [波兰语](../pl/README.md) | [葡萄牙语（巴西）](../pt-BR/README.md) | [葡萄牙语（葡萄牙）](../pt-PT/README.md) | [旁遮普语（古鲁姆克希文）](../pa/README.md) | [罗马尼亚语](../ro/README.md) | [俄语](../ru/README.md) | [塞尔维亚语（西里尔文）](../sr/README.md) | [斯洛伐克语](../sk/README.md) | [斯洛文尼亚语](../sl/README.md) | [西班牙语](../es/README.md) | [斯瓦希里语](../sw/README.md) | [瑞典语](../sv/README.md) | [塔加洛语（菲律宾语）](../tl/README.md) | [泰米尔语](../ta/README.md) | [泰卢固语](../te/README.md) | [泰语](../th/README.md) | [土耳其语](../tr/README.md) | [乌克兰语](../uk/README.md) | [乌尔都语](../ur/README.md) | [越南语](../vi/README.md)
-> **更喜欢本地克隆？**
+> **更倾向于本地克隆？**
>
-> 本仓库包含50多种语言的翻译，这显著增加了下载大小。要在不下载翻译的情况下克隆，请使用稀疏签出：
+> 本仓库包含 50 多种语言翻译，显著增加了下载大小。若想克隆时不包含翻译，请使用稀疏检出：
>
-> **Bash / macOS / Linux:**
+> **Bash / macOS / Linux：**
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
>
-> **CMD (Windows):**
+> **CMD（Windows）：**
> ```cmd
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
-> 这样你能以更快的速度下载完成课程所需的所有内容。
+> 这给您提供完成课程所需的一切，且下载速度更快。
#### 加入我们的社区
[](https://discord.gg/nTYy5BXMWG)
-我们正在进行一系列 Discord “与 AI 一起学习”活动，学习详情和加入请访问 [与 AI 一起学习系列](https://aka.ms/learnwithai/discord) ，时间为2025年9月18日至30日。你将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。
+我们正在进行 Discord 的 AI 学习系列，更多详情并欢迎加入：[Learn with AI Series](https://aka.ms/learnwithai/discord)，时间为 2025 年 9 月 18 日至 30 日。您将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。
-
+
-# 面向初学者的机器学习课程
+# 初学者机器学习课程大纲
-> 🌍 随着世界文化，我们一起探索机器学习 🌍
+> 🌍 以世界文化为媒介环游世界，共同探索机器学习 🌍
-微软云倡导者很高兴提供一个为期12周的26课时课程，专注于机器学习。在本课程中，你将学习有时被称为经典机器学习的内容，主要使用 Scikit-learn 库，避免覆盖深度学习，深度学习内容收录于我们的[AI 初学者课程](https://aka.ms/ai4beginners)。同时也推荐搭配我们的[数据科学初学者课程](https://aka.ms/ds4beginners)一起学习！
+微软云倡导者高兴地推出一门为期 12 周、共 26 课的课程，全部聚焦于机器学习。在本课程中，您将学习常称为经典机器学习的内容，主要使用 Scikit-learn 库，避免涉及深度学习部分，后者包含在我们的[初学者 AI 课程](https://aka.ms/ai4beginners)中。您还可以将本课程与我们的[初学者数据科学课程](https://aka.ms/ds4beginners)配合学习。
-跟随我们环游世界，将经典机器学习技术应用于全球各地的数据。每节课包括课前和课后测验、书面指导完成课程、参考答案、作业等。我们的项目驱动教学法让你在动手构建项目中学习，是新技能“扎根”的有效方法。
+跟随我们环游世界，将这些经典技巧应用于来自多个地区的数据。每节课包含课前和课后测验、完成课程所需的书面说明、解决方案、作业等。我们基于项目的教学法让您边学边做，是新技能牢固掌握的有效方式。
-**✍️ 衷心感谢我们的作者** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu 和 Amy Boyd
+**✍️ 衷心感谢我们的作者** Jen Looper，Stephen Howell，Francesca Lazzeri，Tomomi Imura，Cassie Breviu，Dmitry Soshnikov，Chris Noring，Anirban Mukherjee，Ornella Altunyan，Ruth Yakubu 和 Amy Boyd
-**🎨 同样感谢我们的插画师** Tomomi Imura, Dasani Madipalli 和 Jen Looper
+**🎨 也感谢我们的插画师** Tomomi Imura，Dasani Madipalli 和 Jen Looper
-**🙏 特别感谢微软学生大使作者、审阅者和内容贡献者**，尤其是 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila 和 Snigdha Agarwal
+**🙏 特别感谢我们的微软学生大使作者、审稿人和内容贡献者**，尤其是 Rishit Dagli，Muhammad Sakib Khan Inan，Rohan Raj，Alexandru Petrescu，Abhishek Jaiswal，Nawrin Tabassum，Ioan Samuila 和 Snigdha Agarwal
-**🤩 额外感谢微软学生大使 Eric Wanjau，Jasleen Sondhi 和 Vidushi Gupta 贡献的 R 语言课程！**
+**🤩 额外感谢微软学生大使 Eric Wanjau，Jasleen Sondhi 和 Vidushi Gupta 贡献 R 语言课程！**
-# 入门指南
+# 快速入门
-请按照以下步骤操作：
-1. **Fork 仓库**：点击页面右上角的“Fork”按钮。
-2. 克隆仓库：`git clone https://github.com/microsoft/ML-For-Beginners.git`
+按照以下步骤操作：
+1. **Fork 仓库**：点击本页右上角的“Fork”按钮。
+2. 克隆仓库： `git clone https://github.com/microsoft/ML-For-Beginners.git`
-> [本课程的所有额外资源可在微软Learn合集找到](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> 💡 **快速开始提示：** 想在浏览器中开始而无需本地设置 Python？使用 [GitHub Codespaces](https://github.com/features/codespaces) 为您的 fork 创建云端开发环境。打开绿色的 **Code** 菜单，选择 **Codespaces**，创建代码空间；根据需要在其中安装每节课所需依赖。
-> 🔧 **需要帮助？** 查看我们的[故障排除指南](TROUBLESHOOTING.md)，解决安装、配置和课程运行中的常见问题。
+> [在我们的 Microsoft Learn 集合中查找本课程的所有附加资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
-**[学生们](https://aka.ms/student-page)**，使用本课程时，请 fork 整个仓库到自己的 GitHub 账号，并单独或组队完成练习：
+> 🔧 **需要帮助？** 查看我们的 [故障排查指南](TROUBLESHOOTING.md)，其中有安装、设置和运行课程的常见问题解决方案。
-- 先完成课前测验。
-- 阅读课程并完成活动，每个知识点暂停反思。
-- 尝试通过理解课程内容而非简单运行代码创造项目；不过解决方案代码可在各项目课的 `/solution` 文件夹中找到。
-- 完成课后测验。
-- 完成挑战任务。
+
+**[学生](https://aka.ms/student-page)**，要使用本课程，请将整个仓库 Fork 到您自己的 GitHub 账户，并独立或组队完成练习：
+
+- 从课前测验开始。
+- 阅读课程并完成活动，每个知识点暂停思考。
+- 尽量通过理解课程内容自行创建项目，而非直接运行解决方案代码；不过，解决方案代码可在每个面向项目的课程的 `/solution` 文件夹中找到。
+- 参加课后测验。
+- 完成挑战。
- 完成作业。
-- 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。
-> 更多学习推荐，访问这些[微软 Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott)模块和学习路径。
+> 进一步学习，我们推荐以下 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) 模块和学习路径。
-教师们，我们已经[提供了一些建议](for-teachers.md)帮助你使用本课程。
+教师，我们提供了[使用本课程的一些建议](for-teachers.md)。
---
## 视频讲解
-部分课程提供短视频版。你可在课程内嵌找到，也可前往 [微软开发者 YouTube 频道的 ML for Beginners 播放列表](https://aka.ms/ml-beginners-videos)观看，点击下图进入。
+部分课程有短视频讲解。您可在课程中直接观看，或点击下方图片访问[Microsoft Developer YouTube 频道中的 ML for Beginners 播放列表](https://aka.ms/ml-beginners-videos)。
-[](https://aka.ms/ml-beginners-videos)
+[](https://aka.ms/ml-beginners-videos)
---
## 团队介绍
-[](https://youtu.be/Tj1XWrDSYJU)
+[](https://youtu.be/Tj1XWrDSYJU)
-**GIF 制作者** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
+动图作者 [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
-> 🎥 点击上图观看项目及其创始团队视频介绍！
+> 🎥 点击上方图片观看关于本项目及其创建者的视频！
---
-## 教学理念
+## 教学法
-本课程设计基于两个教学原则：确保其为动手的项目驱动学习，并包含频繁的测验。此外，课程还有一个统一的主题以保持连贯性。
+我们在构建本课程时遵循两大教学原则：确保课程为动手项目驱动且包含频繁测验。此外，课程围绕一个共同的主题以增强连贯性。
-通过确保内容与项目对齐，使学习过程更具吸引力，增强知识的保留。课前的低风险测验帮助学生建立学习主题的目标，而课后的测验进一步巩固知识。本课程设计灵活且有趣，可完整学习也可部分选择。项目从简单到复杂，涵盖整个12周周期。课程还包括关于机器学习实际应用的附录，适合做额外加分或开展讨论。
+确保内容与项目匹配，使学习过程更具吸引力，同时增强概念的记忆。此外，课堂前的低难度测验帮助学生设定学习目标，课后的测验则加深记忆。课程设计灵活且有趣，可整体或分部分学习。项目由浅入深，12 周周期结束时难度增大。课程还包含关于机器学习实际应用的附录，可用作额外学分或讨论基础。
-> 查看我们的[行为准则](CODE_OF_CONDUCT.md)、[贡献指南](CONTRIBUTING.md)、[翻译](..)和[故障排除](TROUBLESHOOTING.md)指南。欢迎提供建设性反馈！
+> 查看我们的[行为准则](CODE_OF_CONDUCT.md)、[贡献指南](CONTRIBUTING.md)、[翻译指南](..)、[故障排查](TROUBLESHOOTING.md) 文件。欢迎您提出建设性反馈！
-## 每节课程包含
+## 每节课包含
-- 可选的思维导图笔记
-- 可选的补充视频
-- 视频讲解（部分课程）
+- 可选手绘笔记
+- 可选补充视频
+- 视频讲解（仅部分课程）
- [课前热身测验](https://ff-quizzes.netlify.app/en/ml/)
- 书面课程内容
-- 对项目课程，提供逐步项目构建指导
+- 对于项目驱动的课程，提供分步骤项目构建指南
- 知识点检测
-- 挑战任务
-- 补充阅读
+- 挑战
+- 补充阅读材料
- 作业
- [课后测验](https://ff-quizzes.netlify.app/en/ml/)
-> 关于语言的说明：这些课程主要以 Python 编写，但许多课程也提供 R 版本。要完成 R 课程，请进入 `/solution` 文件夹查找 R 课程。它们包含 .rmd 扩展名，表示 **R Markdown** 文件，可以简单定义为在 `Markdown 文档` 中嵌入 `代码块`（R 或其他语言的）和 `YAML 头`（指导如何格式化输出，如 PDF）。因此，它作为数据科学的优秀著作框架，允许您将代码、输出和想法结合起来，以 Markdown 形式书写。此外，R Markdown 文档可以渲染成 PDF、HTML 或 Word 等输出格式。
-
-> 关于测验的说明：所有测验都包含在[测验应用文件夹](../../quiz-app)中，共 52 个测验，每个测验包含三个问题。它们在课程中链接，同时测验应用可以本地运行；请按照 `quiz-app` 文件夹中的说明在本地托管或部署到 Azure。
-
-| 课程编号 | 主题 | 课程归类 | 学习目标 | 关联课程 | 作者 |
-| :------: | :------------------------------------------------------------: | :------------------------------------------: | --------------------------------------------------------------------------------------------------------------------- | :-----------------------------------------------------------------------------------------------------------------------------------: | :----------------------------------------------: |
-| 01 | 机器学习入门 | [介绍](1-Introduction/README.md) | 学习机器学习背后的基本概念 | [课程](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
-| 02 | 机器学习的发展历史 | [介绍](1-Introduction/README.md) | 了解该领域的历史 | [课程](1-Introduction/2-history-of-ML/README.md) | Jen 和 Amy |
-| 03 | 公平性与机器学习 | [介绍](1-Introduction/README.md) | 学生在构建和应用机器学习模型时应考虑哪些重要的公平性哲学问题？ | [课程](1-Introduction/3-fairness/README.md) | Tomomi |
-| 04 | 机器学习技术 | [介绍](1-Introduction/README.md) | 机器学习研究人员用哪些技术来构建机器学习模型？ | [课程](1-Introduction/4-techniques-of-ML/README.md) | Chris 和 Jen |
-| 05 | 回归入门 | [回归](2-Regression/README.md) | 使用 Python 和 Scikit-learn 入门回归模型 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
-| 06 | 北美南瓜价格 🎃 | [回归](2-Regression/README.md) | 可视化并清理数据，为机器学习做准备 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
-| 07 | 北美南瓜价格 🎃 | [回归](2-Regression/README.md) | 构建线性和多项式回归模型 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen 和 Dmitry • Eric Wanjau |
-| 08 | 北美南瓜价格 🎃 | [回归](2-Regression/README.md) | 构建逻辑回归模型 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
-| 09 | Web 应用 🔌 | [Web App](3-Web-App/README.md) | 构建一个 Web 应用以使用你训练的模型 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
-| 10 | 分类入门 | [分类](4-Classification/README.md) | 清理、准备和可视化数据；分类介绍 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen 和 Cassie • Eric Wanjau |
-| 11 | 美味的亚洲和印度美食 🍜 | [分类](4-Classification/README.md) | 分类器介绍 | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen 和 Cassie • Eric Wanjau |
-| 12 | 美味的亚洲和印度美食 🍜 | [分类](4-Classification/README.md) | 更多分类器 | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen 和 Cassie • Eric Wanjau |
-| 13 | 美味的亚洲和印度美食 🍜 | [分类](4-Classification/README.md) | 使用你的模型构建推荐者 Web 应用 | [Python](4-Classification/4-Applied/README.md) | Jen |
-| 14 | 聚类入门 | [聚类](5-Clustering/README.md) | 清理、准备和可视化数据；聚类介绍 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
-| 15 | 探索尼日利亚音乐喜好 🎧 | [聚类](5-Clustering/README.md) | 探索 K-Means 聚类方法 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
-| 16 | 自然语言处理导论 ☕️ | [自然语言处理](6-NLP/README.md) | 通过构建一个简单的机器人学习自然语言处理基础 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
-| 17 | 常见 NLP 任务 ☕️ | [自然语言处理](6-NLP/README.md) | 通过理解处理语言结构时需要的常见任务深化你的 NLP 知识 | [Python](6-NLP/2-Tasks/README.md) | Stephen |
-| 18 | 翻译与情感分析 ♥️ | [自然语言处理](6-NLP/README.md) | 使用简·奥斯汀进行翻译与情感分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
-| 19 | 欧洲浪漫酒店 ♥️ | [自然语言处理](6-NLP/README.md) | 使用酒店评论进行情感分析 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
-| 20 | 欧洲浪漫酒店 ♥️ | [自然语言处理](6-NLP/README.md) | 使用酒店评论进行情感分析 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
-| 21 | 时间序列预测导论 | [时间序列](7-TimeSeries/README.md) | 时间序列预测入门 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
-| 22 | ⚡️ 世界电力使用 ⚡️ - 使用 ARIMA 进行时间序列预测 | [时间序列](7-TimeSeries/README.md) | 使用 ARIMA 进行时间序列预测 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
-| 23 | ⚡️ 世界电力使用 ⚡️ - 使用 SVR 进行时间序列预测 | [时间序列](7-TimeSeries/README.md) | 使用支持向量回归进行时间序列预测 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
-| 24 | 强化学习导论 | [强化学习](8-Reinforcement/README.md) | 使用 Q-Learning 介绍强化学习 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
-| 25 | 帮助彼得躲避狼！🐺 | [强化学习](8-Reinforcement/README.md) | 强化学习 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
-| 后记 | 机器学习的真实世界场景与应用 | [ML in the Wild](9-Real-World/README.md) | 经典机器学习有趣且揭示性的真实应用 | [课程](9-Real-World/1-Applications/README.md) | 团队 |
-| 后记 | 使用 RAI 仪表盘进行机器学习模型调试 | [ML in the Wild](9-Real-World/README.md) | 使用 Responsible AI 仪表盘组件进行机器学习模型调试 | [课程](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
-
-> [在我们的 Microsoft Learn 集合中查找该课程的所有附加资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+
+> 语言说明：本课程主要用 Python 编写，但许多课程也提供 R 版本。要完成 R 课程，请前往 `/solution` 文件夹查找 R 课程。这些文件带有 .rmd 扩展名，代表 **R Markdown** 文件，它是一种将 `代码块`（R 或其他语言）与 `YAML 头部`（控制输出格式如 PDF）嵌入到 `Markdown 文档` 中的框架。因此，它是数据科学的优秀创作框架，让您能够将代码、输出和想法结合，并用 Markdown 记录。此外，R Markdown 文档可输出为 PDF、HTML 或 Word 格式。
+
+> 测验说明：所有测验均包含在 [Quiz App 文件夹](../../quiz-app) 中，共 52 次测验，每次 3 道题。测验可在课程内链接访问，也可本地运行；有关本地托管或部署到 Azure 的说明，请参阅 `quiz-app` 文件夹。
+
+| 课程编号 | 主题 | 课程分组 | 学习目标 | 关联课程 | 作者 |
+| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
+| 01 | 机器学习简介 | [Introduction](1-Introduction/README.md) | 学习机器学习背后的基本概念 | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
+| 02 | 机器学习的历史 | [Introduction](1-Introduction/README.md) | 了解该领域的历史 | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
+| 03 | 公平性与机器学习 | [Introduction](1-Introduction/README.md) | 学生在构建和应用机器学习模型时应考虑的重要公平性哲学问题 | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
+| 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 |
+| 05 | 回归简介 | [Regression](2-Regression/README.md) | 使用 Python 和 Scikit-learn 开始回归模型 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
+| 06 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 为机器学习准备数据的可视化和清理 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
+| 07 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建线性和多项式回归模型 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
+| 08 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建逻辑回归模型 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
+| 09 | 一个网页应用 🔌 | [Web App](3-Web-App/README.md) | 构建一个使用训练模型的网页应用 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
+| 10 | 分类简介 | [Classification](4-Classification/README.md) | 清理、准备和可视化数据；分类简介 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
+| 11 | 美味的亚洲和印度美食 🍜 | [Classification](4-Classification/README.md) | 分类器简介 | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
+| 12 | 美味的亚洲和印度美食 🍜 | [Classification](4-Classification/README.md) | 更多分类器 | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
+| 13 | 美味的亚洲和印度美食 🍜 | [Classification](4-Classification/README.md) | 使用模型构建推荐网页应用 | [Python](4-Classification/4-Applied/README.md) | Jen |
+| 14 | 聚类简介 | [Clustering](5-Clustering/README.md) | 清理、准备和可视化数据；聚类简介 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
+| 15 | 探索尼日利亚音乐品味 🎧 | [Clustering](5-Clustering/README.md) | 探索 K-均值聚类方法 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
+| 16 | 自然语言处理简介 ☕️ | [Natural language processing](6-NLP/README.md) | 通过构建一个简单的机器人了解 NLP 的基础 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
+| 17 | 常见的 NLP 任务 ☕️ | [Natural language processing](6-NLP/README.md) | 通过了解处理语言结构时常见任务来加深对 NLP 的理解 | [Python](6-NLP/2-Tasks/README.md) | Stephen |
+| 18 | 翻译与情感分析 ♥️ | [Natural language processing](6-NLP/README.md) | 使用简·奥斯汀进行翻译与情感分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
+| 19 | 欧洲浪漫酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 使用酒店评论进行情感分析 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
+| 20 | 欧洲浪漫酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 使用酒店评论进行情感分析 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
+| 21 | 时间序列预测简介 | [Time series](7-TimeSeries/README.md) | 时间序列预测简介 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
+| 22 | ⚡️ 世界电力使用 ⚡️ - 使用 ARIMA 进行时间序列预测 | [Time series](7-TimeSeries/README.md) | 使用 ARIMA 进行时间序列预测 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
+| 23 | ⚡️ 世界电力使用 ⚡️ - 使用 SVR 进行时间序列预测 | [Time series](7-TimeSeries/README.md) | 使用支持向量回归进行时间序列预测 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
+| 24 | 强化学习简介 | [Reinforcement learning](8-Reinforcement/README.md) | 使用 Q-Learning 介绍强化学习 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
+| 25 | 帮助彼得避开狼！🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 强化学习 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
+| 后记 | 真实世界的机器学习场景和应用 | [ML in the Wild](9-Real-World/README.md) | 经典机器学习在现实中的有趣且启发性的应用 | [Lesson](9-Real-World/1-Applications/README.md) | Team |
+| 后记 | 使用 RAI 仪表盘进行机器学习模型调试 | [ML in the Wild](9-Real-World/README.md) | 使用 Responsible AI 仪表盘组件进行机器学习模型调试 | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
+
+> [在我们的 Microsoft Learn 集合中查找此课程的所有额外资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## 离线访问
-您可以使用 [Docsify](https://docsify.js.org/#/) 在离线环境中运行此文档。Fork 此仓库，在本地机器上[安装 Docsify](https://docsify.js.org/#/quickstart)，然后在该仓库根目录输入 `docsify serve`。网站将在本地主机的 3000 端口上提供服务：`localhost:3000`。
+您可以使用 [Docsify](https://docsify.js.org/#/) 离线运行本文档。Fork 本仓库，在您的本地机器上[安装 Docsify](https://docsify.js.org/#/quickstart)，然后在本仓库的根文件夹中输入 `docsify serve`。网站将在本地主机的 3000 端口提供服务：`localhost:3000`。
## PDF 文件
-在这里找到课程目录的 PDF 版本及相关链接：[这里](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)。
+可在[此处](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)找到带有链接的课程 PDF。
+
## 🎒 其他课程
-我们的团队还制作了其他课程！查看：
+我们的团队还制作了其他课程！请查看：
### 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)
+### Azure / Edge / MCP / 代理
+[](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)
---
-### 生成式AI系列
-[](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)
+### 生成式 AI 系列
+[](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)
---
### 核心学习
-[](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)
+[](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)
---
-### Copilot系列
-[](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://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+### Copilot 系列
+[](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://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
## 获取帮助
-如果您在学习机器学习或构建人工智能应用时遇到困难或有疑问，不必担心——有帮助资源可用。
+如果在学习机器学习或构建 AI 应用时遇到困难或有疑问，不用担心——有帮助资源可以利用。
您可以加入与其他学习者和开发者的讨论，提出问题，并与社区分享您的想法。
-- 加入社区，提出问题并与他人一起学习
+- 加入社区，提问并与他人一起学习
- 讨论机器学习概念和项目想法
-- 获取经验丰富开发者的指导
+- 从经验丰富的开发者处获得指导
-一个支持性的社区是提升技能和更快解决问题的绝佳方式。
+一个支持性的社区是提升技能和更快解决问题的好方式。
-[Microsoft Foundry Discord社区](https://discord.gg/nTYy5BXMWG)
+[Microsoft Foundry Discord 社区](https://discord.gg/nTYy5BXMWG)
-如果您遇到错误、故障或者有改进建议，也可以在此存储库中打开 **Issue** 报告问题。
+如果您遇到错误、故障或有改进建议，也可以在本仓库中打开 **Issue** 报告问题。
-如需产品反馈或搜索已有社区帖，请访问开发者论坛：
+如需产品反馈或搜索现有社区帖子，请访问开发者论坛：
-[](https://aka.ms/foundry/forum)
+[](https://aka.ms/foundry/forum)
-## 额外学习提示
+## 额外学习建议
-- 每节课后复习笔记本，帮助理解。
-- 练习自己实现算法。
-- 利用学到的概念探索真实数据集。
+- 课后复习笔记本以更好理解。
+- 自主练习实现算法。
+- 使用学到的知识探索真实世界的数据集。
---
-**免责声明**：
-本文件通过 AI 翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 进行翻译。尽管我们力求准确，但请注意自动翻译可能包含错误或不准确之处。以原文为权威来源。如涉及重要信息，建议使用专业人工翻译。对于因使用本翻译而产生的任何误解或误读，我们不承担任何责任。
+**免责声明**：
+本文件由 AI 翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 翻译完成。尽管我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始语言版文件应视为权威来源。对于重要信息，建议使用专业人工翻译。我们对因使用本翻译而产生的任何误解或误释不承担责任。
\ No newline at end of file
diff --git a/translations/zh-CN/for-teachers.md b/translations/zh-CN/for-teachers.md
index 7792f4c1d..b58073371 100644
--- a/translations/zh-CN/for-teachers.md
+++ b/translations/zh-CN/for-teachers.md
@@ -2,27 +2,29 @@
您想在课堂上使用这套课程吗？请随意使用！
-事实上，您可以直接在 GitHub 上使用它，通过 GitHub Classroom 来实现。
+实际上，您可以通过 GitHub Classroom 在 GitHub 本身内使用它。
-为此，您需要 fork 此仓库。您需要为每节课创建一个单独的仓库，因此需要将每个文件夹提取到一个独立的仓库中。这样，[GitHub Classroom](https://classroom.github.com/classrooms) 就可以单独识别每节课。
+要做到这一点，请 fork 本仓库。您需要为每节课创建一个仓库，因此需要将每个文件夹提取到一个单独的仓库中。这样，[GitHub Classroom](https://classroom.github.com/classrooms) 就可以分别获取每节课。
-这些[完整的说明](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/)可以帮助您了解如何设置您的课堂。
+这些 [完整说明](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) 会让您了解如何设置您的课堂。
-## 按现有形式使用仓库
+## 直接使用此仓库
-如果您希望按当前形式使用此仓库，而不使用 GitHub Classroom，也完全可以实现。您需要与您的学生沟通，共同决定要学习的课程。
+如果您想直接使用当前的仓库，而不使用 GitHub Classroom，也可以。您需要与学生沟通，一起决定进行哪节课的学习。
-在在线教学环境中（如 Zoom、Teams 或其他平台），您可以为测验创建分组讨论室，并指导学生做好学习准备。然后邀请学生参加测验，并在规定时间内以“问题”的形式提交答案。如果您希望学生公开协作完成作业，也可以采用类似的方式。
+在线形式（Zoom、Teams 或其他）中，您可以为测验分组，并指导学生帮助他们做好学习准备。然后邀请学生参加测验，并在特定时间将答案作为“问题”提交。作业也可以采用类似方式，如果您希望学生公开协作完成作业。
-如果您更倾向于私密的教学方式，可以让学生逐课 fork 课程到他们自己的 GitHub 私有仓库，并授予您访问权限。这样，他们可以私下完成测验和作业，并通过您课堂仓库中的问题提交给您。
+如果您更喜欢私密形式，您可以让学生逐课 fork 课程到自己的私有 GitHub 仓库，并给予您访问权限。然后他们可以私下完成测验和作业，并通过课堂仓库的问题向您提交。
-在在线课堂环境中，有很多方法可以让这套课程发挥作用。请告诉我们哪种方式最适合您！
+有很多方法可以让在线课堂运转起来。请告诉我们哪种方式对您最有效！
-## 请告诉我们您的想法！
+## 请给我们您的想法！
-我们希望这套课程能够满足您和您学生的需求。请通过[反馈](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u)告诉我们您的意见！
+我们希望这套课程能为您和您的学生带来帮助。请给我们[反馈](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u)。
---
-**免责声明**：
-本文档使用AI翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。
\ No newline at end of file
+
+**免责声明**：
+本文件由 AI 翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 翻译完成。尽管我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始语言版文件应视为权威来源。对于重要信息，建议使用专业人工翻译。我们对因使用本翻译而产生的任何误解或误释不承担责任。
+
\ No newline at end of file