msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity

chore(i18n): sync translations with latest source changes (chunk 1/1, 300 changes)

Browse Source
pull/918/head
localizeflow[bot] 2 weeks ago
parent a26890e923
commit 728233d19a
300 changed files with 2161 additions and 3046 deletions
Show Stats Download Patch File Download Diff File

596
translations/ar/.co-op-translator.json
Unescape View File

@ -0,0 +1,596 @@
{
"1-Introduction/1-intro-to-ML/README.md": {
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
"translation_date": "2025-09-04T20:47:38+00:00",
"source_file": "1-Introduction/1-intro-to-ML/README.md",
"language_code": "ar"
},
"1-Introduction/1-intro-to-ML/assignment.md": {
"original_hash": "4c4698044bb8af52cfb6388a4ee0e53b",
"translation_date": "2025-08-29T13:44:09+00:00",
"source_file": "1-Introduction/1-intro-to-ML/assignment.md",
"language_code": "ar"
},
"1-Introduction/2-history-of-ML/README.md": {
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
"translation_date": "2025-09-04T20:48:03+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "ar"
},
"1-Introduction/2-history-of-ML/assignment.md": {
"original_hash": "eb6e4d5afd1b21a57d2b9e6d0aac3969",
"translation_date": "2025-08-29T13:47:13+00:00",
"source_file": "1-Introduction/2-history-of-ML/assignment.md",
"language_code": "ar"
},
"1-Introduction/3-fairness/README.md": {
"original_hash": "9a6b702d1437c0467e3c5c28d763dac2",
"translation_date": "2025-09-04T20:46:15+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "ar"
},
"1-Introduction/3-fairness/assignment.md": {
"original_hash": "dbda60e7b1fe5f18974e7858eff0004e",
"translation_date": "2025-08-29T13:38:43+00:00",
"source_file": "1-Introduction/3-fairness/assignment.md",
"language_code": "ar"
},
"1-Introduction/4-techniques-of-ML/README.md": {
"original_hash": "9d91f3af3758fdd4569fb410575995ef",
"translation_date": "2025-09-04T20:47:01+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/README.md",
"language_code": "ar"
},
"1-Introduction/4-techniques-of-ML/assignment.md": {
"original_hash": "70d65aeddc06170bc1aed5b27805f930",
"translation_date": "2025-08-29T13:41:55+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/assignment.md",
"language_code": "ar"
},
"1-Introduction/README.md": {
"original_hash": "cf8ecc83f28e5b98051d2179eca08e08",
"translation_date": "2025-08-29T13:35:28+00:00",
"source_file": "1-Introduction/README.md",
"language_code": "ar"
},
"2-Regression/1-Tools/README.md": {
"original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
"translation_date": "2025-09-04T20:40:45+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "ar"
},
"2-Regression/1-Tools/assignment.md": {
"original_hash": "74a5cf83e4ebc302afbcbc4f418afd0a",
"translation_date": "2025-08-29T13:04:58+00:00",
"source_file": "2-Regression/1-Tools/assignment.md",
"language_code": "ar"
},
"2-Regression/1-Tools/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:05:23+00:00",
"source_file": "2-Regression/1-Tools/solution/Julia/README.md",
"language_code": "ar"
},
"2-Regression/2-Data/README.md": {
"original_hash": "7c077988328ebfe33b24d07945f16eca",
"translation_date": "2025-09-04T20:41:20+00:00",
"source_file": "2-Regression/2-Data/README.md",
"language_code": "ar"
},
"2-Regression/2-Data/assignment.md": {
"original_hash": "4485a1ed4dd1b5647365e3d87456515d",
"translation_date": "2025-08-29T13:08:07+00:00",
"source_file": "2-Regression/2-Data/assignment.md",
"language_code": "ar"
},
"2-Regression/2-Data/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:08:25+00:00",
"source_file": "2-Regression/2-Data/solution/Julia/README.md",
"language_code": "ar"
},
"2-Regression/3-Linear/README.md": {
"original_hash": "40e64f004f3cb50aa1d8661672d3cd92",
"translation_date": "2025-09-04T20:37:53+00:00",
"source_file": "2-Regression/3-Linear/README.md",
"language_code": "ar"
},
"2-Regression/3-Linear/assignment.md": {
"original_hash": "cc471fa89c293bc735dd3a9a0fb79b1b",
"translation_date": "2025-08-29T12:55:59+00:00",
"source_file": "2-Regression/3-Linear/assignment.md",
"language_code": "ar"
},
"2-Regression/3-Linear/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T12:56:18+00:00",
"source_file": "2-Regression/3-Linear/solution/Julia/README.md",
"language_code": "ar"
},
"2-Regression/4-Logistic/README.md": {
"original_hash": "abf86d845c84330bce205a46b382ec88",
"translation_date": "2025-09-04T20:39:43+00:00",
"source_file": "2-Regression/4-Logistic/README.md",
"language_code": "ar"
},
"2-Regression/4-Logistic/assignment.md": {
"original_hash": "8af40209a41494068c1f42b14c0b450d",
"translation_date": "2025-08-29T13:01:14+00:00",
"source_file": "2-Regression/4-Logistic/assignment.md",
"language_code": "ar"
},
"2-Regression/4-Logistic/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:01:33+00:00",
"source_file": "2-Regression/4-Logistic/solution/Julia/README.md",
"language_code": "ar"
},
"2-Regression/README.md": {
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
"translation_date": "2025-08-29T12:51:26+00:00",
"source_file": "2-Regression/README.md",
"language_code": "ar"
},
"3-Web-App/1-Web-App/README.md": {
"original_hash": "e0b75f73e4a90d45181dc5581fe2ef5c",
"translation_date": "2025-09-04T20:48:36+00:00",
"source_file": "3-Web-App/1-Web-App/README.md",
"language_code": "ar"
},
"3-Web-App/1-Web-App/assignment.md": {
"original_hash": "a8e8ae10be335cbc745b75ee552317ff",
"translation_date": "2025-08-29T13:50:24+00:00",
"source_file": "3-Web-App/1-Web-App/assignment.md",
"language_code": "ar"
},
"3-Web-App/README.md": {
"original_hash": "9836ff53cfef716ddfd70e06c5f43436",
"translation_date": "2025-08-29T13:47:34+00:00",
"source_file": "3-Web-App/README.md",
"language_code": "ar"
},
"4-Classification/1-Introduction/README.md": {
"original_hash": "aaf391d922bd6de5efba871d514c6d47",
"translation_date": "2025-09-04T20:50:26+00:00",
"source_file": "4-Classification/1-Introduction/README.md",
"language_code": "ar"
},
"4-Classification/1-Introduction/assignment.md": {
"original_hash": "b2a01912beb24cfb0007f83594dba801",
"translation_date": "2025-08-29T14:01:36+00:00",
"source_file": "4-Classification/1-Introduction/assignment.md",
"language_code": "ar"
},
"4-Classification/1-Introduction/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:02:01+00:00",
"source_file": "4-Classification/1-Introduction/solution/Julia/README.md",
"language_code": "ar"
},
"4-Classification/2-Classifiers-1/README.md": {
"original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b",
"translation_date": "2025-09-04T20:49:03+00:00",
"source_file": "4-Classification/2-Classifiers-1/README.md",
"language_code": "ar"
},
"4-Classification/2-Classifiers-1/assignment.md": {
"original_hash": "de6025f96841498b0577e9d1aee18d1f",
"translation_date": "2025-08-29T13:55:18+00:00",
"source_file": "4-Classification/2-Classifiers-1/assignment.md",
"language_code": "ar"
},
"4-Classification/2-Classifiers-1/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:55:39+00:00",
"source_file": "4-Classification/2-Classifiers-1/solution/Julia/README.md",
"language_code": "ar"
},
"4-Classification/3-Classifiers-2/README.md": {
"original_hash": "49047911108adc49d605cddfb455749c",
"translation_date": "2025-09-04T20:50:07+00:00",
"source_file": "4-Classification/3-Classifiers-2/README.md",
"language_code": "ar"
},
"4-Classification/3-Classifiers-2/assignment.md": {
"original_hash": "58dfdaf79fb73f7d34b22bdbacf57329",
"translation_date": "2025-08-29T13:59:11+00:00",
"source_file": "4-Classification/3-Classifiers-2/assignment.md",
"language_code": "ar"
},
"4-Classification/3-Classifiers-2/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:59:33+00:00",
"source_file": "4-Classification/3-Classifiers-2/solution/Julia/README.md",
"language_code": "ar"
},
"4-Classification/4-Applied/README.md": {
"original_hash": "61bdec27ed2da8b098cd9065405d9bb0",
"translation_date": "2025-09-04T20:49:44+00:00",
"source_file": "4-Classification/4-Applied/README.md",
"language_code": "ar"
},
"4-Classification/4-Applied/assignment.md": {
"original_hash": "799ed651e2af0a7cad17c6268db11578",
"translation_date": "2025-08-29T13:57:29+00:00",
"source_file": "4-Classification/4-Applied/assignment.md",
"language_code": "ar"
},
"4-Classification/README.md": {
"original_hash": "74e809ffd1e613a1058bbc3e9600859e",
"translation_date": "2025-08-29T13:51:35+00:00",
"source_file": "4-Classification/README.md",
"language_code": "ar"
},
"5-Clustering/1-Visualize/README.md": {
"original_hash": "730225ea274c9174fe688b21d421539d",
"translation_date": "2025-09-04T20:43:28+00:00",
"source_file": "5-Clustering/1-Visualize/README.md",
"language_code": "ar"
},
"5-Clustering/1-Visualize/assignment.md": {
"original_hash": "589fa015a5e7d9e67bd629f7d47b53de",
"translation_date": "2025-08-29T13:25:22+00:00",
"source_file": "5-Clustering/1-Visualize/assignment.md",
"language_code": "ar"
},
"5-Clustering/1-Visualize/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:25:46+00:00",
"source_file": "5-Clustering/1-Visualize/solution/Julia/README.md",
"language_code": "ar"
},
"5-Clustering/2-K-Means/README.md": {
"original_hash": "7cdd17338d9bbd7e2171c2cd462eb081",
"translation_date": "2025-09-04T20:44:23+00:00",
"source_file": "5-Clustering/2-K-Means/README.md",
"language_code": "ar"
},
"5-Clustering/2-K-Means/assignment.md": {
"original_hash": "b8e17eff34ad1680eba2a5d3cf9ffc41",
"translation_date": "2025-08-29T13:27:47+00:00",
"source_file": "5-Clustering/2-K-Means/assignment.md",
"language_code": "ar"
},
"5-Clustering/2-K-Means/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:28:07+00:00",
"source_file": "5-Clustering/2-K-Means/solution/Julia/README.md",
"language_code": "ar"
},
"5-Clustering/README.md": {
"original_hash": "b28a3a4911584062772c537b653ebbc7",
"translation_date": "2025-08-29T13:18:28+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "ar"
},
"6-NLP/1-Introduction-to-NLP/README.md": {
"original_hash": "1c2ec40cf55c98a028a359c27ef7e45a",
"translation_date": "2025-09-04T20:54:44+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/README.md",
"language_code": "ar"
},
"6-NLP/1-Introduction-to-NLP/assignment.md": {
"original_hash": "1d7583e8046dacbb0c056d5ba0a71b16",
"translation_date": "2025-08-29T14:32:02+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/assignment.md",
"language_code": "ar"
},
"6-NLP/2-Tasks/README.md": {
"original_hash": "5f3cb462e3122e1afe7ab0050ccf2bd3",
"translation_date": "2025-09-04T20:53:06+00:00",
"source_file": "6-NLP/2-Tasks/README.md",
"language_code": "ar"
},
"6-NLP/2-Tasks/assignment.md": {
"original_hash": "2efc4c2aba5ed06c780c05539c492ae3",
"translation_date": "2025-08-29T14:22:21+00:00",
"source_file": "6-NLP/2-Tasks/assignment.md",
"language_code": "ar"
},
"6-NLP/3-Translation-Sentiment/README.md": {
"original_hash": "be03c8182982b87ced155e4e9d1438e8",
"translation_date": "2025-09-04T20:55:11+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/README.md",
"language_code": "ar"
},
"6-NLP/3-Translation-Sentiment/assignment.md": {
"original_hash": "9d2a734deb904caff310d1a999c6bd7a",
"translation_date": "2025-08-29T14:35:03+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/assignment.md",
"language_code": "ar"
},
"6-NLP/3-Translation-Sentiment/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:35:38+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/Julia/README.md",
"language_code": "ar"
},
"6-NLP/3-Translation-Sentiment/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:35:25+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/R/README.md",
"language_code": "ar"
},
"6-NLP/4-Hotel-Reviews-1/README.md": {
"original_hash": "8d32dadeda93c6fb5c43619854882ab1",
"translation_date": "2025-09-04T20:53:38+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/README.md",
"language_code": "ar"
},
"6-NLP/4-Hotel-Reviews-1/assignment.md": {
"original_hash": "bf39bceb833cd628f224941dca8041df",
"translation_date": "2025-08-29T14:29:06+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/assignment.md",
"language_code": "ar"
},
"6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:29:35+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md",
"language_code": "ar"
},
"6-NLP/4-Hotel-Reviews-1/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:29:23+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/R/README.md",
"language_code": "ar"
},
"6-NLP/5-Hotel-Reviews-2/README.md": {
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
"translation_date": "2025-09-04T20:55:47+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
"language_code": "ar"
},
"6-NLP/5-Hotel-Reviews-2/assignment.md": {
"original_hash": "daf144daa552da6a7d442aff6f3e77d8",
"translation_date": "2025-08-29T14:38:45+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/assignment.md",
"language_code": "ar"
},
"6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:39:20+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md",
"language_code": "ar"
},
"6-NLP/5-Hotel-Reviews-2/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:39:05+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/R/README.md",
"language_code": "ar"
},
"6-NLP/README.md": {
"original_hash": "1eb379dc2d0c9940b320732d16083778",
"translation_date": "2025-08-29T14:19:01+00:00",
"source_file": "6-NLP/README.md",
"language_code": "ar"
},
"6-NLP/data/README.md": {
"original_hash": "ee0670655c89e4719319764afb113624",
"translation_date": "2025-08-29T14:29:49+00:00",
"source_file": "6-NLP/data/README.md",
"language_code": "ar"
},
"7-TimeSeries/1-Introduction/README.md": {
"original_hash": "662b509c39eee205687726636d0a8455",
"translation_date": "2025-09-04T20:42:33+00:00",
"source_file": "7-TimeSeries/1-Introduction/README.md",
"language_code": "ar"
},
"7-TimeSeries/1-Introduction/assignment.md": {
"original_hash": "d1781b0b92568ea1d119d0a198b576b4",
"translation_date": "2025-08-29T13:14:58+00:00",
"source_file": "7-TimeSeries/1-Introduction/assignment.md",
"language_code": "ar"
},
"7-TimeSeries/1-Introduction/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:15:43+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/Julia/README.md",
"language_code": "ar"
},
"7-TimeSeries/1-Introduction/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T13:15:27+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/R/README.md",
"language_code": "ar"
},
"7-TimeSeries/2-ARIMA/README.md": {
"original_hash": "917dbf890db71a322f306050cb284749",
"translation_date": "2025-09-04T20:41:47+00:00",
"source_file": "7-TimeSeries/2-ARIMA/README.md",
"language_code": "ar"
},
"7-TimeSeries/2-ARIMA/assignment.md": {
"original_hash": "1c814013e10866dfd92cdb32caaae3ac",
"translation_date": "2025-08-29T13:11:47+00:00",
"source_file": "7-TimeSeries/2-ARIMA/assignment.md",
"language_code": "ar"
},
"7-TimeSeries/2-ARIMA/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:12:23+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/Julia/README.md",
"language_code": "ar"
},
"7-TimeSeries/2-ARIMA/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T13:12:10+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/R/README.md",
"language_code": "ar"
},
"7-TimeSeries/3-SVR/README.md": {
"original_hash": "482bccabe1df958496ea71a3667995cd",
"translation_date": "2025-09-04T20:43:01+00:00",
"source_file": "7-TimeSeries/3-SVR/README.md",
"language_code": "ar"
},
"7-TimeSeries/3-SVR/assignment.md": {
"original_hash": "94aa2fc6154252ae30a3f3740299707a",
"translation_date": "2025-08-29T13:18:02+00:00",
"source_file": "7-TimeSeries/3-SVR/assignment.md",
"language_code": "ar"
},
"7-TimeSeries/README.md": {
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
"translation_date": "2025-08-29T13:08:38+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "ar"
},
"8-Reinforcement/1-QLearning/README.md": {
"original_hash": "911efd5e595089000cb3c16fce1beab8",
"translation_date": "2025-09-04T20:51:29+00:00",
"source_file": "8-Reinforcement/1-QLearning/README.md",
"language_code": "ar"
},
"8-Reinforcement/1-QLearning/assignment.md": {
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-08-29T14:13:40+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "ar"
},
"8-Reinforcement/1-QLearning/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:15:06+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/Julia/README.md",
"language_code": "ar"
},
"8-Reinforcement/1-QLearning/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:14:52+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/R/README.md",
"language_code": "ar"
},
"8-Reinforcement/2-Gym/README.md": {
"original_hash": "107d5bb29da8a562e7ae72262d251a75",
"translation_date": "2025-09-04T20:52:36+00:00",
"source_file": "8-Reinforcement/2-Gym/README.md",
"language_code": "ar"
},
"8-Reinforcement/2-Gym/assignment.md": {
"original_hash": "1f2b7441745eb52e25745423b247016b",
"translation_date": "2025-08-29T14:17:56+00:00",
"source_file": "8-Reinforcement/2-Gym/assignment.md",
"language_code": "ar"
},
"8-Reinforcement/2-Gym/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:18:46+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/Julia/README.md",
"language_code": "ar"
},
"8-Reinforcement/2-Gym/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:18:32+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/R/README.md",
"language_code": "ar"
},
"8-Reinforcement/README.md": {
"original_hash": "20ca019012b1725de956681d036d8b18",
"translation_date": "2025-08-29T14:07:35+00:00",
"source_file": "8-Reinforcement/README.md",
"language_code": "ar"
},
"9-Real-World/1-Applications/README.md": {
"original_hash": "83320d6b6994909e35d830cebf214039",
"translation_date": "2025-09-04T20:44:49+00:00",
"source_file": "9-Real-World/1-Applications/README.md",
"language_code": "ar"
},
"9-Real-World/1-Applications/assignment.md": {
"original_hash": "fdebfcd0a3f12c9e2b436ded1aa79885",
"translation_date": "2025-08-29T13:31:58+00:00",
"source_file": "9-Real-World/1-Applications/assignment.md",
"language_code": "ar"
},
"9-Real-World/2-Debugging-ML-Models/README.md": {
"original_hash": "df2b538e8fbb3e91cf0419ae2f858675",
"translation_date": "2025-09-04T20:45:30+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/README.md",
"language_code": "ar"
},
"9-Real-World/2-Debugging-ML-Models/assignment.md": {
"original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
"translation_date": "2025-08-29T13:35:04+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
"language_code": "ar"
},
"9-Real-World/README.md": {
"original_hash": "5e069a0ac02a9606a69946c2b3c574a9",
"translation_date": "2025-08-29T13:28:59+00:00",
"source_file": "9-Real-World/README.md",
"language_code": "ar"
},
"AGENTS.md": {
"original_hash": "93fdaa0fd38836e50c4793e2f2f25e8b",
"translation_date": "2025-10-03T10:58:35+00:00",
"source_file": "AGENTS.md",
"language_code": "ar"
},
"CODE_OF_CONDUCT.md": {
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-08-29T12:51:07+00:00",
"source_file": "CODE_OF_CONDUCT.md",
"language_code": "ar"
},
"CONTRIBUTING.md": {
"original_hash": "977ec5266dfd78ad1ce2bd8d46fccbda",
"translation_date": "2025-08-29T12:49:20+00:00",
"source_file": "CONTRIBUTING.md",
"language_code": "ar"
},
"README.md": {
"original_hash": "da2ceed62f16a0820259556e3a873c95",
"translation_date": "2026-01-29T17:38:01+00:00",
"source_file": "README.md",
"language_code": "ar"
},
"SECURITY.md": {
"original_hash": "5e1b8da31aae9cca3d53ad243fa3365a",
"translation_date": "2025-08-29T12:49:47+00:00",
"source_file": "SECURITY.md",
"language_code": "ar"
},
"SUPPORT.md": {
"original_hash": "09623d7343ff1c26ff4f198c1b2d3176",
"translation_date": "2025-10-03T11:38:33+00:00",
"source_file": "SUPPORT.md",
"language_code": "ar"
},
"TROUBLESHOOTING.md": {
"original_hash": "134d8759f0e2ab886e9aa4f62362c201",
"translation_date": "2025-10-03T12:37:02+00:00",
"source_file": "TROUBLESHOOTING.md",
"language_code": "ar"
},
"docs/_sidebar.md": {
"original_hash": "68dd06c685f6ce840e0acfa313352e7c",
"translation_date": "2025-08-29T13:28:21+00:00",
"source_file": "docs/_sidebar.md",
"language_code": "ar"
},
"for-teachers.md": {
"original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
"translation_date": "2025-08-29T12:50:33+00:00",
"source_file": "for-teachers.md",
"language_code": "ar"
},
"quiz-app/README.md": {
"original_hash": "6d130dffca5db70d7e615f926cb1ad4c",
"translation_date": "2025-08-29T13:50:46+00:00",
"source_file": "quiz-app/README.md",
"language_code": "ar"
},
"sketchnotes/LICENSE.md": {
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"translation_date": "2025-08-29T14:03:13+00:00",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "ar"
},
"sketchnotes/README.md": {
"original_hash": "a88d5918c1b9da69a40d917a0840c497",
"translation_date": "2025-08-29T14:02:15+00:00",
"source_file": "sketchnotes/README.md",
"language_code": "ar"
}
}

9
translations/ar/1-Introduction/1-intro-to-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
"translation_date": "2025-09-04T20:47:38+00:00",
"source_file": "1-Introduction/1-intro-to-ML/README.md",
"language_code": "ar"
}
-->
# مقدمة في تعلم الآلة
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)

9
translations/ar/1-Introduction/1-intro-to-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "4c4698044bb8af52cfb6388a4ee0e53b",
"translation_date": "2025-08-29T13:44:09+00:00",
"source_file": "1-Introduction/1-intro-to-ML/assignment.md",
"language_code": "ar"
}
-->
# البدء والتشغيل
## التعليمات

9
translations/ar/1-Introduction/2-history-of-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
"translation_date": "2025-09-04T20:48:03+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "ar"
}
-->
# تاريخ تعلم الآلة
![ملخص تاريخ تعلم الآلة في رسم تخطيطي](../../../../sketchnotes/ml-history.png)

9
translations/ar/1-Introduction/2-history-of-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "eb6e4d5afd1b21a57d2b9e6d0aac3969",
"translation_date": "2025-08-29T13:47:13+00:00",
"source_file": "1-Introduction/2-history-of-ML/assignment.md",
"language_code": "ar"
}
-->
# إنشاء خط زمني
## التعليمات

9
translations/ar/1-Introduction/3-fairness/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9a6b702d1437c0467e3c5c28d763dac2",
"translation_date": "2025-09-04T20:46:15+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "ar"
}
-->
# بناء حلول التعلم الآلي باستخدام الذكاء الاصطناعي المسؤول
![ملخص الذكاء الاصطناعي المسؤول في التعلم الآلي في رسم تخطيطي](../../../../sketchnotes/ml-fairness.png)

9
translations/ar/1-Introduction/3-fairness/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "dbda60e7b1fe5f18974e7858eff0004e",
"translation_date": "2025-08-29T13:38:43+00:00",
"source_file": "1-Introduction/3-fairness/assignment.md",
"language_code": "ar"
}
-->
# استكشاف أدوات الذكاء الاصطناعي المسؤول
## التعليمات

9
translations/ar/1-Introduction/4-techniques-of-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9d91f3af3758fdd4569fb410575995ef",
"translation_date": "2025-09-04T20:47:01+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/README.md",
"language_code": "ar"
}
-->
# تقنيات تعلم الآلة
عملية بناء واستخدام وصيانة نماذج تعلم الآلة والبيانات التي تستخدمها تختلف بشكل كبير عن العديد من سير العمل التطويرية الأخرى. في هذا الدرس، سنزيل الغموض عن هذه العملية، ونوضح التقنيات الرئيسية التي تحتاج إلى معرفتها. ستتعلم:

9
translations/ar/1-Introduction/4-techniques-of-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "70d65aeddc06170bc1aed5b27805f930",
"translation_date": "2025-08-29T13:41:55+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/assignment.md",
"language_code": "ar"
}
-->
# مقابلة مع عالم بيانات
## التعليمات

9
translations/ar/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cf8ecc83f28e5b98051d2179eca08e08",
"translation_date": "2025-08-29T13:35:28+00:00",
"source_file": "1-Introduction/README.md",
"language_code": "ar"
}
-->
# مقدمة في تعلم الآلة
في هذا القسم من المنهج الدراسي، ستتعرف على المفاهيم الأساسية التي تشكل مجال تعلم الآلة، ما هو، وتتعرف على تاريخه والتقنيات التي يستخدمها الباحثون للعمل معه. دعونا نستكشف هذا العالم الجديد من تعلم الآلة معًا!

9
translations/ar/2-Regression/1-Tools/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
"translation_date": "2025-09-04T20:40:45+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "ar"
}
-->
# البدء مع Python و Scikit-learn لنماذج الانحدار
![ملخص الانحدارات في رسم توضيحي](../../../../sketchnotes/ml-regression.png)

9
translations/ar/2-Regression/1-Tools/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "74a5cf83e4ebc302afbcbc4f418afd0a",
"translation_date": "2025-08-29T13:04:58+00:00",
"source_file": "2-Regression/1-Tools/assignment.md",
"language_code": "ar"
}
-->
# الانحدار باستخدام Scikit-learn
## التعليمات

9
translations/ar/2-Regression/1-Tools/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:05:23+00:00",
"source_file": "2-Regression/1-Tools/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا مجرد عنصر نائب مؤقت
---

9
translations/ar/2-Regression/2-Data/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7c077988328ebfe33b24d07945f16eca",
"translation_date": "2025-09-04T20:41:20+00:00",
"source_file": "2-Regression/2-Data/README.md",
"language_code": "ar"
}
-->
# بناء نموذج انحدار باستخدام Scikit-learn: إعداد البيانات وتصويرها
![مخطط تصوير البيانات](../../../../2-Regression/2-Data/images/data-visualization.png)

9
translations/ar/2-Regression/2-Data/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "4485a1ed4dd1b5647365e3d87456515d",
"translation_date": "2025-08-29T13:08:07+00:00",
"source_file": "2-Regression/2-Data/assignment.md",
"language_code": "ar"
}
-->
# استكشاف التصورات
هناك العديد من المكتبات المختلفة المتاحة لتصور البيانات. قم بإنشاء بعض التصورات باستخدام بيانات القرع في هذا الدرس باستخدام matplotlib و seaborn في دفتر ملاحظات تجريبي. أي المكتبات أسهل في الاستخدام؟

9
translations/ar/2-Regression/2-Data/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:08:25+00:00",
"source_file": "2-Regression/2-Data/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا مجرد عنصر نائب مؤقت
---

25
translations/ar/2-Regression/3-Linear/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "40e64f004f3cb50aa1d8661672d3cd92",
"translation_date": "2025-09-04T20:37:53+00:00",
"source_file": "2-Regression/3-Linear/README.md",
"language_code": "ar"
}
-->
# بناء نموذج انحدار باستخدام Scikit-learn: الانحدار بأربع طرق
![مخطط معلوماتي عن الانحدار الخطي مقابل الانحدار متعدد الحدود](../../../../2-Regression/3-Linear/images/linear-polynomial.png)
@ -114,11 +105,11 @@ day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.
من الدرس السابق ربما لاحظت أن متوسط السعر للأشهر المختلفة يبدو كالتالي:
<img alt="متوسط السعر حسب الشهر" src="../2-Data/images/barchart.png" width="50%"/>
<img alt="متوسط السعر حسب الشهر" src="../../../../translated_images/ar/barchart.a833ea9194346d76.webp" width="50%"/>
هذا يشير إلى أنه يجب أن يكون هناك بعض الارتباط، ويمكننا محاولة تدريب نموذج انحدار خطي للتنبؤ بالعلاقة بين `الشهر` و `السعر`، أو بين `اليوم من السنة` و `السعر`. إليك المخطط المبعثر الذي يظهر العلاقة الأخيرة:
<img alt="مخطط مبعثر للسعر مقابل اليوم من السنة" src="images/scatter-dayofyear.png" width="50%" />
<img alt="مخطط مبعثر للسعر مقابل اليوم من السنة" src="../../../../translated_images/ar/scatter-dayofyear.bc171c189c9fd553.webp" width="50%" />
دعونا نرى ما إذا كان هناك ارتباط باستخدام وظيفة `corr`:
@ -137,7 +128,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()):
ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var)
```
<img alt="مخطط مبعثر للسعر مقابل اليوم من السنة" src="images/scatter-dayofyear-color.png" width="50%" />
<img alt="مخطط مبعثر للسعر مقابل اليوم من السنة" src="../../../../translated_images/ar/scatter-dayofyear-color.65790faefbb9d54f.webp" width="50%" />
تشير تحقيقاتنا إلى أن النوع له تأثير أكبر على السعر الإجمالي من تاريخ البيع الفعلي. يمكننا رؤية ذلك باستخدام مخطط شريطي:
@ -145,7 +136,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()):
new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar')
```
<img alt="مخطط شريطي للسعر مقابل النوع" src="images/price-by-variety.png" width="50%" />
<img alt="مخطط شريطي للسعر مقابل النوع" src="../../../../translated_images/ar/price-by-variety.744a2f9925d9bcb4.webp" width="50%" />
دعونا نركز في الوقت الحالي فقط على نوع واحد من القرع، وهو "نوع الفطيرة"، ونرى ما هو تأثير التاريخ على السعر:
@ -153,7 +144,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar')
pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE']
pie_pumpkins.plot.scatter('DayOfYear','Price')
```
<img alt="مخطط مبعثر للسعر مقابل اليوم من السنة" src="images/pie-pumpkins-scatter.png" width="50%" />
<img alt="مخطط مبعثر للسعر مقابل اليوم من السنة" src="../../../../translated_images/ar/pie-pumpkins-scatter.d14f9804a53f927e.webp" width="50%" />
إذا قمنا الآن بحساب الارتباط بين `السعر` و `اليوم من السنة` باستخدام وظيفة `corr`، سنحصل على شيء مثل `-0.27` - مما يعني أن تدريب نموذج تنبؤي يبدو منطقيًا.
@ -227,7 +218,7 @@ plt.scatter(X_test,y_test)
plt.plot(X_test,pred)
```
<img alt="الانحدار الخطي" src="images/linear-results.png" width="50%" />
<img alt="الانحدار الخطي" src="../../../../translated_images/ar/linear-results.f7c3552c85b0ed1c.webp" width="50%" />
## الانحدار متعدد الحدود
@ -256,7 +247,7 @@ pipeline.fit(X_train,y_train)
يمكن استخدام الأنابيب بنفس الطريقة التي يتم بها استخدام كائن `LinearRegression` الأصلي، أي يمكننا `fit` الأنبوب، ثم استخدام `predict` للحصول على نتائج التنبؤ. إليك الرسم البياني الذي يظهر بيانات الاختبار ومنحنى التقريب:
<img alt="الانحدار متعدد الحدود" src="images/poly-results.png" width="50%" />
<img alt="الانحدار متعدد الحدود" src="../../../../translated_images/ar/poly-results.ee587348f0f1f60b.webp" width="50%" />
باستخدام الانحدار متعدد الحدود، يمكننا الحصول على MSE أقل قليلاً ومعامل تحديد أعلى، ولكن ليس بشكل كبير. يجب أن نأخذ في الاعتبار ميزات أخرى!
@ -274,7 +265,7 @@ pipeline.fit(X_train,y_train)
هنا يمكنك رؤية كيف يعتمد السعر المتوسط على النوع:
<img alt="السعر المتوسط حسب النوع" src="images/price-by-variety.png" width="50%" />
<img alt="السعر المتوسط حسب النوع" src="../../../../translated_images/ar/price-by-variety.744a2f9925d9bcb4.webp" width="50%" />
لأخذ النوع في الاعتبار، نحتاج أولاً إلى تحويله إلى شكل رقمي، أو **ترميزه**. هناك عدة طرق يمكننا القيام بها:

9
translations/ar/2-Regression/3-Linear/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cc471fa89c293bc735dd3a9a0fb79b1b",
"translation_date": "2025-08-29T12:55:59+00:00",
"source_file": "2-Regression/3-Linear/assignment.md",
"language_code": "ar"
}
-->
# إنشاء نموذج انحدار
## التعليمات

9
translations/ar/2-Regression/3-Linear/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T12:56:18+00:00",
"source_file": "2-Regression/3-Linear/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا مكان مؤقت
---

9
translations/ar/2-Regression/4-Logistic/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "abf86d845c84330bce205a46b382ec88",
"translation_date": "2025-09-04T20:39:43+00:00",
"source_file": "2-Regression/4-Logistic/README.md",
"language_code": "ar"
}
-->
# الانحدار اللوجستي للتنبؤ بالفئات
![رسم توضيحي للفرق بين الانحدار الخطي والانحدار اللوجستي](../../../../2-Regression/4-Logistic/images/linear-vs-logistic.png)

9
translations/ar/2-Regression/4-Logistic/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8af40209a41494068c1f42b14c0b450d",
"translation_date": "2025-08-29T13:01:14+00:00",
"source_file": "2-Regression/4-Logistic/assignment.md",
"language_code": "ar"
}
-->
# إعادة المحاولة مع بعض الانحدار
## التعليمات

9
translations/ar/2-Regression/4-Logistic/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:01:33+00:00",
"source_file": "2-Regression/4-Logistic/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/2-Regression/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
"translation_date": "2025-08-29T12:51:26+00:00",
"source_file": "2-Regression/README.md",
"language_code": "ar"
}
-->
# نماذج الانحدار لتعلم الآلة
## موضوع إقليمي: نماذج الانحدار لأسعار القرع في أمريكا الشمالية 🎃

9
translations/ar/3-Web-App/1-Web-App/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "e0b75f73e4a90d45181dc5581fe2ef5c",
"translation_date": "2025-09-04T20:48:36+00:00",
"source_file": "3-Web-App/1-Web-App/README.md",
"language_code": "ar"
}
-->
# بناء تطبيق ويب لاستخدام نموذج تعلم الآلة
في هذه الدرس، ستقوم بتدريب نموذج تعلم الآلة على مجموعة بيانات غير مألوفة: _مشاهدات الأجسام الطائرة المجهولة خلال القرن الماضي_، مأخوذة من قاعدة بيانات NUFORC.

9
translations/ar/3-Web-App/1-Web-App/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a8e8ae10be335cbc745b75ee552317ff",
"translation_date": "2025-08-29T13:50:24+00:00",
"source_file": "3-Web-App/1-Web-App/assignment.md",
"language_code": "ar"
}
-->
# جرب نموذجًا مختلفًا
## التعليمات

9
translations/ar/3-Web-App/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9836ff53cfef716ddfd70e06c5f43436",
"translation_date": "2025-08-29T13:47:34+00:00",
"source_file": "3-Web-App/README.md",
"language_code": "ar"
}
-->
# بناء تطبيق ويب لاستخدام نموذج التعلم الآلي الخاص بك
في هذا القسم من المنهج، ستتعرف على موضوع عملي في التعلم الآلي: كيفية حفظ نموذج Scikit-learn كملف يمكن استخدامه لإجراء التنبؤات داخل تطبيق ويب. بمجرد حفظ النموذج، ستتعلم كيفية استخدامه في تطبيق ويب مبني باستخدام Flask. ستقوم أولاً بإنشاء نموذج باستخدام بعض البيانات المتعلقة بمشاهدات الأجسام الطائرة المجهولة (UFO)! بعد ذلك، ستبني تطبيق ويب يسمح لك بإدخال عدد من الثواني مع قيمة خط العرض وخط الطول للتنبؤ بالدولة التي أبلغت عن رؤية جسم طائر مجهول.

9
translations/ar/4-Classification/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "aaf391d922bd6de5efba871d514c6d47",
"translation_date": "2025-09-04T20:50:26+00:00",
"source_file": "4-Classification/1-Introduction/README.md",
"language_code": "ar"
}
-->
# مقدمة إلى التصنيف
في هذه الدروس الأربعة، ستستكشف أحد الجوانب الأساسية لتعلم الآلة الكلاسيكي - _التصنيف_. سنقوم باستخدام مجموعة متنوعة من خوارزميات التصنيف مع مجموعة بيانات عن جميع المأكولات الرائعة في آسيا والهند. نأمل أن تكون جائعًا!

9
translations/ar/4-Classification/1-Introduction/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b2a01912beb24cfb0007f83594dba801",
"translation_date": "2025-08-29T14:01:36+00:00",
"source_file": "4-Classification/1-Introduction/assignment.md",
"language_code": "ar"
}
-->
# استكشاف طرق التصنيف
## التعليمات

9
translations/ar/4-Classification/1-Introduction/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:02:01+00:00",
"source_file": "4-Classification/1-Introduction/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/4-Classification/2-Classifiers-1/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b",
"translation_date": "2025-09-04T20:49:03+00:00",
"source_file": "4-Classification/2-Classifiers-1/README.md",
"language_code": "ar"
}
-->
# مصنفات المأكولات 1
في هذا الدرس، ستستخدم مجموعة البيانات التي حفظتها من الدرس السابق، وهي مليئة بالبيانات المتوازنة والنظيفة حول المأكولات.

9
translations/ar/4-Classification/2-Classifiers-1/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "de6025f96841498b0577e9d1aee18d1f",
"translation_date": "2025-08-29T13:55:18+00:00",
"source_file": "4-Classification/2-Classifiers-1/assignment.md",
"language_code": "ar"
}
-->
# دراسة الحلول
## التعليمات

9
translations/ar/4-Classification/2-Classifiers-1/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:55:39+00:00",
"source_file": "4-Classification/2-Classifiers-1/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/4-Classification/3-Classifiers-2/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "49047911108adc49d605cddfb455749c",
"translation_date": "2025-09-04T20:50:07+00:00",
"source_file": "4-Classification/3-Classifiers-2/README.md",
"language_code": "ar"
}
-->
# مصنفات المأكولات 2
في درس التصنيف الثاني هذا، ستستكشف طرقًا إضافية لتصنيف البيانات الرقمية. كما ستتعرف على العواقب المترتبة على اختيار مصنف معين بدلاً من آخر.

9
translations/ar/4-Classification/3-Classifiers-2/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "58dfdaf79fb73f7d34b22bdbacf57329",
"translation_date": "2025-08-29T13:59:11+00:00",
"source_file": "4-Classification/3-Classifiers-2/assignment.md",
"language_code": "ar"
}
-->
# اللعب بالمعاملات
## التعليمات

9
translations/ar/4-Classification/3-Classifiers-2/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:59:33+00:00",
"source_file": "4-Classification/3-Classifiers-2/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/4-Classification/4-Applied/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "61bdec27ed2da8b098cd9065405d9bb0",
"translation_date": "2025-09-04T20:49:44+00:00",
"source_file": "4-Classification/4-Applied/README.md",
"language_code": "ar"
}
-->
# بناء تطبيق ويب لتوصية المأكولات
في هذه الدرس، ستقوم ببناء نموذج تصنيف باستخدام بعض التقنيات التي تعلمتها في الدروس السابقة ومع مجموعة بيانات المأكولات الشهية التي تم استخدامها طوال هذه السلسلة. بالإضافة إلى ذلك، ستقوم ببناء تطبيق ويب صغير لاستخدام النموذج المحفوظ، مستفيدًا من تشغيل الويب الخاص بـ Onnx.

9
translations/ar/4-Classification/4-Applied/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "799ed651e2af0a7cad17c6268db11578",
"translation_date": "2025-08-29T13:57:29+00:00",
"source_file": "4-Classification/4-Applied/assignment.md",
"language_code": "ar"
}
-->
# بناء نظام توصيات
## التعليمات

9
translations/ar/4-Classification/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "74e809ffd1e613a1058bbc3e9600859e",
"translation_date": "2025-08-29T13:51:35+00:00",
"source_file": "4-Classification/README.md",
"language_code": "ar"
}
-->
# البدء مع التصنيف
## موضوع إقليمي: المأكولات الآسيوية والهندية اللذيذة 🍜

9
translations/ar/5-Clustering/1-Visualize/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "730225ea274c9174fe688b21d421539d",
"translation_date": "2025-09-04T20:43:28+00:00",
"source_file": "5-Clustering/1-Visualize/README.md",
"language_code": "ar"
}
-->
# مقدمة إلى التجميع
التجميع هو نوع من [التعلم غير الموجه](https://wikipedia.org/wiki/Unsupervised_learning) الذي يفترض أن مجموعة البيانات غير معنونة أو أن مدخلاتها غير مرتبطة بمخرجات محددة مسبقًا. يستخدم التجميع خوارزميات مختلفة لفرز البيانات غير المعنونة وتوفير مجموعات بناءً على الأنماط التي يكتشفها في البيانات.

9
translations/ar/5-Clustering/1-Visualize/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "589fa015a5e7d9e67bd629f7d47b53de",
"translation_date": "2025-08-29T13:25:22+00:00",
"source_file": "5-Clustering/1-Visualize/assignment.md",
"language_code": "ar"
}
-->
# البحث عن تصورات أخرى للتجميع
## التعليمات

9
translations/ar/5-Clustering/1-Visualize/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:25:46+00:00",
"source_file": "5-Clustering/1-Visualize/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/5-Clustering/2-K-Means/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7cdd17338d9bbd7e2171c2cd462eb081",
"translation_date": "2025-09-04T20:44:23+00:00",
"source_file": "5-Clustering/2-K-Means/README.md",
"language_code": "ar"
}
-->
# التجميع باستخدام K-Means
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)

9
translations/ar/5-Clustering/2-K-Means/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b8e17eff34ad1680eba2a5d3cf9ffc41",
"translation_date": "2025-08-29T13:27:47+00:00",
"source_file": "5-Clustering/2-K-Means/assignment.md",
"language_code": "ar"
}
-->
# جرب طرقًا مختلفة للتجميع
## التعليمات

9
translations/ar/5-Clustering/2-K-Means/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:28:07+00:00",
"source_file": "5-Clustering/2-K-Means/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/5-Clustering/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b28a3a4911584062772c537b653ebbc7",
"translation_date": "2025-08-29T13:18:28+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "ar"
}
-->
# نماذج التجميع في تعلم الآلة
التجميع هو مهمة في تعلم الآلة تهدف إلى العثور على الأشياء التي تشبه بعضها البعض وتجميعها في مجموعات تُسمى "العناقيد". ما يميز التجميع عن الأساليب الأخرى في تعلم الآلة هو أن الأمور تحدث تلقائيًا، في الواقع، يمكن القول إنه عكس التعلم الموجّه.

9
translations/ar/6-NLP/1-Introduction-to-NLP/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1c2ec40cf55c98a028a359c27ef7e45a",
"translation_date": "2025-09-04T20:54:44+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/README.md",
"language_code": "ar"
}
-->
# مقدمة في معالجة اللغة الطبيعية
تتناول هذه الدرس تاريخًا موجزًا ومفاهيم مهمة عن *معالجة اللغة الطبيعية*، وهو مجال فرعي من *اللغويات الحاسوبية*.

9
translations/ar/6-NLP/1-Introduction-to-NLP/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1d7583e8046dacbb0c056d5ba0a71b16",
"translation_date": "2025-08-29T14:32:02+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/assignment.md",
"language_code": "ar"
}
-->
# البحث عن روبوت
## التعليمات

9
translations/ar/6-NLP/2-Tasks/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5f3cb462e3122e1afe7ab0050ccf2bd3",
"translation_date": "2025-09-04T20:53:06+00:00",
"source_file": "6-NLP/2-Tasks/README.md",
"language_code": "ar"
}
-->
# مهام وتقنيات شائعة في معالجة اللغة الطبيعية
في معظم مهام *معالجة اللغة الطبيعية*، يجب تقسيم النص المراد معالجته، وفحصه، وتخزين النتائج أو مقارنتها مع القواعد ومجموعات البيانات. تتيح هذه المهام للمبرمج استنتاج _المعنى_ أو _النية_ أو فقط _تكرار_ المصطلحات والكلمات في النص.

9
translations/ar/6-NLP/2-Tasks/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "2efc4c2aba5ed06c780c05539c492ae3",
"translation_date": "2025-08-29T14:22:21+00:00",
"source_file": "6-NLP/2-Tasks/assignment.md",
"language_code": "ar"
}
-->
# اجعل الروبوت يرد عليك
## التعليمات

9
translations/ar/6-NLP/3-Translation-Sentiment/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "be03c8182982b87ced155e4e9d1438e8",
"translation_date": "2025-09-04T20:55:11+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/README.md",
"language_code": "ar"
}
-->
# الترجمة وتحليل المشاعر باستخدام التعلم الآلي
في الدروس السابقة، تعلمت كيفية بناء روبوت أساسي باستخدام `TextBlob`، وهي مكتبة تحتوي على تقنيات تعلم آلي خلف الكواليس لأداء مهام معالجة اللغة الطبيعية الأساسية مثل استخراج العبارات الاسمية. أحد التحديات المهمة في اللغويات الحاسوبية هو الترجمة الدقيقة لجملة من لغة منطوقة أو مكتوبة إلى أخرى.

9
translations/ar/6-NLP/3-Translation-Sentiment/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9d2a734deb904caff310d1a999c6bd7a",
"translation_date": "2025-08-29T14:35:03+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/assignment.md",
"language_code": "ar"
}
-->
# رخصة شعرية
## التعليمات

9
translations/ar/6-NLP/3-Translation-Sentiment/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:35:38+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا مجرد عنصر نائب مؤقت
---

9
translations/ar/6-NLP/3-Translation-Sentiment/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:35:25+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/R/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/6-NLP/4-Hotel-Reviews-1/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8d32dadeda93c6fb5c43619854882ab1",
"translation_date": "2025-09-04T20:53:38+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/README.md",
"language_code": "ar"
}
-->
# تحليل المشاعر باستخدام تقييمات الفنادق - معالجة البيانات
في هذا القسم، ستستخدم التقنيات التي تعلمتها في الدروس السابقة لإجراء تحليل استكشافي للبيانات لمجموعة بيانات كبيرة. بمجرد أن تحصل على فهم جيد لفائدة الأعمدة المختلفة، ستتعلم:

9
translations/ar/6-NLP/4-Hotel-Reviews-1/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "bf39bceb833cd628f224941dca8041df",
"translation_date": "2025-08-29T14:29:06+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/assignment.md",
"language_code": "ar"
}
-->
# NLTK
## التعليمات

9
translations/ar/6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:29:35+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا مكان مؤقت
---

9
translations/ar/6-NLP/4-Hotel-Reviews-1/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:29:23+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/R/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/6-NLP/5-Hotel-Reviews-2/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
"translation_date": "2025-09-04T20:55:47+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
"language_code": "ar"
}
-->
# تحليل المشاعر باستخدام تقييمات الفنادق
الآن بعد أن قمت باستكشاف مجموعة البيانات بالتفصيل، حان الوقت لتصفية الأعمدة واستخدام تقنيات معالجة اللغة الطبيعية (NLP) على مجموعة البيانات للحصول على رؤى جديدة حول الفنادق.

9
translations/ar/6-NLP/5-Hotel-Reviews-2/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "daf144daa552da6a7d442aff6f3e77d8",
"translation_date": "2025-08-29T14:38:45+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/assignment.md",
"language_code": "ar"
}
-->
# جرب مجموعة بيانات مختلفة
## التعليمات

9
translations/ar/6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:39:20+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا مكان مؤقت
---

9
translations/ar/6-NLP/5-Hotel-Reviews-2/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:39:05+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/R/README.md",
"language_code": "ar"
}
-->
هذا مجرد عنصر نائب مؤقت
---

9
translations/ar/6-NLP/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1eb379dc2d0c9940b320732d16083778",
"translation_date": "2025-08-29T14:19:01+00:00",
"source_file": "6-NLP/README.md",
"language_code": "ar"
}
-->
# البدء في معالجة اللغة الطبيعية
معالجة اللغة الطبيعية (NLP) هي قدرة برنامج الكمبيوتر على فهم اللغة البشرية كما يتم التحدث بها وكتابتها - والتي تُعرف باسم اللغة الطبيعية. وهي جزء من الذكاء الاصطناعي (AI). لقد وُجدت معالجة اللغة الطبيعية لأكثر من 50 عامًا ولها جذور في مجال اللغويات. يهدف هذا المجال بأكمله إلى مساعدة الآلات على فهم ومعالجة اللغة البشرية. يمكن بعد ذلك استخدام هذه القدرة لأداء مهام مثل التدقيق الإملائي أو الترجمة الآلية. ولها تطبيقات متنوعة في العالم الحقيقي في عدد من المجالات، بما في ذلك الأبحاث الطبية، ومحركات البحث، وذكاء الأعمال.

9
translations/ar/6-NLP/data/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ee0670655c89e4719319764afb113624",
"translation_date": "2025-08-29T14:29:49+00:00",
"source_file": "6-NLP/data/README.md",
"language_code": "ar"
}
-->
قم بتنزيل بيانات مراجعة الفندق إلى هذا المجلد.
---

9
translations/ar/7-TimeSeries/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "662b509c39eee205687726636d0a8455",
"translation_date": "2025-09-04T20:42:33+00:00",
"source_file": "7-TimeSeries/1-Introduction/README.md",
"language_code": "ar"
}
-->
# مقدمة في التنبؤ بالسلاسل الزمنية
![ملخص السلاسل الزمنية في رسم تخطيطي](../../../../sketchnotes/ml-timeseries.png)

9
translations/ar/7-TimeSeries/1-Introduction/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "d1781b0b92568ea1d119d0a198b576b4",
"translation_date": "2025-08-29T13:14:58+00:00",
"source_file": "7-TimeSeries/1-Introduction/assignment.md",
"language_code": "ar"
}
-->
# تصور المزيد من السلاسل الزمنية
## التعليمات

9
translations/ar/7-TimeSeries/1-Introduction/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:15:43+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/7-TimeSeries/1-Introduction/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T13:15:27+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/R/README.md",
"language_code": "ar"
}
-->
هذا مجرد عنصر نائب مؤقت
---

9
translations/ar/7-TimeSeries/2-ARIMA/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "917dbf890db71a322f306050cb284749",
"translation_date": "2025-09-04T20:41:47+00:00",
"source_file": "7-TimeSeries/2-ARIMA/README.md",
"language_code": "ar"
}
-->
# التنبؤ بالسلاسل الزمنية باستخدام ARIMA
في الدرس السابق، تعلمت قليلاً عن التنبؤ بالسلاسل الزمنية وقمت بتحميل مجموعة بيانات تُظهر تقلبات الحمل الكهربائي على مدى فترة زمنية.

9
translations/ar/7-TimeSeries/2-ARIMA/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1c814013e10866dfd92cdb32caaae3ac",
"translation_date": "2025-08-29T13:11:47+00:00",
"source_file": "7-TimeSeries/2-ARIMA/assignment.md",
"language_code": "ar"
}
-->
# نموذج ARIMA جديد
## التعليمات

9
translations/ar/7-TimeSeries/2-ARIMA/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T13:12:23+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا مجرد عنصر نائب مؤقت
---

9
translations/ar/7-TimeSeries/2-ARIMA/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T13:12:10+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/R/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/7-TimeSeries/3-SVR/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "482bccabe1df958496ea71a3667995cd",
"translation_date": "2025-09-04T20:43:01+00:00",
"source_file": "7-TimeSeries/3-SVR/README.md",
"language_code": "ar"
}
-->
# التنبؤ بالسلاسل الزمنية باستخدام نموذج دعم المتجهات للتراجع
في الدرس السابق، تعلمت كيفية استخدام نموذج ARIMA لإجراء توقعات السلاسل الزمنية. الآن ستتعرف على نموذج دعم المتجهات للتراجع (Support Vector Regressor)، وهو نموذج يستخدم للتنبؤ بالبيانات المستمرة.

9
translations/ar/7-TimeSeries/3-SVR/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "94aa2fc6154252ae30a3f3740299707a",
"translation_date": "2025-08-29T13:18:02+00:00",
"source_file": "7-TimeSeries/3-SVR/assignment.md",
"language_code": "ar"
}
-->
# نموذج SVR جديد
## التعليمات [^1]

9
translations/ar/7-TimeSeries/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
"translation_date": "2025-08-29T13:08:38+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "ar"
}
-->
# مقدمة في التنبؤ بالسلاسل الزمنية
ما هو التنبؤ بالسلاسل الزمنية؟ إنه يتعلق بتوقع الأحداث المستقبلية من خلال تحليل اتجاهات الماضي.

9
translations/ar/8-Reinforcement/1-QLearning/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "911efd5e595089000cb3c16fce1beab8",
"translation_date": "2025-09-04T20:51:29+00:00",
"source_file": "8-Reinforcement/1-QLearning/README.md",
"language_code": "ar"
}
-->
# مقدمة إلى التعلم التعزيزي وخوارزمية Q-Learning
![ملخص التعلم التعزيزي في التعلم الآلي في رسم توضيحي](../../../../sketchnotes/ml-reinforcement.png)

9
translations/ar/8-Reinforcement/1-QLearning/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-08-29T14:13:40+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "ar"
}
-->
# عالم أكثر واقعية
في وضعنا الحالي، كان بيتر قادرًا على التحرك تقريبًا دون أن يشعر بالتعب أو الجوع. في عالم أكثر واقعية، عليه أن يجلس ويرتاح من وقت لآخر، وأيضًا أن يطعم نفسه. دعونا نجعل عالمنا أكثر واقعية من خلال تطبيق القواعد التالية:

9
translations/ar/8-Reinforcement/1-QLearning/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:15:06+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا عنصر نائب مؤقت
---

9
translations/ar/8-Reinforcement/1-QLearning/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:14:52+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/R/README.md",
"language_code": "ar"
}
-->
هذا مكان مؤقت placeholder
---

9
translations/ar/8-Reinforcement/2-Gym/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "107d5bb29da8a562e7ae72262d251a75",
"translation_date": "2025-09-04T20:52:36+00:00",
"source_file": "8-Reinforcement/2-Gym/README.md",
"language_code": "ar"
}
-->
# التزلج على CartPole
المشكلة التي قمنا بحلها في الدرس السابق قد تبدو وكأنها مشكلة بسيطة وغير قابلة للتطبيق في سيناريوهات الحياة الواقعية. لكن هذا ليس صحيحًا، لأن العديد من مشاكل العالم الحقيقي تشترك في هذا السيناريو - بما في ذلك لعب الشطرنج أو لعبة Go. فهي مشابهة لأن لدينا أيضًا لوحة بقواعد محددة وحالة **منفصلة**.

9
translations/ar/8-Reinforcement/2-Gym/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1f2b7441745eb52e25745423b247016b",
"translation_date": "2025-08-29T14:17:56+00:00",
"source_file": "8-Reinforcement/2-Gym/assignment.md",
"language_code": "ar"
}
-->
# تدريب سيارة الجبل
[OpenAI Gym](http://gym.openai.com) تم تصميمه بحيث توفر جميع البيئات نفس واجهة البرمجة - أي نفس الطرق `reset`, `step` و `render`، ونفس التجريدات لمساحة **الإجراءات** ومساحة **الملاحظات**. لذلك يجب أن يكون من الممكن تكييف نفس خوارزميات التعلم المعزز مع بيئات مختلفة مع تغييرات بسيطة في الكود.

9
translations/ar/8-Reinforcement/2-Gym/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T14:18:46+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/Julia/README.md",
"language_code": "ar"
}
-->
هذا مكان مؤقت
---

9
translations/ar/8-Reinforcement/2-Gym/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T14:18:32+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/R/README.md",
"language_code": "ar"
}
-->
هذا مجرد عنصر نائب مؤقت
---

9
translations/ar/8-Reinforcement/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "20ca019012b1725de956681d036d8b18",
"translation_date": "2025-08-29T14:07:35+00:00",
"source_file": "8-Reinforcement/README.md",
"language_code": "ar"
}
-->
# مقدمة في التعلم المعزز
يُعتبر التعلم المعزز، أو RL، أحد الأسس الرئيسية في تعلم الآلة، إلى جانب التعلم الموجّه والتعلم غير الموجّه. التعلم المعزز يدور حول اتخاذ القرارات: اتخاذ القرارات الصحيحة أو على الأقل التعلم منها.

9
translations/ar/9-Real-World/1-Applications/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "83320d6b6994909e35d830cebf214039",
"translation_date": "2025-09-04T20:44:49+00:00",
"source_file": "9-Real-World/1-Applications/README.md",
"language_code": "ar"
}
-->
# ملحق: التعلم الآلي في العالم الحقيقي
![ملخص التعلم الآلي في العالم الحقيقي في رسم تخطيطي](../../../../sketchnotes/ml-realworld.png)

9
translations/ar/9-Real-World/1-Applications/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fdebfcd0a3f12c9e2b436ded1aa79885",
"translation_date": "2025-08-29T13:31:58+00:00",
"source_file": "9-Real-World/1-Applications/assignment.md",
"language_code": "ar"
}
-->
# البحث عن الكنز باستخدام تعلم الآلة
## التعليمات

9
translations/ar/9-Real-World/2-Debugging-ML-Models/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "df2b538e8fbb3e91cf0419ae2f858675",
"translation_date": "2025-09-04T20:45:30+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/README.md",
"language_code": "ar"
}
-->
# ملحق: تصحيح النماذج في تعلم الآلة باستخدام مكونات لوحة القيادة للذكاء الاصطناعي المسؤول
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)

9
translations/ar/9-Real-World/2-Debugging-ML-Models/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
"translation_date": "2025-08-29T13:35:04+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
"language_code": "ar"
}
-->
# استكشاف لوحة تحكم الذكاء الاصطناعي المسؤول (RAI)
## التعليمات

9
translations/ar/9-Real-World/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5e069a0ac02a9606a69946c2b3c574a9",
"translation_date": "2025-08-29T13:28:59+00:00",
"source_file": "9-Real-World/README.md",
"language_code": "ar"
}
-->
# ملحق: تطبيقات العالم الحقيقي لتعلم الآلة الكلاسيكي
في هذا القسم من المنهج الدراسي، ستتعرف على بعض تطبيقات العالم الحقيقي لتعلم الآلة الكلاسيكي. لقد قمنا بالبحث عبر الإنترنت للعثور على أوراق بحثية ومقالات حول تطبيقات استخدمت هذه الاستراتيجيات، مع تجنب الشبكات العصبية، التعلم العميق والذكاء الاصطناعي قدر الإمكان. تعرف على كيفية استخدام تعلم الآلة في أنظمة الأعمال، التطبيقات البيئية، التمويل، الفنون والثقافة، والمزيد.

9
translations/ar/AGENTS.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "93fdaa0fd38836e50c4793e2f2f25e8b",
"translation_date": "2025-10-03T10:58:35+00:00",
"source_file": "AGENTS.md",
"language_code": "ar"
}
-->
# AGENTS.md
## نظرة عامة على المشروع

9
translations/ar/CODE_OF_CONDUCT.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-08-29T12:51:07+00:00",
"source_file": "CODE_OF_CONDUCT.md",
"language_code": "ar"
}
-->
# مدونة قواعد السلوك لمصادر مايكروسوفت المفتوحة
لقد تبنى هذا المشروع [مدونة قواعد السلوك لمصادر مايكروسوفت المفتوحة](https://opensource.microsoft.com/codeofconduct/).

9
translations/ar/CONTRIBUTING.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "977ec5266dfd78ad1ce2bd8d46fccbda",
"translation_date": "2025-08-29T12:49:20+00:00",
"source_file": "CONTRIBUTING.md",
"language_code": "ar"
}
-->
# المساهمة
هذا المشروع يرحب بالمساهمات والاقتراحات. معظم المساهمات تتطلب منك الموافقة على اتفاقية ترخيص المساهم (CLA) التي تؤكد أنك تمتلك الحق في، وتقوم فعليًا، بمنحنا الحقوق لاستخدام مساهمتك. لمزيد من التفاصيل، قم بزيارة https://cla.microsoft.com.

240
translations/ar/README.md
Unescape View File

@ -1,187 +1,179 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "0a6f4476a4f3934a4aa47c1bf47158bc",
"translation_date": "2026-01-16T08:11:02+00:00",
"source_file": "README.md",
"language_code": "ar"
}
-->
[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
[![رخصة GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[![مساهمو GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[![مشكلات GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[![طلبات السحب في GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[![مرحبًا بطلبات السحب](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
[![المراقبون في GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[![التفرعات في GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[![النجوم في GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 دعم متعدد اللغات
#### مدعوم عبر إجراء GitHub (آلي ودائم التحديث)
#### مدعوم عبر GitHub Action (آلي ومحدث دائمًا)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[العربية](./README.md) | [البنغالية](../bn/README.md) | [البلغارية](../bg/README.md) | [البورمية (ميانمار)](../my/README.md) | [الصينية (المبسطة)](../zh/README.md) | [الصينية (التقليدية، هونغ كونغ)](../hk/README.md) | [الصينية (التقليدية، ماكاو)](../mo/README.md) | [الصينية (التقليدية، تايوان)](../tw/README.md) | [الكرواتية](../hr/README.md) | [التشيكية](../cs/README.md) | [الدنماركية](../da/README.md) | [الهولندية](../nl/README.md) | [الإستونية](../et/README.md) | [الفنلندية](../fi/README.md) | [الفرنسية](../fr/README.md) | [الألمانية](../de/README.md) | [اليونانية](../el/README.md) | [العبرية](../he/README.md) | [الهندية](../hi/README.md) | [الهنغارية](../hu/README.md) | [الإندونيسية](../id/README.md) | [الإيطالية](../it/README.md) | [اليابانية](../ja/README.md) | [الكانادية](../kn/README.md) | [الكورية](../ko/README.md) | [الليتوانية](../lt/README.md) | [الماليزية](../ms/README.md) | [المالايالامية](../ml/README.md) | [المراثية](../mr/README.md) | [النيبالية](../ne/README.md) | [اللهجة النيجرية](../pcm/README.md) | [النرويجية](../no/README.md) | [الفارسية (فارسي)](../fa/README.md) | [البولندية](../pl/README.md) | [البرتغالية (البرازيل)](../br/README.md) | [البرتغالية (البرتغال)](../pt/README.md) | [البنجابية (جرمخي)](../pa/README.md) | [الرومانية](../ro/README.md) | [الروسية](../ru/README.md) | [الصربية (السيريلية)](../sr/README.md) | [السلوفاكية](../sk/README.md) | [السلوفينية](../sl/README.md) | [الإسبانية](../es/README.md) | [السواحلية](../sw/README.md) | [السويدية](../sv/README.md) | [التاغالوغية (الفلبينية)](../tl/README.md) | [التاميلية](../ta/README.md) | [التيلجو](../te/README.md) | [التايلاندية](../th/README.md) | [التركية](../tr/README.md) | [الأوكرانية](../uk/README.md) | [الأردية](../ur/README.md) | [الفيتنامية](../vi/README.md)
[العربية](./README.md) | [البنغالية](../bn/README.md) | [البلغارية](../bg/README.md) | [البورمية (ميانمار)](../my/README.md) | [الصينية (المبسطة)](../zh-CN/README.md) | [الصينية (التقليدية، هونغ كونغ)](../zh-HK/README.md) | [الصينية (التقليدية، ماكاو)](../zh-MO/README.md) | [الصينية (التقليدية، تايوان)](../zh-TW/README.md) | [الكرواتية](../hr/README.md) | [التشيكية](../cs/README.md) | [الدنماركية](../da/README.md) | [الهولندية](../nl/README.md) | [الإستونية](../et/README.md) | [الفنلندية](../fi/README.md) | [الفرنسية](../fr/README.md) | [الألمانية](../de/README.md) | [اليونانية](../el/README.md) | [العبرية](../he/README.md) | [الهندية](../hi/README.md) | [الهنغارية](../hu/README.md) | [الإندونيسية](../id/README.md) | [الإيطالية](../it/README.md) | [اليابانية](../ja/README.md) | [الكانادا](../kn/README.md) | [الكورية](../ko/README.md) | [الليتوانية](../lt/README.md) | [الماليزية](../ms/README.md) | [المالايالامية](../ml/README.md) | [الماراثية](../mr/README.md) | [النيبالية](../ne/README.md) | [النجدية النيجيرية](../pcm/README.md) | [النرويجية](../no/README.md) | [الفارسية (اللغة الفارسية)](../fa/README.md) | [البولندية](../pl/README.md) | [البرتغالية (البرازيل)](../pt-BR/README.md) | [البرتغالية (البرتغال)](../pt-PT/README.md) | [البنجابية (جيرموخي)](../pa/README.md) | [الرومانية](../ro/README.md) | [الروسية](../ru/README.md) | [الصربية (السيريلية)](../sr/README.md) | [السلوفاكية](../sk/README.md) | [السلوفينية](../sl/README.md) | [الإسبانية](../es/README.md) | [السواحيلية](../sw/README.md) | [السويدية](../sv/README.md) | [التاغالوغية (الفلپينية)](../tl/README.md) | [التاميلية](../ta/README.md) | [التيلوجو](../te/README.md) | [التايلاندية](../th/README.md) | [التركية](../tr/README.md) | [الأوكرانية](../uk/README.md) | [الأردية](../ur/README.md) | [الفيتنامية](../vi/README.md)
> **هل تفضل النسخ محليًا؟**
> **تفضل الاستنساخ محليًا؟**
> يتضمن هذا المستودع أكثر من 50 ترجمة للغات مختلفة مما يزيد كثيرًا من حجم التنزيل. للنسخ دون الترجمات، استخدم الفحص الجزئي:
> يتضمن هذا المستودع ترجمات لأكثر من 50 لغة مما يزيد بشكل كبير حجم التنزيل. للاستنساخ بدون الترجمات، استخدم السحب الجزئي:
> ```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'
> ```
> يمنحك هذا كل ما تحتاجه لإكمال الدورة مع تنزيل أسرع بكثير.
> هذا يمنحك كل ما تحتاجه لإكمال الدورة مع تحميل أسرع بكثير.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
#### انضم إلى مجتمعنا
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
[![مايكروسوفت فاوندري ديسكورد](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
لدينا سلسلة تعلم عبر Discord مع الذكاء الاصطناعي مستمرة، تعرف أكثر وانضم إلينا في [سلسلة التعلم مع الذكاء الاصطناعي](https://aka.ms/learnwithai/discord) من 18 إلى 30 سبتمبر 2025. ستحصل على نصائح وتقنيات لاستخدام GitHub Copilot لعلوم البيانات.
لدينا سلسلة تعلم على ديسكورد مع الذكاء الاصطناعي مستمرة، تعرّف على المزيد وانضم إلينا في [سلسلة التعلم مع AI](https://aka.ms/learnwithai/discord) من 18 - 30 سبتمبر 2025. ستحصل على نصائح وحيل لاستخدام GitHub Copilot في علوم البيانات.
![سلسلة التعلم مع الذكاء الاصطناعي](../../../../translated_images/ar/3.9b58fd8d6c373c20.webp)
![سلسلة التعلم مع الذكاء الاصطناعي](../../translated_images/ar/3.9b58fd8d6c373c20.webp)
# تعلم الآلة للمبتدئين - منهج دراسي
# التعلم الآلي للمبتدئين - منهج تعليمي
> 🌍 سافر حول العالم أثناء استكشافنا لتعلم الآلة عبر ثقافات العالم 🌍
> 🌍 سافر حول العالم بينما نستكشف التعلم الآلي من خلال ثقافات العالم 🌍
يسر فريق مروجي السحابة في مايكروسوفت أن يقدم منهجًا لمدة 12 أسبوعًا يتضمن 26 درسًا حول **تعلم الآلة**. في هذا المنهج، ستتعلم ما يسمى أحيانًا بـ **التعلم الآلي الكلاسيكي**، باستخدام مكتبة Scikit-learn بشكل أساسي وتجنب التعلم العميق، الذي يتم تغطيته في [منهج الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai4beginners). يمكنك كذلك دمج هذه الدروس مع منهج ['علوم البيانات للمبتدئين'](https://aka.ms/ds4beginners)!
يسعد فريق مدافعي السحابة في مايكروسوفت أن يقدم منهجًا تعليميًا مكونًا من 12 أسبوعًا و26 درسا حول **التعلم الآلي**. في هذا المنهج، ستتعلم ما يسمى أحياناً بـ **التعلم الآلي الكلاسيكي**، مستخدمًا مكتبة Scikit-learn بشكل أساسي ومتجنبًا التعلم العميق الذي يتم تغطيته في منهجنا الخاص بـ [الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai4beginners). يمكنك دمج هذه الدروس مع منهجنا ['علوم البيانات للمبتدئين'](https://aka.ms/ds4beginners) أيضًا!
سافر معنا حول العالم لتطبيق هذه التقنيات الكلاسيكية على بيانات من مناطق عديدة في العالم. تتضمن كل درس اختبارات قبليّة وبعديّة، تعليمات مكتوبة لإكمال الدرس، حلاً، واجبًا، وأكثر. تسمح منهجيتنا المعتمدة على المشاريع لك بالتعلم أثناء البناء، وهي طريقة مثبتة لترسيخ المهارات الجديدة.
سافر معنا حول العالم ونحن نطبق هذه التقنيات الكلاسيكية على بيانات من مناطق عديدة في العالم. كل درس يتضمن اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإكمال الدرس، حل، مهمة، وأكثر. تتيح منك طريقة المشروع التعليمي التعلم أثناء البناء، وهي طريقة مثبتة لترسيخ المهارات الجديدة.
**✍️ شكر جزيل لكل من شارك في الكتابة:** جين لوبر، ستيفن هاول، فرانسيسكا لازيري، تومومي إيمورا، كاسي بريفيو، دميتري سوشنيكوف، كريس نورينغ، أنيربان موخرجي، أورنيلا ألتونيان، روث ياكوبو آمي بويد
**✍️ شكر وافر لمؤلفينا** جن لوبر، ستيفن هاول، فرانسيسكا لازيري، تومومي إيمورا، كاسي بريفيو، ديمتري سوشنيكوف، كريس نورينج، أنيربان موخيرجي، أورنيلا ألتونيان، روث ياكوبو وآمي بويد
**🎨 شكر خاص أيضًا للرسامين:** تومومي إيمورا، داساني ماديبالي، وجين لوبر
**🎨 شكر أيضًا لرسامينا** تومومي إيمورا، داساني ماديبالي، وجن لوبر
**🙏 شكر خاص 🙏 لسفراء الطلاب في مايكروسوفت من المؤلفين والمراجعين ومساهمي المحتوى، وبالأخص:** ريشيت داجلي، محمد سكيب خان إينان، روهان راج، ألكساندرو بيتريسكو، أبهيشيك جايسوال، نوبرين تاباسوم، إيوان سامويلا، وسنيغدا أغاروال
**🙏 شكر خاص 🙏 لسفراء طلاب مايكروسوفت المؤلفين والمراجعين والمساهمين في المحتوى**، وخصوصًا ريشت داغلي، محمد ساکب خان إنان، روهان راج، ألكسندرو بيتريسكو، أبهيشيك جايسوال، ناورين تاباسوم، إيوان سامويلا، وسنيغدا أغاروال
**🤩 امتنان إضافي لسفراء الطلاب مايكروسوفت إريك وانجاو، جاسلين سوندهى، وفيدوشي جوبتا لدروس R الخاصة بنا!**
**🤩 شكر إضافي لسفراء طلاب مايكروسوفت إريك وانجاو، جاسلين سوندي، وفيدوشي جوبتا على دروس R!**
# البدء
اتبع هذه الخطوات:
1. **استنسخ المستودع**: انقر على زر "Fork" في أعلى يمين هذه الصفحة.
2. **انسخ المستودع**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **افتح نسخة fork من المستودع**: اضغط على زر "Fork" في أعلى يمين هذه الصفحة.
2. **انسخ المستودع clone**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [اعثر على جميع الموارد الإضافية لهذه الدورة في مجموعة مايكروسوفت ليرن](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [اعثر على كل الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **بحاجة للمساعدة؟** تفقد [دليل استكشاف المشكلات](TROUBLESHOOTING.md) لحلول المشاكل الشائعة في التثبيت، الإعداد، وتشغيل الدروس.
> 🔧 **هل تحتاج مساعدة؟** تحقق من [دليل استكشاف المشكلات](TROUBLESHOOTING.md) لحلول المشاكل الشائعة في التثبيت والإعداد وتشغيل الدروس.
**[الطلاب](https://aka.ms/student-page)**، لاستخدام هذا المنهج، استنسخ المستودع بالكامل إلى حساب GitHub الخاص بك وأكمل التمارين بنفسك أو ضمن مجموعة:
**[الطلاب](https://aka.ms/student-page)**، لاستخدام هذا المنهج، استنسخ المستودع بالكامل إلى حساب GitHub الخاص بك وأكمل التمارين بنفسك أو مع مجموعة:
- ابدأ بالاختبار القبلي للمحاضرة.
- اقرأ المحاضرة وأكمل الأنشطة، مع التوقف والتفكير عند كل اختبار معرفة.
- حاول إنشاء المشاريع من خلال فهم الدروس بدلاً من تشغيل كود الحل؛ مع ذلك، يتوفر كود الحل في مجلد `/solution` في كل درس معتمد على المشروع.
- خذ الاختبار البعدي للمحاضرة.
- أتمم التحدي.
- أتمم الواجب.
- بعد إكمال مجموعة الدروس، زر [لوحة النقاش](https://github.com/microsoft/ML-For-Beginners/discussions) و"تعلم بصوت عالٍ" عبر ملء تقييم PAT المناسب. تقييم 'PAT' هو أداة تقييم تقدم تملأها لتطوير تعلمك. يمكنك أيضًا التفاعل مع تقييمات PAT الأخرى لنتعلم معًا.
- ابدأ باختبار تمهيدي قبل المحاضرة.
- اقرأ المحاضرة وأكمل الأنشطة، توقف وفكر عند كل اختبار معرفة.
- حاول إنشاء المشاريع بفهم الدروس بدلاً من تشغيل رمز الحل؛ ومع ذلك، الرمز متاح في مجلدات `/solution` في كل درس موجه نحو المشروع.
- خذ اختبار ما بعد المحاضرة.
- أكمل التحدي.
- أكمل المهمة.
- بعد إكمال مجموعة من الدروس، قم بزيارة [لوحة النقاش](https://github.com/microsoft/ML-For-Beginners/discussions) و"تعلم بصوت عالٍ" بملء نموذج تقييم PAT المناسب. هو أداة لتقييم تقدمك تساعدك على تعميق تعلمك. يمكنك أيضًا التفاعل مع نماذج تقييم PAT الأخرى لنتعلم معًا.
> للدراسة المتقدمة، ننصح بمتابعة هذه [وحدات ومسارات التعلم على Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> للدراسة المتقدمة، نوصي بمتابعة هذه الوحدات والمسارات التعليمية على [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**المعلمون**، لقد أدرجنا بعض الاقتراحات في [ملف للاستخدام التعليمي](for-teachers.md) حول كيفية استخدام هذا المنهج.
**المعلمون**، أدرجنا بعض الاقتراحات حول كيفية استخدام هذا المنهج في [for-teachers.md].
---
## جولات فيديو توضيحية
## فيديوهات تعليمية
بعض الدروس متوفرة على شكل فيديوهات قصيرة. يمكنك العثور على جميع هذه الفيديوهات ضمن الدروس، أو على [قائمة تشغيل ML for Beginners على قناة مايكروسوفت ديفلوبر على يوتيوب](https://aka.ms/ml-beginners-videos) بالنقر على الصورة أدناه.
بعض الدروس متاحة على شكل فيديوهات قصيرة. يمكنك العثور عليها جميعًا مضمنة في الدروس، أو على [قائمة تشغيل ML للمبتدئين على قناة مايكروسوفت ديفلوبر على يوتيوب](https://aka.ms/ml-beginners-videos) بالنقر على الصورة أدناه.
[![بانر تعلم الآلة للمبتدئين](../../../../translated_images/ar/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
[![شعار التعلم الآلي للمبتدئين](../../translated_images/ar/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
---
## فريق العمل
## تعرف على الفريق
[![فيديو ترويجي](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU)
**GIF بواسطة** [موهيت جيسال](https://linkedin.com/in/mohitjaisal)
**حركة GIF بواسطة** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
> 🎥 اضغط على الصورة أعلاه لمشاهدة فيديو عن المشروع والأشخاص الذين أنشأوه!
> 🎥 اضغط الصورة أعلاه لمشاهدة فيديو عن المشروع والأشخاص الذين أنشأوه!
---
## المنهجية التعليمية
اخترنا مبدأين تربويين أثناء بناء هذا المنهج: ضمان كونه **مبنيًا على المشاريع عمليًا**، وأن يتضمن **اختبارات متكررة**. بالإضافة إلى ذلك، يحتوي هذا المنهج على **موضوع مشترك** ليمنحه التماسك.
بضمان توافق المحتوى مع المشاريع، تصبح العملية أكثر إثارة للطلاب ويزداد تثبيت المفاهيم. بالإضافة إلى ذلك، يحدد اختبار منخفض المخاطر قبل الدرس نية الطالب نحو تعلم موضوع ما، بينما يضمن اختبار آخر بعد الدرس تثبيتًا أكبر. صُمم هذا المنهج ليكون مرنًا وممتعًا ويمكن أخذه ككل أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا بنهاية دورة 12 أسبوعًا. كما يحتوي المنهج على خاتمة حول تطبيقات تعلم الآلة في العالم الحقيقي، يمكن استخدامها كنشاط إضافي أو كأساس للنقاش.
> تجدون إرشاداتنا الخاصة ب[مدونة السلوك](CODE_OF_CONDUCT.md)، و[المساهمة](CONTRIBUTING.md)، و[الترجمة](TRANSLATIONS.md)، و[استكشاف المشكلات](TROUBLESHOOTING.md). نحن نرحب بملاحظاتكم البناءة!
## كل درس يتضمن
- رسم تخطيطي اختياري
- فيديو تكميلي اختياري
- جولة فيديو توضيحية (بعض الدروس فقط)
- [اختبار تسخين قبلي للمحاضرة](https://ff-quizzes.netlify.app/en/ml/)
- درس مكتوب
- للدروس المبنية على المشاريع، دلائل خطوة بخطوة لبناء المشروع
- اختبارات معرفة
- تحدي
- قراءة إضافية
- واجب
- [اختبار بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
> **ملاحظة حول اللغات**: هذه الدروس مكتوبة أساسًا بلغة Python، لكن كثيرًا منها متاح أيضًا بلغة R. لإكمال درس R، اذهب إلى مجلد `/solution` وابحث عن دروس R. تحتوي على امتداد .rmd الذي يمثل ملف **R Markdown**، يمكن تعريفه ببساطة على أنه تضمين لـ`كتل كود` (بـ R أو لغات أخرى) ورأس `YAML` (يوجه كيفية تنسيق المخرجات مثل PDF) في مستند `Markdown`. وبالتالي، فهو إطار تأليف نموذجي لعلوم البيانات لأنه يسمح لك بدمج كودك، مخرجاته، وأفكارك عبر تدوينها في Markdown. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى صيغ مخرجات مثل PDF، HTML، أو Word.
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في [مجلد تطبيق الاختبار](../../quiz-app)، حيث يوجد 52 اختبارًا مكونًا من ثلاثة أسئلة لكل منها. يتم ربطها من داخل الدروس ولكن يمكن تشغيل تطبيق الاختبار محليًا؛ اتبع التعليمات في مجلد `quiz-app` لاستضافة التطبيق محليًا أو نشره على Azure.
| رقم الدرس | الموضوع | تجميع الدرس | الأهداف التعليمية | الدرس المرتبط | المؤلف |
| :-------: | :------------------------------------------------------------: | :---------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
| 01 | مقدمة في تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلم المفاهيم الأساسية وراء تعلم الآلة | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاريخ تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلم التاريخ الكامن وراء هذا المجال | [درس](1-Introduction/2-history-of-ML/README.md) | جين وآمي |
| 03 | العدالة وتعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي القضايا الفلسفية المهمة المتعلقة بالعدالة التي يجب على الطلاب مراعاتها عند بناء وتطبيق نماذج تعلم الآلة؟ | [درس](1-Introduction/3-fairness/README.md) | تومومي |
| 04 | تقنيات تعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي التقنيات التي يستخدمها الباحثون في تعلم الآلة لبناء النماذج؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | كريس وجين |
| 05 | مقدمة في الانحدار | [الانحدار](2-Regression/README.md) | ابدأ مع Python و Scikit-learn لنماذج الانحدار | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جين • إريك وانجاو |
| 06 | أسعار قرع أمريكا الشمالية 🎃 | [الانحدار](2-Regression/README.md) | تصور وتنظيف البيانات للتحضير لتعلم الآلة | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جين • إريك وانجاو |
| 07 | أسعار قرع أمريكا الشمالية 🎃 | [الانحدار](2-Regression/README.md) | بناء نماذج انحدار خطي ومتعدد الحدود | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جين ودميتري • إريك وانجاو |
| 08 | أسعار قرع أمريكا الشمالية 🎃 | [الانحدار](2-Regression/README.md) | بناء نموذج انحدار لوجستي | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جين • إريك وانجاو |
| 09 | تطبيق ويب 🔌 | [تطبيق ويب](3-Web-App/README.md) | بناء تطبيق ويب لاستخدام نموذجك المدرب | [Python](3-Web-App/1-Web-App/README.md) | جين |
| 10 | مقدمة في التصنيف | [تصنيف](4-Classification/README.md) | تنظيف، تحضير، وتصور بياناتك؛ مقدمة في التصنيف | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جين وكاسي • إريك وانجاو |
| 11 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | مقدمة في المصنفات | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جين وكاسي • إريك وانجاو |
| 12 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | المزيد من المصنفات | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جين وكاسي • إريك وانجاو |
| 13 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | بناء تطبيق ويب للتوصية باستخدام نموذجك | [Python](4-Classification/4-Applied/README.md) | جين |
| 14 | مقدمة في التجميع | [تجميع](5-Clustering/README.md) | تنظيف، تحضير، وتصور بياناتك؛ مقدمة في التجميع | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جين • إريك وانجاو |
| 15 | استكشاف الأذواق الموسيقية النيجيرية 🎧 | [تجميع](5-Clustering/README.md) | استكشاف طريقة K-Means للتجميع | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جين • إريك وانجاو |
| 16 | مقدمة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعلّم الأساسيات عن NLP من خلال بناء بوت بسيط | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ستيفن |
| 17 | المهام الشائعة في NLP ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعميق معرفتك في NLP من خلال فهم المهام الشائعة المطلوبة عند التعامل مع هياكل اللغة | [Python](6-NLP/2-Tasks/README.md) | ستيفن |
| 18 | الترجمة وتحليل المشاعر ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | الترجمة وتحليل المشاعر مع جين أوستن | [Python](6-NLP/3-Translation-Sentiment/README.md) | ستيفن |
| 19 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع مراجعات الفنادق 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ستيفن |
| 20 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع مراجعات الفنادق 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | [السلاسل الزمنية](7-TimeSeries/README.md) | مقدمة في التنبؤ بالسلاسل الزمنية | [Python](7-TimeSeries/1-Introduction/README.md) | فرانسيسكا |
| 22 | ⚡️ استخدام الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية مع ARIMA | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية مع ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانسيسكا |
| 23 | ⚡️ استخدام الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية مع SVR | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام مؤشر الدعم الانحداري | [Python](7-TimeSeries/3-SVR/README.md) | أنيربان |
| 24 | مقدمة في التعلم المعزز | [التعلم المعزز](8-Reinforcement/README.md) | مقدمة في التعلم المعزز باستخدام Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | دمیتری |
| 25 | ساعد بيتر على تجنب الذئب! 🐺 | [التعلم المعزز](8-Reinforcement/README.md) | التعلم المعزز باستخدام Gym | [Python](8-Reinforcement/2-Gym/README.md) | دمیتری |
| خاتمة | سيناريوهات وتطبيقات تعلم الآلة في العالم الحقيقي | [تعلم الآلة في العالم الحقيقي](9-Real-World/README.md) | تطبيقات حقيقية مثيرة للكشف من تعلم الآلة الكلاسيكي | [درس](9-Real-World/1-Applications/README.md) | الفريق |
| خاتمة | تصحيح نموذج التعلم الآلي باستخدام لوحة تحكم RAI | [تعلم الآلة في العالم الحقيقي](9-Real-World/README.md) | تصحيح نموذج تعلم الآلة باستخدام مكونات لوحة تحكم الذكاء المسؤول | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | راث ياكوبو |
> [ابحث عن جميع الموارد الإضافية لهذا المساق في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
اخترنا مبدئين تربويين أثناء بناء هذا المنهج: التأكد من أنه **مبني على المشاريع العملية** ويحتوي على **اختبارات متكررة**. بالإضافة إلى ذلك، هذا المنهج له **ثيم واحد** ليمنحه تماسكًا.
بضمان تطابق المحتوى مع المشاريع، يصبح التعلم أكثر جاذبية للطلاب ما يعزز الاحتفاظ بالمفاهيم. كما أن اختبارًا منخفض المخاطر قبل المحاضرة يهيئ الطالب لتعلم موضوع ما، والاختبار الثاني بعدها يعزز الاحتفاظ. صُمم هذا المنهج ليكون مرنًا وممتعًا ويمكن أخذه كاملاً أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا بنهاية دورة الـ12 أسبوعًا. يشمل المنهج خلاصة عن تطبيقات ML في العالم الحقيقي يمكن استخدامها كرصيد إضافي أو كأساس للنقاش.
> اطلع على [مدونة قواعد السلوك](CODE_OF_CONDUCT.md)، [المساهمة](CONTRIBUTING.md)، [الترجمة](TRANSLATIONS.md)، و[استكشاف المشكلات](TROUBLESHOOTING.md). نرحب بملاحظاتك البناءة!
## يتضمن كل درس
- ملاحظة رسمية اختيارية
- فيديو مكمل اختياري
- فيديو إرشادي (لبعض الدروس فقط)
- [اختبار تمهيدي للدرس](https://ff-quizzes.netlify.app/en/ml/)
- درس مكتوب
- لدروس المشروع، إرشادات خطوة بخطوة لبناء المشروع
- اختبارات معرفة
- تحدي
- قراءة إضافية
- مهمة
- [اختبار بعد الدرس](https://ff-quizzes.netlify.app/en/ml/)
> **ملاحظة عن اللغات**: هذه الدروس مكتوبة أساسًا بلغة بايثون، ولكن العديد منها متوفر أيضًا بلغة R. لإكمال درس R، توجه إلى مجلد `/solution` وابحث عن دروس R. تحتوي على امتداد .rmd وهو ملف **R Markdown** يمكن تعريفه ببساطة كإدماج لـ `كتل الكود` (بلغة R أو لغات أخرى) و`رأس YAML` (يرشد كيفية تنسيق المخرجات مثل PDF) في `وثيقة ماركداون`. بهذا، هو إطار عمل تأليفي نموذجي لعلوم البيانات لأنه يسمح بمزج الكود والمخرجات والأفكار معًا بتوثيقها في ماركداون. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى تنسيقات مخرجات مثل PDF أو HTML أو Word.
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في [مجلد تطبيق الاختبار](../../quiz-app) ، بواقع 52 اختبارًا بإجمالي ثلاث أسئلة لكل اختبار. يتم ربطها من داخل الدروس، ولكن يمكن تشغيل تطبيق الاختبار محليًا؛ اتبع التعليمات في مجلد `quiz-app` لاستضافة التطبيق محليًا أو نشره على Azure.
| رقم الدرس | الموضوع | مجموعة الدروس | الأهداف التعليمية | الدرس المرتبط | المؤلف |
| :-------: | :------------------------------------------------------------: | :-----------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: |
| 01 | مقدمة في تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلم المفاهيم الأساسية لتعلم الآلة | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاريخ تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلّم التاريخ الكامن وراء هذا المجال | [درس](1-Introduction/2-history-of-ML/README.md) | جن وآمي |
| 03 | العدالة وتعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي القضايا الفلسفية المهمة حول العدالة التي يجب أن يأخذها الطلاب في الاعتبار عند بناء وتطبيق نماذج التعلم الآلي؟ | [درس](1-Introduction/3-fairness/README.md) | تومومي |
| 04 | تقنيات تعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي التقنيات التي يستخدمها الباحثون في تعلم الآلة لبناء النماذج؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | كريس وجن |
| 05 | مقدمة في الانحدار | [انحدار](2-Regression/README.md) | ابدأ مع بايثون وScikit-learn لنماذج الانحدار | [بايثون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • إريك وانجاو |
| 06 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | تصور وتنظيف البيانات للتحضير لتعلم الآلة | [بايثون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • إريك وانجاو |
| 07 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نماذج انحدار خطي ومتعدد الحدود | [بايثون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن ودمتري • إريك وانجاو |
| 08 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نموذج انحدار لوجستي | [بايثون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • إريك وانجاو |
| 09 | تطبيق ويب 🔌 | [تطبيق ويب](3-Web-App/README.md) | بناء تطبيق ويب لاستخدام نموذجك المدرب | [بايثون](3-Web-App/1-Web-App/README.md) | جن |
| 10 | مقدمة في التصنيف | [تصنيف](4-Classification/README.md) | تنظيف، إعداد، وتصوير بياناتك؛ مقدمة في التصنيف | [بايثون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن وكاسي • إريك وانجاو |
| 11 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | مقدمة في المصنفات | [بايثون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن وكاسي • إريك وانجاو |
| 12 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | المزيد من المصنفات | [بايثون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن وكاسي • إريك وانجاو |
| 13 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | بناء تطبيق ويب موصي باستخدام نموذجك | [بايثون](4-Classification/4-Applied/README.md) | جن |
| 14 | مقدمة في التجميع | [تجميع](5-Clustering/README.md) | تنظيف، إعداد، وتصوير بياناتك؛ مقدمة في التجميع | [بايثون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • إريك وانجاو |
| 15 | استكشاف الأذواق الموسيقية النيجيرية 🎧 | [تجميع](5-Clustering/README.md) | استكشاف طريقة التجميع K-Means | [بايثون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • إريك وانجاو |
| 16 | مقدمة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعلّم الأساسيات حول معالجة اللغة الطبيعية من خلال بناء بوت بسيط | [بايثون](6-NLP/1-Introduction-to-NLP/README.md) | ستيفن |
| 17 | مهام شائعة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعميق معرفتك في معالجة اللغة بفهم المهام الشائعة المطلوبة عند التعامل مع تراكيب اللغة | [بايثون](6-NLP/2-Tasks/README.md) | ستيفن |
| 18 | الترجمة وتحليل المشاعر ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | الترجمة وتحليل المشاعر مع جين أوستن | [بايثون](6-NLP/3-Translation-Sentiment/README.md) | ستيفن |
| 19 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع مراجعات الفنادق 1 | [بايثون](6-NLP/4-Hotel-Reviews-1/README.md) | ستيفن |
| 20 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع مراجعات الفنادق 2 | [بايثون](6-NLP/5-Hotel-Reviews-2/README.md) | ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | [السلاسل الزمنية](7-TimeSeries/README.md) | مقدمة في التنبؤ بالسلاسل الزمنية | [بايثون](7-TimeSeries/1-Introduction/README.md) | فرانسيسكا |
| 22 | ⚡️ استخدام الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [بايثون](7-TimeSeries/2-ARIMA/README.md) | فرانسيسكا |
| 23 | ⚡️ استخدام الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام SVR | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام الانحدار بدعم المتجهات | [بايثون](7-TimeSeries/3-SVR/README.md) | أنيربان |
| 24 | مقدمة في التعلم التعزيزي | [التعلم التعزيزي](8-Reinforcement/README.md) | مقدمة في التعلم التعزيزي باستخدام التعلم بواسطة Q | [بايثون](8-Reinforcement/1-QLearning/README.md) | دمتري |
| 25 | ساعد بيتر على تجنب الذئب! 🐺 | [التعلم التعزيزي](8-Reinforcement/README.md) | التعلم التعزيزي مع Gym | [بايثون](8-Reinforcement/2-Gym/README.md) | دمتري |
| ملحق | سيناريوهات وتطبيقات التعلم الآلي في العالم الحقيقي | [ML in the Wild](9-Real-World/README.md) | تطبيقات مثيرة ومكشوفة للعالم الحقيقي لتعلم الآلة الكلاسيكية | [درس](9-Real-World/1-Applications/README.md) | الفريق |
| ملحق | تصحيح نماذج التعلم الآلي باستخدام لوحة تحكم RAI | [ML in the Wild](9-Real-World/README.md) | تصحيح نماذج التعلم الآلي باستخدام مكونات لوحة تحكم الذكاء المسؤول (RAI) | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث ياكوبو |
> [اعثر على كل الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## الوصول دون اتصال
يمكنك تشغيل هذه الوثائق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). قم بعمل نسخة من هذا المستودع، [ثبت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذر لهذا المستودع، اكتب `docsify serve`. سيتم تقديم الموقع على المنفذ 3000 على جهازك المحلي: `localhost:3000`.
يمكنك تشغيل هذا التوثيق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). انسخ هذا المستودع، [قم بتثبيت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذري لهذا المستودع، اكتب `docsify serve`. سيتم تقديم الموقع على المنفذ 3000 على مضيفك المحلي: `localhost:3000`.
## ملفات PDF
اعثر على ملف PDF للمناهج الدراسية مع الروابط [هنا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
اعثر على ملف pdf للمناهج مع الروابط [هنا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 دورات أخرى
## 🎒 دورات أخرى
ينتج فريقنا دورات أخرى! تحقق من:
فريقنا ينتج دورات أخرى! اطلع على:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
### سلسلة LangChain
[![LangChain4j للمبتدئين](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
[![LangChain.js للمبتدئين](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / الوكلاء
### Azure / الحوسبة الطرفية / MCP / الوكلاء
[![AZD للمبتدئين](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Edge AI للمبتدئين](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![الذكاء الاصطناعي على الحافة للمبتدئين](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![MCP للمبتدئين](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[![وكلاء الذكاء الاصطناعي للمبتدئين](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -206,25 +198,25 @@ CO_OP_TRANSLATOR_METADATA:
---
### سلسلة المساعد
[![مساعد البرمجة الزوجية بالذكاء الاصطناعي](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![المساعد لـ C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![مغامرة المساعد](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
### سلسلة كوبايلوت
[![كوبايلوت للبرمجة الزوجية بالذكاء الاصطناعي](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![كوبايلوت لـ C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![مغامرة كوبايلوت](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## الحصول على المساعدة
إذا توقفت أو كانت لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي. انضم إلى المتعلمين الآخرين والمطورين ذوي الخبرة في مناقشات حول MCP. إنها مجتمع داعم حيث تُرحب بالأسئلة ويُشارك المعرفة بحرية.
إذا واجهت صعوبة أو كان لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي. انضم إلى المتعلمين والمطورين ذوي الخبرة في مناقشات MCP. إنها مجتمع داعم حيث تُرحب بالأسئلة ويُشارك المعرفة بحرية.
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
[![ديسكورد Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
إذا كان لديك ملاحظات على المنتج أو إذا ظهرت أخطاء أثناء البناء، قم بزيارة:
إذا كان لديك ملاحظات عن المنتج أو أخطاء أثناء البناء قم بزيارة:
[![منتدى مطوري Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**تنبيه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بالرغم من سعينا لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالترجمة البشرية المهنية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.
**تنويه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار الوثيقة الأصلية بلغتها الأصلية المصدر الموثوق به. بالنسبة للمعلومات الحساسة، يُنصح بالاعتماد على الترجمة المهنية من قبل مختصين بشريين. نحن غير مسؤولين عن أي سوء فهم أو تفسير خاطئ ناتج عن استخدام هذه الترجمة.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

9
translations/ar/SECURITY.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5e1b8da31aae9cca3d53ad243fa3365a",
"translation_date": "2025-08-29T12:49:47+00:00",
"source_file": "SECURITY.md",
"language_code": "ar"
}
-->
## الأمان
تأخذ Microsoft أمان منتجاتها وخدماتها البرمجية على محمل الجد، بما في ذلك جميع مستودعات الشيفرة المصدرية التي تُدار من خلال منظماتنا على GitHub، والتي تشمل [Microsoft](https://github.com/Microsoft)، [Azure](https://github.com/Azure)، [DotNet](https://github.com/dotnet)، [AspNet](https://github.com/aspnet)، [Xamarin](https://github.com/xamarin)، و[منظماتنا على GitHub](https://opensource.microsoft.com/).

9
translations/ar/SUPPORT.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "09623d7343ff1c26ff4f198c1b2d3176",
"translation_date": "2025-10-03T11:38:33+00:00",
"source_file": "SUPPORT.md",
"language_code": "ar"
}
-->
# الدعم
## كيفية تقديم المشكلات والحصول على المساعدة

9
translations/ar/TROUBLESHOOTING.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "134d8759f0e2ab886e9aa4f62362c201",
"translation_date": "2025-10-03T12:37:02+00:00",
"source_file": "TROUBLESHOOTING.md",
"language_code": "ar"
}
-->
# دليل استكشاف الأخطاء وإصلاحها
يساعدك هذا الدليل في حل المشكلات الشائعة أثناء العمل مع منهج تعلم الآلة للمبتدئين. إذا لم تجد حلاً هنا، يرجى التحقق من [مناقشات Discord](https://aka.ms/foundry/discord) أو [فتح قضية](https://github.com/microsoft/ML-For-Beginners/issues).

9
translations/ar/docs/_sidebar.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68dd06c685f6ce840e0acfa313352e7c",
"translation_date": "2025-08-29T13:28:21+00:00",
"source_file": "docs/_sidebar.md",
"language_code": "ar"
}
-->
- المقدمة
- [مقدمة في تعلم الآلة](../1-Introduction/1-intro-to-ML/README.md)
- [تاريخ تعلم الآلة](../1-Introduction/2-history-of-ML/README.md)

9
translations/ar/for-teachers.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
"translation_date": "2025-08-29T12:50:33+00:00",
"source_file": "for-teachers.md",
"language_code": "ar"
}
-->
## للمعلمين
هل ترغب في استخدام هذا المنهج في صفك الدراسي؟ لا تتردد!

9
translations/ar/quiz-app/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6d130dffca5db70d7e615f926cb1ad4c",
"translation_date": "2025-08-29T13:50:46+00:00",
"source_file": "quiz-app/README.md",
"language_code": "ar"
}
-->
# الاختبارات
هذه الاختبارات هي اختبارات ما قبل وبعد المحاضرات لمنهج تعلم الآلة على الرابط https://aka.ms/ml-beginners

9
translations/ar/sketchnotes/LICENSE.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"translation_date": "2025-08-29T14:03:13+00:00",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "ar"
}
-->
نَسب-المشاركة بالمثل 4.0 الدولية
=======================================================================

9
translations/ar/sketchnotes/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a88d5918c1b9da69a40d917a0840c497",
"translation_date": "2025-08-29T14:02:15+00:00",
"source_file": "sketchnotes/README.md",
"language_code": "ar"
}
-->
يمكن تنزيل جميع الرسومات التوضيحية للمناهج الدراسية من هنا.
🖨 للطباعة بجودة عالية، تتوفر نسخ TIFF في [هذا المستودع](https://github.com/girliemac/a-picture-is-worth-a-1000-words/tree/main/ml/tiff).

Some files were not shown because too many files have changed in this diff Show More

Write Preview
Loading…
Cancel
Save