ما یک سری آموزش در دیسکورد با عنوان یادگیری به همراه هوش مصنوعی داریم، برای اطلاعات بیشتر و پیوستن به ما به [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ مراجعه کنید. شما نکات و ترفندهای استفاده از GitHub Copilot برای علوم داده را دریافت خواهید کرد.
ما یک سری آموزش Discord با موضوع یادگیری همراه با هوش مصنوعی برگزار میکنیم، اطلاعات بیشتر و پیوستن به ما را در [Learn with AI Series](https://aka.ms/learnwithai/discord) از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ بیابید. در این دوره نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را خواهید گرفت.
# یادگیری ماشین برای مبتدیان - یک دوره آموزشی
# یادگیری ماشین برای مبتدیان - یک برنامه درسی
> 🌍 با ما دور دنیا سفر کنید تا یادگیری ماشین را از طریق فرهنگهای جهانی کشف کنیم 🌍
> 🌍 در حالی که یادگیری ماشین را از طریق فرهنگهای جهانی کاوش میکنیم، به دور دنیا سفر کنید 🌍
مدافعان ابر در مایکروسافت مفتخرند دورهای ۱۲ هفتهای با ۲۶ درس درباره **یادگیری ماشین** ارائه دهند. در این دوره، شما با چیزی که گاهی به آن **یادگیری ماشین کلاسیک** گفته میشود آشنا میشوید، که عمدتاً از کتابخانه Scikit-learn استفاده میکند و از یادگیری عمیق که در دوره [هوش مصنوعی برای مبتدیان](https://aka.ms/ai4beginners) ما پوشش داده شده است، اجتناب میکند. این دروس را همراه با دوره ['علوم داده برای مبتدیان'](https://aka.ms/ds4beginners) ما نیز دنبال کنید!
حمایتکنندگان ابری مایکروسافت خوشحالند که یک برنامه درسی ۱۲ هفتهای، شامل ۲۶ درس را درباره **یادگیری ماشین** ارائه دهند. در این برنامه درسی، درباره چیزی که گاهی اوقات به آن «یادگیری ماشین کلاسیک» گفته میشود، آموزش خواهید دید، که عمدتاً از کتابخانه Scikit-learn استفاده میکند و از یادگیری عمیق که در برنامه درسی [هوش مصنوعی برای مبتدیان](https://aka.ms/ai4beginners) ما پوشش داده شده است، اجتناب میکند. این دروس را با برنامه درسی ما ['علم داده برای مبتدیان'](https://aka.ms/ds4beginners) نیز جفت کنید!
با ما در سفر به نقاط مختلف جهان همراه شوید در حالی که این تکنیکهای کلاسیک را روی دادههایی از مناطق مختلف جهان به کار میبریم. هر درس شامل آزمونهای پیش و پس از درس، دستورالعملهای مکتوب برای تکمیل درس، یک راهحل، یک تمرین و موارد بیشتر است. آموزش مبتنی بر پروژه به شما امکان میدهد در حین ساخت، یاد بگیرید، روشی اثبات شده برای تثبیت مهارتهای جدید.
با ما در طول جهان سفر کنید در حالی که این تکنیکهای کلاسیک را روی دادههای مناطق مختلف دنیا اعمال میکنیم. هر درس شامل کوییزهای قبل و بعد از درس، دستورات مکتوب برای تکمیل درس، یک راهحل، یک تمرین و بیشتر است. روش آموزش مبتنی بر پروژه ما به شما اجازه میدهد در حالی که میسازید یاد بگیرید، روشی اثبات شده برای تثبیت مهارتهای جدید.
**✍️ از نویسندگان ما صمیمانه سپاسگزاریم** جن لوپر، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کَسی برویو، دمیتری سوشنیکوف، کریس نورینگ، آنربان موخرجی، اورنلا آلتونیان، روث یاکوبو و ایمی بوید
**✍️ قدردانی فراوان از نویسندگان ما** جن لوپر، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کاسی برویو، دمیتری سوشنیکوف، کریس نورینگ، آنربان موخرجی، اورنلا آلتونین، روث یاکوبو و اِمی بوید
**🎨 همچنین سپاس از طراحان ما** تومومی ایمورا، داسانی مادپالی، و جن لوپر
**🎨 همچنین از تصویرگران ما متشکریم** تومومی ایمورا، داسانی مادینپالی، و جن لوپر
**🙏 تشکر ویژه 🙏 از دانشجویان سفیر مایکروسافت، نویسندگان، مرورگران و مشارکتکنندگان محتوا**، به ویژه ری شیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، ناورین طبسم، ایوان سامویلا، و سنیگدها آگاروال
**🙏 تشکر ویژه 🙏 از سفیران دانشجویی مایکروسافت، نویسندگان، بازبینها، و مشارکتکنندگان محتوا** به ویژه ریشیت داغلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، ناورین طبسوم، ایوان سامویلا، و اسنیگدا آگاروال
**🤩 قدردانی ویژه از سفیران دانشجوی مایکروسافت اریک وانژاو، جسلین سوندهی، و ویدوشی گوپتا برای دروس R ما!**
**🤩 قدردانی اضافی از سفیران دانشجویی مایکروسافت اریک وانجو، جاسلین سوندی، و ویدوشی گوپتا به خاطر درسهای R ما!**
# شروع کار
# شروع به کار
این مراحل را دنبال کنید:
1. **شعبه (Fork) مخزن را بسازید**: روی دکمه "Fork" در گوشه بالا سمت راست این صفحه کلیک کنید.
2. **مخزن را کلون کنید**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **فورک کردن مخزن**: روی دکمه "Fork" در گوشه بالا-راست صفحه کلیک کنید.
2. **کلون کردن مخزن**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [تمام منابع اضافی این دوره را در مجموعه مایکروسافت لرن ما بیابید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما بیابید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **نیاز به کمک دارید؟** راهنمای [عیبیابی](TROUBLESHOOTING.md) ما را برای راهحل مشکلات رایج نصب، راهاندازی و اجرای دروس بررسی کنید.
> 🔧 **نیاز به کمک دارید؟** راهنمای [رفع اشکال](TROUBLESHOOTING.md) ما را برای حل مشکلات رایج نصب، راهاندازی و اجرای درسها بررسی کنید.
**[دانشجویان](https://aka.ms/student-page)**، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرینها را بهصورت جداگانه یا گروهی کامل کنید:
**[دانشجویان](https://aka.ms/student-page)**، برای استفاده از این دوره، کل مخزن را در حساب GitHub خود فورک کرده و تمرینها را به صورت فردی یا گروهی انجام دهید:
- با کوییز پیشکلاس شروع کنید.
- متن درس را بخوانید و فعالیتها را انجام دهید، در هر بررسی دانش توقف و تأمل کنید.
- سعی کنید پروژهها را با درک دروس بسازید نه فقط با اجرای کد راهحل؛ البته کد راهحل در پوشههای `/solution` در هر درس مبتنی بر پروژه در دسترس است.
- کوییز پس از درس را انجام دهید.
- چالش را کامل کنید.
- تمرین را انجام دهید.
- پس از تکمیل یک گروه درس، به [صفحه بحث](https://github.com/microsoft/ML-For-Beginners/discussions) مراجعه کنید و با پر کردن فرم ارزیابی پیشرفت مناسب (PAT) "با صدای بلند بیاموزید". 'PAT' یک ابزار ارزیابی پیشرفت است که به شما کمک میکند یادگیری خود را عمیقتر کنید. همچنین میتوانید به سایر PAT ها واکنش نشان دهید تا با هم یاد بگیریم.
- با یک آزمون پیش از کلاس شروع کنید.
- درس را بخوانید و فعالیتها را انجام دهید، در هر نقطه چکهای دانش را متوقف شده و تأمل کنید.
- سعی کنید پروژهها را با درک دروس بسازید و نه صرفاً کپی و اجرای کد راهحل؛ البته کد راهحل در پوشههای `/solution` در هر درس پروژهمحور موجود است.
- آزمون پس از کلاس را انجام دهید.
- چالش را تکمیل کنید.
- تمرین را کامل کنید.
- پس از اتمام یک گروه درسی، به [تخته بحث](https://github.com/microsoft/ML-For-Beginners/discussions) مراجعه کرده و با پر کردن فُرم PAT مربوطه «بلند یاد بگیرید». PAT ابزاری برای ارزیابی پیشرفت است که فرم پر میکنید تا یادگیریتان عمیقتر شود. همچنین میتوانید به PATهای دیگر واکنش نشان دهید تا همه با هم یاد بگیریم.
> برای مطالعه بیشتر، ما پیشنهاد میکنیم این ماژولها و مسیرهای یادگیری [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
> برای مطالعه بیشتر، پیشنهاد میکنیم این ماژولها و مسیرهای یادگیری [مایکروسافت لرن](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
**اساتید**، ما برخی پیشنهادات را [اینجا](for-teachers.md) درباره چگونگی استفاده از این دوره ارائه دادهایم.
**اساتید**، ما [چند پیشنهاد](for-teachers.md) در مورد نحوه استفاده از این برنامه درسی ارائه کردهایم.
---
## ویدیوهای راهنمایی
## راهنمای ویدیویی
برخی از دروس به صورت ویدیوی کوتاه در دسترس هستند. میتوانید اینها را درون خود دروس بیابید یا در [لیست پخش ML برای مبتدیان در کانال توسعهدهندگان مایکروسافت یوتیوب](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر مشاهده کنید.
برخی از دروس به صورت ویدیوهای کوتاه در دسترس هستند. میتوانید همه آنها را در داخل درسها یا در [لیست پخش ML for Beginners در کانال یوتیوب Microsoft Developer](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر بیابید.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 برای مشاهده ویدیو درباره پروژه و افرادی که آن را ساختهاند، روی تصویر بالا کلیک کنید!
> 🎥 برای مشاهده ویدیو درباره پروژه و افراد سازنده آن روی تصویر بالا کلیک کنید!
---
## آموزش
## روش آموزش
دو اصل آموزشی در ساخت این دوره انتخاب کردهایم: تضمین اینکه دوره به صورت **پروژهمحور عملی** است و شامل **آزمونهای متداول** میشود. علاوه بر این، این دوره دارای یک **تم مشترک** است تا انسجام زیادی ایجاد کند.
ما دو اصل آموزشی را در ساخت این برنامه درسی انتخاب کردهایم: اطمینان از اینکه به صورت عملی و **مبتنی بر پروژه** باشد و شامل **کوییزهای مکرر** باشد. همچنین این برنامه درسی یک **موضوع کلی** مشترک دارد تا انسجام داشته باشد.
با اطمینان از همسویی محتوا با پروژهها، فرایند برای دانشآموزان جذابتر میشود و ماندگاری مفاهیم افزایش مییابد. همچنین آزمون کم ریسک پیش از کلاس، نیت دانشآموز برای یادگیری موضوع را تنظیم میکند و آزمون دوم پس از کلاس حفظ بهتر موضوع را تضمین میکند. این دوره به گونهای طراحی شده که انعطافپذیر و سرگرمکننده باشد و میتوان آن را به طور کامل یا بخشی از آن را دنبال کرد. پروژهها از کوچک شروع شده و تا پایان چرخه ۱۲ هفتهای به تدریج پیچیدهتر میشوند. این دوره همچنین شامل پسنوشت درباره کاربردهای واقعی یادگیری ماشین است که میتواند به عنوان اعتبار اضافی یا پایهای برای بحث استفاده شود.
با اطمینان از انطباق محتوا با پروژهها، فرایند برای دانشجویان جذابتر شده و نگهداری مفاهیم افزایش مییابد. علاوه بر این، یک کوییز کم ریسک قبل از کلاس قصد دانشجو را برای یادگیری موضوع تنظیم میکند، در حالی که کوییز دوم پس از کلاس اطمینان میدهد که مطلب بهتر در ذهن باقی میماند. این برنامه به گونهای طراحی شده است که قابل انعطاف و لذتبخش باشد و میتوان آن را کامل یا بخش به بخش اخذ کرد. پروژهها از کوچک شروع شده و تا پایان چرخه ۱۲ هفتهای به تدریج پیچیدهتر میشوند. این برنامه درسی همچنین شامل بخشی درباره کاربردهای واقعی یادگیری ماشین است که میتواند به عنوان امتیاز اضافی یا پایه بحث استفاده شود.
> دستورالعملهای [رفتار](CODE_OF_CONDUCT.md)، [مشارکت](CONTRIBUTING.md)، [ترجمه](TRANSLATIONS.md)، و [عیبیابی](TROUBLESHOOTING.md) ما را بیابید. بازخورد سازنده شما را خوشآمد میگوییم!
> دستورالعملهای [رفتار حرفهای](CODE_OF_CONDUCT.md)، [سهیم شدن](CONTRIBUTING.md)، [ترجمه](TRANSLATIONS.md)، و [رفع اشکال](TROUBLESHOOTING.md) ما را بیابید. بازخورد سازنده شما را استقبال میکنیم!
## هر درس شامل
- نوت اختیاری
- ویدیوی تکمیلی اختیاری
- ویدیوی راهنمائی (تنها برخی دروس)
- [آزمون گرم کردن پیش از کلاس](https://ff-quizzes.netlify.app/en/ml/)
- یادداشت اختیاری طرحکشی شده
- ویدیوی مکمل اختیاری
- راهنمای ویدئویی (فقط برخی دروس)
- [کوییز گرمکننده پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
- درس مکتوب
- در دروس پروژهمحور، راهنمای گامبهگام برای ساخت پروژه
- چکهای دانش
- برای دروس مبتنی بر پروژه، راهنمای گامبهگام ساخت پروژه
- بررسیهای دانش
- یک چالش
- خواندن تکمیلی
- مطالعه تکمیلی
- تمرین
- [آزمون پس از کلاس](https://ff-quizzes.netlify.app/en/ml/)
> **توضیحی درباره زبانها**: این دروس عمدتاً به زبان پایتون نوشته شدهاند، اما بسیاری نیز به زبان R موجود هستند. برای تکمیل یک درس R، به پوشه `/solution` مراجعه کرده و دنبال دروس R بگردید. اینها دارای پسوند .rmd هستند که نشاندهنده یک فایل **R Markdown** است که به سادگی میتوان آن را به عنوان ترکیب `بخشهای کد` (از R یا زبانهای دیگر) و یک `هدر YAML` (که نحوه قالببندی خروجیها مانند PDF را راهنمایی میکند) در یک سند `مارکداون` تعریف کرد. به همین ترتیب، این یک چارچوب نمونهوار برای نویسندگی در علوم داده است، زیرا به شما اجازه میدهد کد، خروجی آن و افکارتان را بنویسید و در Markdown کنار هم قرار دهید. علاوه بر این، اسناد R Markdown میتوانند به فرمتهای خروجی مانند PDF، HTML، یا Word تبدیل شوند.
> **یادداشتی درباره کوییزها**: همه کوییزها در [پوشه اپلیکیشن کوییز](../../quiz-app) قرار دارند، در مجموع ۵۲ کوییز که هر کدام شامل سه سؤال هستند. آنها از داخل درسها لینک شدهاند اما میتوانید اپلیکیشن کوییز را به صورت محلی اجرا کنید؛ دستورالعملها را در پوشه `quiz-app` دنبال کنید تا به صورت محلی میزبانی کنید یا در Azure مستقر نمایید.
| شماره درس | موضوع | گروهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
| ۰۱| مقدمهای بر یادگیری ماشین| [مقدمه](1-Introduction/README.md) | یادگیری مفاهیم پایه مربوط به یادگیری ماشین | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| ۰۲ | تاریخچه یادگیری ماشین | [مقدمه](1-Introduction/README.md) | آشنایی با تاریخچه این حوزه | [درس](1-Introduction/2-history-of-ML/README.md) | جن و امی |
| ۰۳ | عدالت و یادگیری ماشین | [مقدمه](1-Introduction/README.md) | چه مسائل فلسفی مهمی درباره عدالت وجود دارد که دانشآموزان هنگام ساخت و استفاده از مدلهای یادگیری ماشین باید در نظر بگیرند؟ | [درس](1-Introduction/3-fairness/README.md) | تومومی |
| ۰۴ | تکنیکهای یادگیری ماشین | [مقدمه](1-Introduction/README.md) | پژوهشگران یادگیری ماشین از چه تکنیکهایی برای ساخت مدلهای یادگیری ماشین استفاده میکنند؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | کریس و جن |
| ۰۵| مقدمهای بر رگرسیون | [رگرسیون](2-Regression/README.md) | با پایتون و Scikit-learn برای مدلهای رگرسیون شروع کنید | [پایتون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • اریک وانجائو |
| ۰۶ | قیمت کدو تنبل آمریکای شمالی 🎃| [رگرسیون](2-Regression/README.md) | دادهها را به منظور آمادهسازی برای یادگیری ماشین پاکسازی و مصورسازی کنید | [پایتون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • اریک وانجائو |
| ۰۷ | قیمت کدو تنبل آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | مدلهای رگرسیون خطی و چندجملهای بسازید | [پایتون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن و دیمیتری • اریک وانجائو |
| ۰۸ | قیمت کدو تنبل آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | یک مدل رگرسیون لجستیک بسازید | [پایتون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • اریک وانجائو |
| ۰۹ | یک اپ وب 🔌 | [اپ وب](3-Web-App/README.md) | ساخت اپ وب برای استفاده از مدل آموزشدیده | [پایتون](3-Web-App/1-Web-App/README.md) | جن |
| ۱۰| مقدمهای بر طبقهبندی | [طبقهبندی](4-Classification/README.md) | پاکسازی، آمادهسازی و مصورسازی دادههای خود؛ مقدمهای بر طبقهبندی | [پایتون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن و کَسی • اریک وانجائو |
| ۱۱ | غذاهای لذیذ آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | مقدمهای بر طبقهبندها | [پایتون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن و کَسی • اریک وانجائو |
| ۱۲ | غذاهای لذیذ آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | طبقهبندهای بیشتر | [پایتون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن و کَسی • اریک وانجائو |
| ۱۳ | غذاهای لذیذ آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | ساخت اپ توصیهگر وب با استفاده از مدل شما | [پایتون](4-Classification/4-Applied/README.md) | جن |
| ۱۴ | مقدمهای بر خوشهبندی | [خوشهبندی](5-Clustering/README.md) | پاکسازی، آمادهسازی و مصورسازی دادههای خود؛ مقدمهای بر خوشهبندی | [پایتون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • اریک وانجائو |
| ۱۵ | کشف سلیقههای موسیقی نیجریهای 🎧 | [خوشهبندی](5-Clustering/README.md) | روش خوشهبندی K-Means را بررسی کنید | [پایتون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • اریک وانجائو |
| ۱۶ | مقدمهای بر پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | اصول اولیه پردازش زبان طبیعی را با ساخت یک ربات ساده یاد بگیرید | [پایتون](6-NLP/1-Introduction-to-NLP/README.md) | استفن |
| ۱۷ | وظایف رایج در پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | دانش خود را در پردازش زبان طبیعی با درک وظایف رایج لازم در ارتباط با ساختارهای زبانی تعمیق ببخشید | [پایتون](6-NLP/2-Tasks/README.md) | استفن |
| ۱۸ | ترجمه و تحلیل احساسات ♥️ | [پردازش زبان طبیعی](6-NLP/README.md)| ترجمه و تحلیل احساسات با جین آستن | [پایتون](6-NLP/3-Translation-Sentiment/README.md) | استفن |
| ۱۹ | هتلهای رمانتیک اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نقدهای هتل ۱| [پایتون](6-NLP/4-Hotel-Reviews-1/README.md) | استفن |
| ۲۰ | هتلهای رمانتیک اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نقدهای هتل ۲| [پایتون](6-NLP/5-Hotel-Reviews-2/README.md) | استفن |
| ۲۱ | مقدمهای بر پیشبینی سریهای زمانی | [سری زمانی](7-TimeSeries/README.md) | مقدمهای بر پیشبینی سریهای زمانی | [پایتون](7-TimeSeries/1-Introduction/README.md) | فرانچسکا |
| ۲۲ | ⚡️ استفاده جهانی از نیرو ⚡️ - پیشبینی سری زمانی با ARIMA | [سری زمانی](7-TimeSeries/README.md) | پیشبینی سریهای زمانی با ARIMA | [پایتون](7-TimeSeries/2-ARIMA/README.md) | فرانچسکا |
| ۲۳ | ⚡️ استفاده جهانی از نیرو ⚡️ - پیشبینی سری زمانی با SVR | [سری زمانی](7-TimeSeries/README.md) | پیشبینی سریهای زمانی با رگرسیون بردار پشتیبان | [پایتون](7-TimeSeries/3-SVR/README.md) | آنیربان |
| ۲۴ | مقدمهای بر یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | مقدمهای بر یادگیری تقویتی با یادگیری Q | [پایتون](8-Reinforcement/1-QLearning/README.md) | دیمیتری |
| ۲۵ | کمک به پیتر برای فرار از گرگ! 🐺 | [یادگیری تقویتی](8-Reinforcement/README.md) | Gym یادگیری تقویتی | [پایتون](8-Reinforcement/2-Gym/README.md) | دیمیتری |
| پسنویس | سناریوها و کاربردهای دنیای واقعی یادگیری ماشین | [یادگیری ماشین در عمل](9-Real-World/README.md) | کاربردهای جالب و روشنگر دنیای واقعی یادگیری ماشین کلاسیک | [درس](9-Real-World/1-Applications/README.md) | تیم |
| پسنویس | دیباگ مدل در یادگیری ماشین با داشبورد RAI | [یادگیری ماشین در عمل](9-Real-World/README.md) | دیباگ مدل در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | راث یاكوبو |
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [کوییز پس از درس](https://ff-quizzes.netlify.app/en/ml/)
> **نکتهای درباره زبانها**: این دروس عمدتاً در زبان پایتون نوشته شدهاند، اما بسیاری نیز به زبان R موجود هستند. برای کامل کردن درس R، به پوشه `/solution` رفته و درسهای R را جستجو کنید. این فایلها دارای پسوند .rmd هستند که نمایانگر یک فایل **R Markdown** است، که به سادگی میتوان آن را یک چارچوب نویسندگی نمونه برای علم داده تعریف کرد، زیرا به شما اجازه میدهد کد، خروجی آن، و فکر خود را با نوشتن آنها در Markdown ترکیب کنید. همچنین، اسناد R Markdown میتوانند به فرمتهای خروجی مانند PDF، HTML، یا Word صادر شوند.
> **یادداشتی درباره آزمونها**: تمام آزمونها در [پوشه Quiz App](../../quiz-app) قرار دارند، مجموعاً ۵۲ آزمون که هر کدام شامل سه سوال است. این آزمونها درون دروس لینک شدهاند اما اپلیکیشن آزمون میتواند به صورت محلی اجرا شود؛ برای میزبانی محلی یا پیادهسازی در Azure دستورالعملهای موجود در پوشه `quiz-app` را دنبال کنید.
| شماره درس | موضوع | دستهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
| ۰۱ | مقدمهای بر یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مفاهیم پایه پشت یادگیری ماشین را بیاموزید | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| ۰۲ | تاریخچه یادگیری ماشین | [مقدمه](1-Introduction/README.md) | تاریخچه زمینه این حوزه را یاد بگیرید | [درس](1-Introduction/2-history-of-ML/README.md) | جن و اِمی |
| ۰۳ | عدالت و یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مسائل فلسفی مهم پیرامون عدالت که دانشآموزان باید هنگام ساخت و استفاده از مدلهای یادگیری ماشین مدنظر داشته باشند چیست؟ | [درس](1-Introduction/3-fairness/README.md) | تومومی |
| ۰۴ | تکنیکهای یادگیری ماشین | [مقدمه](1-Introduction/README.md) | پژوهشگران یادگیری ماشین از چه تکنیکهایی برای ساخت مدلهای یادگیری ماشین استفاده میکنند؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | کریس و جن |
| ۰۵ | مقدمهای بر رگرسیون | [رگرسیون](2-Regression/README.md) | با پایتون و Scikit-learn برای مدلهای رگرسیون شروع کنید | [پایتون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • اریک وانجاو |
| ۰۶ | قیمتهای کدو تنبل آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | دادهها را جهت آمادهسازی برای یادگیری ماشین تجسم و پاکسازی کنید | [پایتون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • اریک وانجاو |
| ۰۷ | قیمتهای کدو تنبل آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | مدلهای رگرسیون خطی و چندجملهای بسازید | [پایتون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن و دیمیتری • اریک وانجاو |
| ۰۹ | یک اپ وب 🔌 | [اپ وب](3-Web-App/README.md) | یک اپ وب بسازید تا از مدل آموزش دیده خود استفاده کنید | [پایتون](3-Web-App/1-Web-App/README.md) | جن |
| ۱۰ | مقدمهای بر طبقهبندی | [طبقهبندی](4-Classification/README.md) | دادههای خود را پاکسازی، آمادهسازی و تجسم کنید؛ مقدمهای بر طبقهبندی | [پایتون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن و کَسی • اریک وانجاو |
| ۱۱ | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | مقدمهای بر طبقهبندها | [پایتون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن و کَسی • اریک وانجاو |
| ۱۲ | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | طبقهبندهای بیشتر | [پایتون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن و کَسی • اریک وانجاو |
| ۱۳ | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | اپ وب توصیهگر با استفاده از مدل خود بسازید | [پایتون](4-Classification/4-Applied/README.md) | جن |
| ۱۴ | مقدمهای بر خوشهبندی | [خوشهبندی](5-Clustering/README.md) | دادههای خود را پاکسازی، آمادهسازی و تجسم کنید؛ مقدمهای بر خوشهبندی | [پایتون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • اریک وانجاو |
| ۱۵ | بررسی سلیقههای موسیقی نیجریهای 🎧 | [خوشهبندی](5-Clustering/README.md) | روش خوشهبندی K-Means را کاوش کنید | [پایتون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • اریک وانجاو |
| ۱۶ | مقدمهای بر پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | اصول پردازش زبان طبیعی را با ساخت یک ربات ساده بیاموزید | [پایتون](6-NLP/1-Introduction-to-NLP/README.md) | استیفن |
| ۱۷ | وظایف رایج پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | دانش خود را با درک وظایف متداول مورد نیاز هنگام کار با ساختارهای زبانی عمیقتر کنید | [پایتون](6-NLP/2-Tasks/README.md) | استیفن |
| ۱۸ | ترجمه و تحلیل احساسات ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | ترجمه و تحلیل احساسات با جین آستن | [پایتون](6-NLP/3-Translation-Sentiment/README.md)| استیفن |
| ۱۹ | هتلهای رمانتیک اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نقدهای هتل ۱| [پایتون](6-NLP/4-Hotel-Reviews-1/README.md) | استیفن |
| ۲۰ | هتلهای رمانتیک اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نقدهای هتل ۲ | [پایتون](6-NLP/5-Hotel-Reviews-2/README.md) | استیفن |
| ۲۱ | مقدمهای بر پیشبینی سریهای زمانی | [سریهای زمانی](7-TimeSeries/README.md) | مقدمهای بر پیشبینی سریهای زمانی | [پایتون](7-TimeSeries/1-Introduction/README.md) | فرانچسکا |
| ۲۲ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سری زمانی با ARIMA | [سریهای زمانی](7-TimeSeries/README.md) | پیشبینی سری زمانی با ARIMA |[پایتون](7-TimeSeries/2-ARIMA/README.md) | فرانچسکا |
| ۲۳ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سری زمانی با SVR | [سریهای زمانی](7-TimeSeries/README.md) | پیشبینی سری زمانی با رگرسیون بردار پشتیبان |[پایتون](7-TimeSeries/3-SVR/README.md) | آنیربان |
| ۲۴ | مقدمهای بر یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | مقدمهای بر یادگیری تقویتی با Q-Learning | [پایتون](8-Reinforcement/1-QLearning/README.md) | دیمیتری |
| ۲۵ | کمک به پیتر برای فرار از گرگ! 🐺 | [یادگیری تقویتی](8-Reinforcement/README.md) | یادگیری تقویتی در Gym| [پایتون](8-Reinforcement/2-Gym/README.md) | دیمیتری |
| پسنویس | سناریوها و کاربردهای دنیای واقعی یادگیری ماشین | [یادگیری ماشین در دنیای واقعی](9-Real-World/README.md) | کاربردهای جالب و روشنگر یادگیری ماشین کلاسیک در دنیای واقعی | [درس](9-Real-World/1-Applications/README.md) | تیم |
| پسنویس | عیبیابی مدل در یادگیری ماشین با داشبورد RAI | [یادگیری ماشین در دنیای واقعی](9-Real-World/README.md) | عیبیابی مدل در یادگیری ماشین با استفاده از مولفههای داشبورد Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث یا کوبو |
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما بیابید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## دسترسی آفلاین
میتوانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را روی دستگاه محلی خود نصب کنید](https://docsify.js.org/#/quickstart) و سپس در پوشه ریشه این مخزن، دستور `docsify serve` را تایپ کنید. وبسایت روی پورت ۳۰۰۰ در localhost شما اجرا خواهد شد: `localhost:3000`.
شما میتوانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. مخزن را فورک کنید، [Docsify](https://docsify.js.org/#/quickstart) را روی دستگاه محلی خود نصب کنید، سپس در پوشه اصلی این مخزن، دستور `docsify serve` را تایپ کنید. وبسایت روی پورت ۳۰۰۰ در localhost شما با آدرس `localhost:3000` میزبانی میشود.
## فایلهای PDF
فایل پیدیاف برنامه درسی به همراه لینکها را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) پیدا کنید.
نسخه پیدیاف برنامه درسی با لینکها را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) بیابید.
## 🎒 دورههای دیگر
تیم ما دورههای دیگری تولید میکند! آنها را بررسی کنید:
تیم ما دورههای دیگری نیز تولید میکند! بررسی کنید:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
@ -180,10 +180,10 @@
---
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
اگر در ساخت برنامههای هوش مصنوعی گیر کردید یا سوالی داشتید. به جمع یادگیرندگان و توسعهدهندگان باتجربه در مباحث MCP بپیوندید. این یک جامعه حمایتی است که سوالات در آن خوشآمد گفته میشود و دانش بهراحتی به اشتراک گذاشته میشود.
اگر در ساخت برنامههای هوش مصنوعی گیر کردهاید یا سوالی دارید. به جمع زبانآموزان و توسعهدهندگان با تجربه در بحثهای پیرامون MCP بپیوندید. این یک جامعه پشتیبان است که در آن سوالات خوشآمد گفته میشود و دانش آزادانه به اشتراک گذاشته میشود.
این سند با استفاده از سرویس ترجمه خودکار [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا نادرستیهایی باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات مهم، توصیه میشود از ترجمه حرفهای انسانی استفاده شود. ما مسئول هیچگونه سو تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه نیستیم.
**توضیح مسئولیت**:
این سند با استفاده از سرویس ترجمه مبتنی بر هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی اشتباهات یا نابهدقتیهایی باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، استفاده از ترجمه حرفهای انسانی توصیه میشود. ما مسئول هیچگونه سوءتفاهم یا برداشت نادرستی که ناشی از استفاده از این ترجمه باشد، نیستیم.
> اس ذخیرے میں 50+ زبانوں کے تراجم شامل ہیں جو ڈاؤن لوڈ کے سائز کو نمایاں طور پر بڑھاتے ہیں۔ بغیر تراجم کے کلون کرنے کے لیے، sparse checkout استعمال کریں:
> اس ذخیرے میں 50+ زبانوں کے ترجمے شامل ہیں جو ڈاؤن لوڈ سائز میں نمایاں اضافہ کرتے ہیں۔ بغیر ترجموں کے کلون کرنے کے لیے sparse checkout استعمال کریں:
ہمارے پاس ایک Discord "learn with AI" سیریز جاری ہے، مزید جانیں اور ہمارے ساتھ شامل ہوں [Learn with AI Series](https://aka.ms/learnwithai/discord) 18 - 30 ستمبر، 2025 سے۔ آپ کو GitHub Copilot کے استعمال کے لیے ٹپس اور ترکیبیں ملیں گی جو ڈیٹا سائنس کے لیے ہیں۔
ہمارے پاس AI کے ساتھ سیکھنے کی ایک سلسلہ جاری ہے، مزید جاننے اور شامل ہونے کے لئے [Learn with AI Series](https://aka.ms/learnwithai/discord) پر آئیں، تاریخ 18 - 30 ستمبر، 2025۔ آپ کو GitHub Copilot کے ذریعہ ڈیٹا سائنس کے استعمال کے ٹپس اور ٹرکس ملیں گے۔
# مشین لرننگ برائے مبتدی — ایک نصاب
# نو آموزوں کے لئے مشین لرننگ - ایک نصاب
> 🌍 دنیا کے ثقافتوں کے ذریعے مشین لرننگ کا سفر کریں 🌍
> 🌍 دنیا کی ثقافتوں کے ذریعے مشین لرننگ کو دریافت کرتے ہوئے دنیا کے چکر لگائیں 🌍
Microsoft کے Cloud Advocates خوش ہیں کہ آپ کو مشین لرننگ کے بارے میں 12 ہفتوں کا، 26 اسباق پر مشتمل نصاب پیش کریں۔ اس نصاب میں، آپ سیکھیں گے جسے کبھی کبھار "کلاسیک مشین لرننگ" کہا جاتا ہے، جہاں بنیادی طور پر Scikit-learn لائبریری استعمال کی جاتی ہے اور ڈیپ لرننگ سے گریز کیا جاتا ہے، جو ہمارے [AI برائے مبتدیوں کے نصاب](https://aka.ms/ai4beginners) میں شامل ہے۔ ان اسباق کو ہمارے ['ڈیٹا سائنس برائے مبتدیوں کے نصاب'](https://aka.ms/ds4beginners) کے ساتھ جوڑیں۔
Microsoft کے کلاؤڈ ایڈووکیٹس مشین لرننگ کے بارے میں 12 ہفتوں، 26 اسباق کا ایک نصاب پیش کرتے ہیں۔ اس نصاب میں آپ اس تکنیک کو سیکھیں گے جسے کبھی کبھار **کلاسیکی مشین لرننگ** کہا جاتا ہے، جو بنیادی طور پر Scikit-learn لائبریری کا استعمال کرتی ہے اور ڈیپ لرننگ سے گریز کرتی ہے، جس کا احاطہ ہمارے [AI for Beginners' نصاب](https://aka.ms/ai4beginners) میں کیا گیا ہے۔ ان اسباق کو ہمارے ['Data Science for Beginners' نصاب](https://aka.ms/ds4beginners) کے ساتھ جوڑا جا سکتا ہے۔
ہمارے ساتھ دنیا بھر کا سفر کریں جب ہم دنیا کے مختلف علاقوں سے ڈیٹا پر یہ کلاسیک تکنیکس لاگو کرتے ہیں۔ ہر سبق میں پری-اور پوسٹ-سبق کوئزز، تحریری ہدایات، حل، اسائنمنٹ، اور مزید شامل ہیں۔ ہمارا پروجیکٹ-پر مبنی طریقہ سیکھنے کو بنانے کے ساتھ جوڑتا ہے، جو نئے مہارتیں سیکھنے کے لیے مؤثر طریقہ ہے۔
ہمارے ساتھ دنیا کے مختلف حصوں کے ڈیٹا پر یہ کلاسیکی تکنیکز نافذ کرنے کا سفر کریں۔ ہر سبق میں پہلے اور بعد میں کوئزز شامل ہیں، اسباق مکمل کرنے کے لئے تحریری ہدایات، حل، اسائنمنٹ اور بہت کچھ۔ ہمارا پروجیکٹ-بنیاد طریقہ آپ کو سیکھتے ہوئے بنانے کی اجازت دیتا ہے، جو نئی مہارتوں کو یاد رکھنے کا مؤثر طریقہ ہے۔
**✍️ ہمارے مصنفین کا دل کی گہرائیوں سے شکریہ** جن لوپر، اسٹیفن ہاؤل، فرانسسکا لازیری، ٹومومی اِمورا، کیسی بریویو، دمتری سوشنیکوف، کرس نورنگ، انربن مکھرجی، اورنیلا آلتیونیان، روتھ یاکوبو اور ایمی بوئڈ
**✍️ ہماری مصنفین کا دلی شکریہ** جن لوپر، اسٹیفن ہاؤل، فرانسسکا لازیری، تومومی ایمورا، کیسی بریویو، دمتری سوشنکوف، کرس نورنگ، انربن مکھرجی، اورنیلا آلتیونین، روتھ یاکوبو اور ایمی بوئڈ
**🎨 ہمارے ил 地رز کا بھی شکریہ** ٹومومی اِمورا، داسانی مادیپالی، اور جن لوپر
**🎨 شکریہ ہمارے مصورین کا** تومومی ایمورا، داسانی مادپالی، اور جن لوپر
**🙏 خصوصی شکریہ 🙏 ہمارے Microsoft اسٹوڈنٹ ایمبیسڈرز مصنفین، جائزہ لینے والوں، اور مواد فراہم کنندگان، خصوصاً رشیت دگلی، محمد ساکب خان انان، روہان راج، الیگزینڈرو پیٹریسکو، ابھشیک جیسوال، نوورین تبسم، ایوان سیمویلا، اور سنگدھا اگر وال کو**
**🙏 خاص شکریہ ہمارے Microsoft اسٹوڈنٹ ایمبیسیڈر مصنفین، جائزہ کار اور مواد فراہم کرنے والوں کو**، خصوصاً رشت دگلی، محمد ساکب خان اینان، روہان راج، الیگزنڈرو پیٹریسکو، ابھیشیک جیسوال، نویرن تبسم، یوان سامیولا، اور سگڈھا اگروال
**🤩 Microsoft اسٹوڈنٹ ایمبیسڈرز ایرک وانجاو، جیسلین سونڈی، اور ودشی گپتا کو ہمارے R اسباق کے لیے خاص شکریہ!**
**🤩 اضافی شکریہ Microsoft اسٹوڈنٹ ایمبیسیڈرز ایرک وانجاؤ، جزلین سندھی اور ویدوشی گپتا کو ہمارے R اسباق کے لئے!**
# آغاز
# شروع کریں
مندرجہ ذیل اقدامات پر عمل کریں:
1. **ریپوزٹری کو فورک کریں**: اس صفحے کے اوپری دائیں کونے میں "Fork" بٹن پر کلک کریں۔
2. **ریپوزٹری کو کلون کریں**:`git clone https://github.com/microsoft/ML-For-Beginners.git`
مندرجہ ذیل اقدامات کریں:
1. **ریزپوزٹری کو فورک کریں**: اس صفحہ کے اوپر دائیں جانب "Fork" بٹن پر کلک کریں۔
2. **ریزپوزٹری کو کلون کریں**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [اس کورس کے تمام اضافی وسائل ہمارے Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **مدد چاہیے؟** ہمارے [Troubleshooting Guide](TROUBLESHOOTING.md) میں انسٹالیشن، سیٹ اپ، اور اسباق چلانے کے عام مسائل کے حل تلاش کریں۔
> 🔧 **مدد چاہیے؟** ہمارے [ٹربل شوٹنگ گائیڈ](TROUBLESHOOTING.md) کو چیک کریں جو انسٹالیشن، سیٹ اپ، اور اسباق چلانے کے عام مسائل کے حل فراہم کرتا ہے۔
**[طلباء](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لیے، پورے ریپوزٹری کو اپنے GitHub اکاؤنٹ میں فورک کریں اور مشقیں خود یا گروپ کے ساتھ مکمل کریں:
**[طلباء](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لئے، پورے رپوزٹری کو اپنے GitHub اکاؤنٹ پر فورک کریں اور مشقیں خود سے یا گروپ کے ساتھ مکمل کریں:
- پری لیکچر کوئز سے شروع کریں۔
- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر نالج چیک پر توقف کر کے غور کریں۔
- کوشش کریں کہ اسباق کو سمجھ کر پروجیکٹس بنائیں بجائے حل کے کوڈ کو چلانے کے؛ تاہم یہ کوڈ ہر پروجیکٹ پر مبنی سبق میں `/solution` فولڈر میں دستیاب ہے۔
- پوسٹ لیکچر کوئز لیں۔
- چیلنج مکمل کریں۔
- اسائنمنٹ مکمل کریں۔
- کسی سبق گروپ کو مکمل کرنے کے بعد، [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) پر جائیں اور مناسب PAT روبریک بھر کر "زور سے سیکھیں"۔ 'PAT' ایک پراگریس اسیسمنٹ ٹول ہے جسے آپ بھر کر اپنی سیکھ کو آگے بڑھاتے ہیں۔ آپ دوسرے PATs پر بھی ردعمل دے سکتے ہیں تاکہ ہم ایک ساتھ سیکھ سکیں۔
- پری لیکچر کوئز سے شروع کریں۔
- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر علمی چیک پر رک کر غور کریں۔
- پروجیکٹس بنانے کی کوشش کریں اسباق کو سمجھ کر بجائے حل کے کوڈ کو چلانے کے؛ البتہ یہ کوڈ ہر پروجیکٹ پر مبنی سبق میں `/solution` فولڈر میں دستیاب ہے۔
- پوسٹ لیکچر کوئز حل کریں۔
- چیلنج مکمل کریں۔
- اسائنمنٹ مکمل کریں۔
- ایک سبق کے گروپ مکمل کرنے کے بعد، [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) پر جائیں اور مناسب PAT روبریک بھر کر "آواز بلند کریں"۔ 'PAT' ایک Progress Assessment Tool ہے جو آپ کی سیکھنے میں مدد دیتا ہے۔ آپ دوسرے PATs پر ردعمل بھی دے سکتے ہیں تاکہ ہم سب مل کر سیکھ سکیں۔
> اگلے مطالعے کے لیے، ہم ان [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ماڈیولز اور لرننگ پاتھز کی پیروی کرنے کا مشورہ دیتے ہیں۔
> مزید مطالعات کے لئے، ہم آپ کو یہ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ماڈیولز اور سیکھنے کے راستے اپنانے کی سفارش کرتے ہیں۔
**اساتذہ**، ہم نے [کچھ تجاویز](for-teachers.md) شامل کی ہیں کہ اس نصاب کو کیسے استعمال کیا جائے۔
**اساتذہ**، ہم نے [کچھ تجاویز شامل کی ہیں](for-teachers.md) کہ اس نصاب کو کیسے استعمال کیا جائے۔
---
## ویڈیو واک تھروز
کچھ اسباق مختصر ویڈیوز کی شکل میں دستیاب ہیں۔ آپ ان سب کو اسباق میں لائن کے اندر یا [Microsoft Developer YouTube چینل پر ML for Beginners پلیلسٹ](https://aka.ms/ml-beginners-videos) پر نیچے دی گئی تصویر پر کلک کرکے دیکھ سکتے ہیں۔
کچھ اسباق مختصر ویڈیو کے طور پر دستیاب ہیں۔ آپ انہیں سبھی اسباق میں لائن میں یا [Microsoft Developer YouTube چینل پر ML for Beginners کی پلے لسٹ](https://aka.ms/ml-beginners-videos) پر نیچے دی گئی تصویر پر کلک کرکے دیکھ سکتے ہیں۔
[](https://aka.ms/ml-beginners-videos)
@ -86,136 +86,136 @@ Microsoft کے Cloud Advocates خوش ہیں کہ آپ کو مشین لرننگ
> 🎥 پروجیکٹ اور بنانے والوں کے بارے میں ویڈیو دیکھنے کے لیے اوپر دی گئی تصویر پر کلک کریں!
> 🎥 پروجیکٹ اور اس کے بانیوں کے بارے میں ویڈیو کے لئے اوپر تصویر پر کلک کریں!
---
## تدریسی طریقہ کار
ہم نے اس نصاب کی تیاری کے دوران دو تدریسی اصول چنے ہیں: یہ کہ یہ عملی طور پر **پروجیکٹ پر مبنی** ہو اور اس میں **بار بار کوئزز** شامل ہوں۔ علاوہ ازیں، اس نصاب کو مربوط بنانے کے لیے ایک مشترکہ **موضوع** بھی ہے۔
ہم نے اس نصاب کی تعمیر میں دو تعلیمی اصول منتخب کیے ہیں: یہ یقینی بنانا کہ یہ ہاتھوں سے کام کرنے والا **پروجیکٹ-بنیاد** ہو اور اس میں **بار بار کوئزز** شامل ہوں۔ اس کے علاوہ، یہ نصاب ایک مشترکہ **موضوع** رکھتا ہے تاکہ اس میں ہم آہنگی پیدا ہو۔
پروجیکٹس کے ساتھ مواد کو ہم آہنگ کر کے، طلباء کے لیے عمل مزید دلچسپ بنایا جاتا ہے اور تصورات کا مضبوطی سے یاد رہنا ممکن ہوتا ہے۔ علاوہ ازیں، کلاس سے پہلے ایک کم دباو والا کوئز طالب علم کے سیکھنے کے ارادے کو قائم کرتا ہے، جب کہ کلاس کے بعد دوسرا کوئز زیادہ مضبوط یاددہانی یقینی بناتا ہے۔ یہ نصاب لچکدار اور خوشگوار انداز میں بنایا گیا ہے اور پورے یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس چھوٹے آغاز ہوتے ہیں اور 12 ہفتوں کے دورانیے کے آخر تک پیچیدہ ہو جاتے ہیں۔ اس نصاب میں مشین لرننگ کے حقیقی دنیا میں استعمالات پر بھی ایک اضافی تحریر شامل ہے، جسے آپ اضافی کریڈٹ کے طور پر یا بحث کے لیے بنیاد کے طور پر استعمال کر سکتے ہیں۔
اس بات کو یقینی بنا کر کہ مواد پروجیکٹس کے ساتھ ہم آہنگ ہے، طلباء کے لیے عمل زیادہ دلچسپ بنایا جاتا ہے اور تصورات کی یادداشت میں اضافہ ہوتا ہے۔ اس کے علاوہ، کلاس سے پہلے ہونے والا کم داؤ والا کوئز طالبعلم کے ارادے کو کسی موضوع کے سیکھنے کی طرف متوجہ کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور دلچسپ بنانے کے لئے ڈیزائن کیا گیا ہے اور اسے مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس چھوٹے شروع ہوتے ہیں اور 12 ہفتوں کے دورانیے کے آخر تک بڑھتے جاتے ہیں۔ اس نصاب میں ML کے حقیقی دنیا میں اطلاقات پر پوسٹ اسکرپٹ بھی شامل ہے، جسے اضافی کریڈٹ یا مباحثے کی بنیاد کے طور پر استعمال کیا جا سکتا ہے۔
> ہمارا [Code of Conduct](CODE_OF_CONDUCT.md)، [Contributing](CONTRIBUTING.md)، [Translation](TRANSLATIONS.md)، اور [Troubleshooting](TROUBLESHOOTING.md) گائیڈلائنز دیکھیں۔ ہم آپ کے تعمیری فیڈ بیک کا خیرمقدم کرتے ہیں!
> ہمارا [کوڈ آف کنڈکٹ](CODE_OF_CONDUCT.md)، [کنٹریبیوٹنگ](CONTRIBUTING.md)، [ترجمہ](TRANSLATIONS.md)، اور [ٹربل شوٹنگ](TROUBLESHOOTING.md) رہنما خطوط دیکھیں۔ ہم آپ کی تعمیری رائے کے خیرمقدم کرتے ہیں!
> **زبانوں کے بارے میں ایک نوٹ**: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے R میں بھی دستیاب ہیں۔ R سبق مکمل کرنے کے لیے،`/solution` فولڈر میں جائیں اور R اسباق تلاش کریں۔ ان میں .rmd ایکسٹینشن ہوتی ہے جو کہ **R مارک ڈاؤن** فائل کی نمائندگی کرتی ہے، جسے سادہ الفاظ میں R یا دیگر زبانوں کے کوڈ چنکس اور ایک YAML ہیڈر کو مارک ڈاؤن ڈاکیومنٹ میں شامل کرنے کے لیے استعمال کیا جاتا ہے۔ اس طرح یہ ڈیٹا سائنس کے لیے ایک مثالی تحریری فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنے کوڈ، اس کے نتائج، اور اپنے خیالات مارک ڈاؤن میں لکھنے کی اجازت دیتا ہے۔ مزید برآں، R مارک ڈاؤن ڈاکیومنٹس PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیے جا سکتے ہیں۔
> **کویزز کے بارے میں ایک نوٹ**: تمام کویزز [Quiz App فولڈر](../../quiz-app) میں موجود ہیں، کل 52 کویزز ہر ایک میں تین سوالات شامل ہیں۔ یہ اسباق کے اندر سے لنک کیے گئے ہیں لیکن کوئز ایپ کو لوکل طور پر چلایا جا سکتا ہے؛ لوکل ہوسٹ کرنے یا Azure پر تعینات کرنے کے لیے`quiz-app` فولڈر میں دی گئی ہدایات پر عمل کریں۔
| سبق نمبر | موضوع | سبق کی ترتیب | سیکھنے کے مقاصد | منسلک سبق | مصنف |
| 01 | مشین لرننگ کا تعارف | [تعارف](1-Introduction/README.md) | مشین لرننگ کے بنیادی تصورات سیکھیں | [سبق](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | مشین لرننگ کی تاریخ | [تعارف](1-Introduction/README.md) | اس میدان کی تاریخی جانکاری حاصل کریں | [سبق](1-Introduction/2-history-of-ML/README.md) | جین اور ایمی |
| 03 | انصاف اور مشین لرننگ | [تعارف](1-Introduction/README.md) | انصاف کے اہم فلسفیانہ مسائل کیا ہیں جو طلباء کو مشین لرننگ ماڈلز بنانے اور لاگو کرتے وقت غور کرنا چاہیے؟ | [سبق](1-Introduction/3-fairness/README.md) | ٹومومی |
| 04 | مشین لرننگ کی تکنیکیں | [تعارف](1-Introduction/README.md) | مشین لرننگ محققین کون سی تکنیکیں استعمال کرتے ہیں ماڈلز بنانے کے لیے؟ | [سبق](1-Introduction/4-techniques-of-ML/README.md) | کرس اور جین |
| 05 | رجریشن کا تعارف | [رجریشن](2-Regression/README.md) | رجریشن ماڈلز کے لیے Python اور Scikit-learn کے ساتھ شروعات کریں | [پائتھن](2-Regression/1-Tools/README.md) • [آر](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جین • اریک وانجاؤ |
| 06 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [رجریشن](2-Regression/README.md) | مشین لرننگ کے لیے ڈیٹا کو ویژولائز اور صاف کریں | [پائتھن](2-Regression/2-Data/README.md) • [آر](../../2-Regression/2-Data/solution/R/lesson_2.html) | جین • اریک وانجاؤ |
| 07 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [رجریشن](2-Regression/README.md) | خطی اور کثیر رکنی رجریشن ماڈل بنائیں | [پائتھن](2-Regression/3-Linear/README.md) • [آر](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جین اور دمتری • اریک وانجاؤ |
| 08 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [رجریشن](2-Regression/README.md) | لاجسٹک رجریشن ماڈل بنائیں | [پائتھن](2-Regression/4-Logistic/README.md) • [آر](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جین • اریک وانجاؤ |
| 09 | ایک ویب ایپ 🔌 | [ویب ایپ](3-Web-App/README.md) | اپنے تربیت شدہ ماڈل کو استعمال کرنے کے لیے ویب ایپ بنائیں | [پائتھن](3-Web-App/1-Web-App/README.md) | جین |
| 10 | درجہ بندی کا تعارف | [درجہ بندی](4-Classification/README.md) | اپنے ڈیٹا کو صاف کریں، تیار کریں، اور ویژولائز کریں؛ درجہ بندی کا تعارف | [پائتھن](4-Classification/1-Introduction/README.md) • [آر](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جین اور کیسی • اریک وانجاؤ |
| 11 | لذیذ ایشیائی اور ہندی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | درجہ بندی کرنے والوں کا تعارف | [پائتھن](4-Classification/2-Classifiers-1/README.md) • [آر](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جین اور کیسی • اریک وانجاؤ |
| 12 | لذیذ ایشیائی اور ہندی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | مزید درجہ بندی کرنے والے | [پائتھن](4-Classification/3-Classifiers-2/README.md) • [آر](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جین اور کیسی • اریک وانجاؤ |
| 13 | لذیذ ایشیائی اور ہندی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | اپنے ماڈل کا استعمال کرتے ہوئے ری کومنڈر ویب ایپ بنائیں | [پائتھن](4-Classification/4-Applied/README.md) | جین |
| 14 | کلسٹرنگ کا تعارف | [کلسٹرنگ](5-Clustering/README.md) | اپنے ڈیٹا کو صاف کریں، تیار کریں، اور ویژولائز کریں؛ کلسٹرنگ کا تعارف | [پائتھن](5-Clustering/1-Visualize/README.md) • [آر](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جین • اریک وانجاؤ |
| 15 | نائجیرین موسیقی کے ذوق کا جائزہ 🎧 | [کلسٹرنگ](5-Clustering/README.md) | K-Means کلسٹرنگ طریقہ دریافت کریں | [پائتھن](5-Clustering/2-K-Means/README.md) • [آر](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جین • اریک وانجاؤ |
| 16 | زبان کی قدرتی پروسیسنگ کا تعارف ☕️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | NLP کی بنیادی باتیں سیکھیں ایک سادہ بوٹ بنا کر | [پائتھن](6-NLP/1-Introduction-to-NLP/README.md) | سٹیفن |
| 17 | عام NLP کے کام ☕️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | زبان کی ساخت کے ساتھ کام کرتے ہوئے مطلوبہ عام کاموں کو سمجھ کر اپنی NLP کی مہارت کو گہرا کریں | [پائتھن](6-NLP/2-Tasks/README.md) | سٹیفن |
| 18 | ترجمہ اور جذباتی تجزیہ ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | جین آسٹن کے ساتھ ترجمہ اور جذباتی تجزیہ | [پائتھن](6-NLP/3-Translation-Sentiment/README.md) | سٹیفن |
| 19 | یورپ کے رومانوی ہوٹل ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | ہوٹل کا جائزہ 1 کے ساتھ جذباتی تجزیہ | [پائتھن](6-NLP/4-Hotel-Reviews-1/README.md) | سٹیفن |
| 20 | یورپ کے رومانوی ہوٹل ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | ہوٹل کا جائزہ 2 کے ساتھ جذباتی تجزیہ | [پائتھن](6-NLP/5-Hotel-Reviews-2/README.md) | سٹیفن |
| 21 | وقت کی سیریز کی پیش گوئی کا تعارف | [وقت کی سیریز](7-TimeSeries/README.md) | وقت کی سیریز کی پیش گوئی کا تعارف | [پائتھن](7-TimeSeries/1-Introduction/README.md) | فرانسسکا |
| 22 | ⚡️ عالمی توانائی کا استعمال ⚡️ - ARIMA کے ساتھ وقت کی سیریز کی پیش گوئی | [وقت کی سیریز](7-TimeSeries/README.md) | ARIMA کے ساتھ وقت کی سیریز کی پیش گوئی | [پائتھن](7-TimeSeries/2-ARIMA/README.md) | فرانسسکا |
| 23 | ⚡️ عالمی توانائی کا استعمال ⚡️ - SVR کے ساتھ وقت کی سیریز کی پیش گوئی | [وقت کی سیریز](7-TimeSeries/README.md) | سپورٹ ویکٹر ریگریسر کے ساتھ وقت کی سیریز کی پیش گوئی | [پائتھن](7-TimeSeries/3-SVR/README.md) | انربن |
| 24 | ری انفورسمنٹ لرننگ کا تعارف | [ری انفورسمنٹ لرننگ](8-Reinforcement/README.md) | Q-لرننگ کے ذریعے ری انفورسمنٹ لرننگ کا تعارف | [پائتھن](8-Reinforcement/1-QLearning/README.md) | دمتری |
| پس منظر | حقیقی دنیا میں ایم ایل کے منظرنامے اور اطلاقات | [جنگل میں ایم ایل](9-Real-World/README.md) | کلاسیکی مشین لرننگ کی دلچسپ اور بامعنی حقیقی دنیا کی اطلاقات | [سبق](9-Real-World/1-Applications/README.md) | ٹیم |
| پس منظر | RAI ڈیش بورڈ کے ساتھ ایم ایل میں ماڈل کی خرابیوں کی جانچ | [جنگل میں ایم ایل](9-Real-World/README.md) | ذمہ دار AI ڈیش بورڈ اجزاء استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی خرابیوں کی شناخت | [سبق](9-Real-World/2-Debugging-ML-Models/README.md) | روتھ یاکوبو |
> **زبانوں کے بارے میں ایک نوٹ**: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے R میں بھی دستیاب ہیں۔ R سبق مکمل کرنے کے لیے `/solution` فولڈر میں جائیں اور R اسباق تلاش کریں۔ ان میں .rmd توسیع شامل ہوتی ہے جو کہ **R Markdown** فائل کی نمائندگی کرتی ہے، جسے آسانی سے اس طرح بیان کیا جا سکتا ہے کہ یہ `code chunks` (R یا دیگر زبانوں کے) اور `YAML header` (جو آؤٹ پٹ جیسے PDF کی فارمیٹنگ کو ہدایت دیتا ہے) کو ایک `Markdown document` میں شامل کرتا ہے۔ اس طرح یہ ڈیٹا سائنس کے لیے ایک نمونہ مصنف فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنے کوڈ، اس کا آؤٹ پٹ، اور اپنے خیالات کو Markdown میں لکھ کر یکجا کرنے کی اجازت دیتا ہے۔ مزید برآں، R Markdown دستاویزات PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں تبدیل کی جا سکتی ہیں۔
> **کوئز کے بارے میں ایک نوٹ**: تمام کوئز [کوئز ایپ فولڈر](../../quiz-app) میں شامل ہیں، جن کی تعداد 52 ہے ہر ایک میں تین سوالات ہیں۔ یہ اسباق کے اندر سے لنک کی گئی ہیں لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے؛`quiz-app` فولڈر میں دی گئی ہدایات پر عمل کریں تاکہ مقامی طور پر ہوسٹ کریں یا Azure پر تعینات کریں۔
| سبق نمبر | موضوع | سبق کی جماعت | تعلیمی مقاصد | لنک شدہ سبق | مصنف |
| 01 | مشین لرننگ کا تعارف | [تعارف](1-Introduction/README.md)| مشین لرننگ کے بنیادی تصورات سیکھیں | [سبق](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | مشین لرننگ کی تاریخ | [تعارف](1-Introduction/README.md) | اس میدان کی تاریخی معلومات حاصل کریں | [سبق](1-Introduction/2-history-of-ML/README.md) | جین اور ایمی |
| 03 | مشین لرننگ میں نزاکت اور عدل| [تعارف](1-Introduction/README.md) | اہم فلسفیانہ مسائل جو طلباء کو مشین لرننگ ماڈلز بنانے اور لاگو کرنے میں مدنظر رکھنے چاہئیں | [سبق](1-Introduction/3-fairness/README.md) | ٹومومی |
| 04 | مشین لرننگ کی تکنیکیں | [تعارف](1-Introduction/README.md) | مشین لرننگ محققین کن تکنیکوں کا استعمال کرتے ہیں؟ | [سبق](1-Introduction/4-techniques-of-ML/README.md) | کرس اور جین |
| 05 | ریگریشن کا تعارف | [ریگریشن](2-Regression/README.md) | ریگریشن ماڈلز کے لیے Python اور Scikit-learn کے ساتھ شروع کریں | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جین • ایرک وانجا |
| 06 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | مشین لرننگ کی تیاری کے لیے ڈیٹا کو دیکھیں اور صاف کریں | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جین • ایرک وانجا |
| 07 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | خطی اور کثیر رکنی ریگریشن ماڈلز بنائیں | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جین اور دمتری • ایرک وانجا |
| 08 | شمالی امریکہ کے کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | لاجسٹک ریگریشن ماڈل بنائیں | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جین • ایرک وانجا |
| 09 | ویب ایپ 🔌 | [ویب ایپ](3-Web-App/README.md) | تربیت یافتہ ماڈل کے استعمال کے لئے ویب ایپ بنائیں | [Python](3-Web-App/1-Web-App/README.md) | جین |
| 10 | درجہ بندی کا تعارف | [درجہ بندی](4-Classification/README.md) | اپنا ڈیٹا صاف، تیار اور دیکھیں؛ درجہ بندی کا تعارف | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جین اور کیسی • ایرک وانجا |
| 11 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | کلاسفائرز کا تعارف | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جین اور کیسی • ایرک وانجا |
| 13 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | اپنے ماڈل کی مدد سے ری کومینڈر ویب ایپ بنائیں | [Python](4-Classification/4-Applied/README.md) | جین |
| 14 | کلسٹرنگ کا تعارف | [کلسٹرنگ](5-Clustering/README.md) | اپنا ڈیٹا صاف، تیار اور دیکھیں؛ کلسٹرنگ کا تعارف | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جین • ایرک وانجا |
| 15 | نائیجیریائی موسیقی کے ذوق کی دریافت 🎧 | [کلسٹرنگ](5-Clustering/README.md) | K-Means کلسٹرنگ کا طریقہ دریافت کریں | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جین • ایرک وانجا |
| 16 | قدرتی زبان کی پروسیسنگ کا تعارف ☕️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | سادہ بوٹ بنا کر NLP کے بنیادی اصول سیکھیں | [Python](6-NLP/1-Introduction-to-NLP/README.md) | اسٹیفن |
| 17 | عام NLP کے کام ☕️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | زبان کی ساختوں سے نمٹنے کے دوران ضرورت پڑنے والے عام کاموں کو سمجھ کر NLP کا علم بڑھائیں | [Python](6-NLP/2-Tasks/README.md) | اسٹیفن |
| 18 | ترجمہ اور جذباتی تجزیہ ♥️| [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | جین آستن کے ساتھ ترجمہ اور جذباتی تجزیہ| [Python](6-NLP/3-Translation-Sentiment/README.md) | اسٹیفن |
| 19 | یورپ کے رومانٹک ہوٹل ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | اسٹیفن |
| 20 | یورپ کے رومانٹک ہوٹل ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | اسٹیفن |
| 21 | ٹائم سیریز پیش گوئی کا تعارف | [ٹائم سیریز](7-TimeSeries/README.md) | ٹائم سیریز پیش گوئی کا تعارف | [Python](7-TimeSeries/1-Introduction/README.md) | فرانسسکا |
| 22 | ⚡️ عالمی بجلی استعمال ⚡️ - ARIMA کے ساتھ ٹائم سیریز پیش گوئی | [ٹائم سیریز](7-TimeSeries/README.md) | ARIMA کے ساتھ ٹائم سیریز پیش گوئی | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانسسکا |
| 23 | ⚡️ عالمی بجلی استعمال ⚡️ - SVR کے ساتھ ٹائم سیریز پیش گوئی | [ٹائم سیریز](7-TimeSeries/README.md) | سپورٹ ویکٹر ریگریسر کے ساتھ ٹائم سیریز پیش گوئی | [Python](7-TimeSeries/3-SVR/README.md) | انربن |
| 24 | ری انفورسمنٹ لرننگ کا تعارف | [ری انفورسمنٹ لرننگ](8-Reinforcement/README.md) | Q-لرننگ کے ساتھ ری انفورسمنٹ لرننگ کا تعارف | [Python](8-Reinforcement/1-QLearning/README.md) | دمتری |
| اختتامیہ | حقیقی دنیا میں ML کی مثالیں اور اطلاقات | [حقیقی دنیا میں ML](9-Real-World/README.md) | کلاسیکل مشین لرننگ کی دلچسپ اور معلوماتی حقیقی دنیا کی اطلاقات | [سبق](9-Real-World/1-Applications/README.md) | ٹیم |
| اختتامیہ | RAI ڈیش بورڈ کے ذریعے ML میں ماڈل کی جانچ | [حقیقی دنیا میں ML](9-Real-World/README.md) | ذمہ دار AI ڈیش بورڈ کمپونینٹس کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی جانچ | [سبق](9-Real-World/2-Debugging-ML-Models/README.md) | روت یاکوبو |
> [اس کورس کے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## آف لائن رسائی
آپ اس دستاویزات کو آف لائن [Docsify](https://docsify.js.org/#/) استعمال کرکے چلا سکتے ہیں۔ اس ریپوزٹری کو فورک کریں، [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart) اپنے مقامی کمپیوٹر پر، اور پھر اس ریپوزٹری کے روٹ فولڈر میں یہ ٹائپ کریں `docsify serve`۔ ویب سائٹ آپ کے مقامی کمپیوٹر پر پورٹ 3000 پر دستیاب ہوگی: `localhost:3000`۔
آپ اس دستاویز کو آف لائن [Docsify](https://docsify.js.org/#/) استعمال کرکے چلا سکتے ہیں۔ اس ریپو کو فورک کریں، اپنے مقامی کمپیوٹر پر [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart)، اور پھر اس ریپو کے روٹ فولڈر میں `docsify serve` لکھیں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر چلائے گی: `localhost:3000`.
## پی ڈی ایفز
نصاب کا ایک پی ڈی ایف ورژن لنکس کے ساتھ [یہاں](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) دستیاب ہے۔
نصاب کا پی ڈی ایف ورژن لنکس کے ساتھ یہاں حاصل کریں: [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 دیگر کورسز
ہماری ٹیم دیگر کورسز بھی بناتی ہے! دیکھیں:
ہماری ٹیم دیگر کورسز بھی تیار کرتی ہے! دیکھیں:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### جنریٹیو AI سیریز
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### بنیادی تعلیم
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### کوپائلٹ سیریز
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
اگر آپ پھنس جائیں یا AI ایپس بنانے کے بارے میں کوئی سوال ہو۔ MCP پر ساتھی سیکھنے والوں اور تجربہ کار ڈویلپرز کے ساتھ مباحثوں میں شامل ہوں۔ یہ ایک معاون کمیونٹی ہے جہاں سوالات خوش آمدید ہیں اور علم آزادانہ طور پر شیئر کیا جاتا ہے۔
اگر آپ پھنس گئے ہیں یا AI ایپس بنانے کے بارے میں کوئی سوالات ہیں۔ MCP کے بارے میں بات چیت میں شامل ہوں جہاں ساتھی سیکھنے والے اور تجربہ کار ڈویلپرز ہیں۔ یہ ایک مددگار کمیونٹی ہے جہاں سوالات کا خیرمقدم کیا جاتا ہے اور علم آزادانہ طور پر شیئر کیا جاتا ہے۔
اس دستاویز کا ترجمہ AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے کیا گیا ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہِ کرم یہ بات ذہن میں رکھیں کہ خودکار تراجم میں غلطیاں یا بے ضابطگیاں ہو سکتی ہیں۔ اصلی دستاویز اپنی مادری زبان میں مستند ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمہ تجویز کیا جاتا ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔
**ڈسکلیمر**:
اس دستاویز کا ترجمہ AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے کیا گیا ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہِ کرم ذہن میں رکھیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنی مادری زبان میں ایک معتبر ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ورانہ انسانی ترجمہ تجویز کیا جاتا ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تعبیر کی ذمہ داری ہم پر نہیں ہوگی۔
我们开展了一个 Discord 中的 AI 学习系列，了解更多信息并加入我们，时间为 2025 年 9 月 18 日至 30 日，访问 [Learn with AI Series](https://aka.ms/learnwithai/discord)。您将获得使用 GitHub Copilot 从事数据科学的技巧和窍门。
我们正在进行 Discord 上的 AI 学习系列，了解更多并加入我们，时间为 2025 年 9 月 18 日至 30 日，访问 [Learn with AI Series](https://aka.ms/learnwithai/discord)。你将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。
# 初学者机器学习课程
# 面向初学者的机器学习课程
> 🌍 通过探访世界各地文化，一起探索机器学习 🌍
> 🌍 通过世界文化探索机器学习，环游世界之旅 🌍
微软云倡导者很高兴提供一份为期12周、共26课的课程，全面介绍**机器学习**。在此课程中，你将学习有时称为**经典机器学习**的内容，主要使用Scikit-learn库，避免深度学习部分，深度学习内容已包含于我们的[初学者 AI 课程](https://aka.ms/ai4beginners)。同时你也可以结合我们的[初学者数据科学课程](https://aka.ms/ds4beginners)学习。
- 完成一组课程后，访问[讨论区](https://github.com/microsoft/ML-For-Beginners/discussions)并通过填写相应的 PAT 评估表“公开学习”。‘PAT’ 是一个进度评估工具，这是你填写的一份评分表，帮助你进一步学习。你也可以对其他人的 PAT 作出反馈，共同学习。
- 完成课程组后，访问[讨论区](https://github.com/microsoft/ML-For-Beginners/discussions)，通过填写适当的 PAT 评分量表“大胆表达学习感受”。“PAT”是一个进度评估工具，填写它有助于加深学习。你也可以对其他人的 PAT 进行回应，大家共同学习。
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
localizeflow[bot]
4 days ago