diff --git a/translations/fa/.co-op-translator.json b/translations/fa/.co-op-translator.json
index a5b1f57eb..e52967e60 100644
--- a/translations/fa/.co-op-translator.json
+++ b/translations/fa/.co-op-translator.json
@@ -552,8 +552,8 @@
"language_code": "fa"
},
"README.md": {
- "original_hash": "f7d55bf70beaab82d4621c0860301a64",
- "translation_date": "2026-03-17T09:21:29+00:00",
+ "original_hash": "7fb48097f57e680b380cd9aae988d317",
+ "translation_date": "2026-04-06T16:20:51+00:00",
"source_file": "README.md",
"language_code": "fa"
},
diff --git a/translations/fa/README.md b/translations/fa/README.md
index f56964adb..1877c360b 100644
--- a/translations/fa/README.md
+++ b/translations/fa/README.md
@@ -1,25 +1,25 @@
-[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
-[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
-[](http://makeapullrequest.com)
+[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
+[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[](http://makeapullrequest.com)
-[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
-### 🌐 پشتیبانی چندزبانه
+### 🌐 پشتیبانی چند زبانه
#### پشتیبانی شده از طریق GitHub Action (خودکار و همیشه بهروز)
-[عربی](../ar/README.md) | [بنگالی](../bn/README.md) | [بلغاری](../bg/README.md) | [برمهای (میانمار)](../my/README.md) | [چینی (سادهشده)](../zh-CN/README.md) | [چینی (سنتی، هنگکنگ)](../zh-HK/README.md) | [چینی (سنتی، ماکائو)](../zh-MO/README.md) | [چینی (سنتی، تایوان)](../zh-TW/README.md) | [کرواتی](../hr/README.md) | [چکی](../cs/README.md) | [دانمارکی](../da/README.md) | [هلندی](../nl/README.md) | [استونیایی](../et/README.md) | [فنلاندی](../fi/README.md) | [فرانسوی](../fr/README.md) | [آلمانی](../de/README.md) | [یونانی](../el/README.md) | [عبری](../he/README.md) | [هندی](../hi/README.md) | [مجارستانی](../hu/README.md) | [اندونزیایی](../id/README.md) | [ایتالیایی](../it/README.md) | [ژاپنی](../ja/README.md) | [کاننادا](../kn/README.md) | [کرهای](../ko/README.md) | [لیتوانیایی](../lt/README.md) | [مالزیایی](../ms/README.md) | [مالایالام](../ml/README.md) | [مراتی](../mr/README.md) | [نپالی](../ne/README.md) | [پیدجن نیجریهای](../pcm/README.md) | [نروژی](../no/README.md) | [فارسی (Farsi)](./README.md) | [لهستانی](../pl/README.md) | [پرتغالی (برزیل)](../pt-BR/README.md) | [پرتغالی (پرتغال)](../pt-PT/README.md) | [پنجابی (گورمکی)](../pa/README.md) | [رومانیایی](../ro/README.md) | [روسی](../ru/README.md) | [صربی (سیریلیک)](../sr/README.md) | [اسلواکی](../sk/README.md) | [اسلوونیایی](../sl/README.md) | [اسپانیایی](../es/README.md) | [سواحلی](../sw/README.md) | [سوئدی](../sv/README.md) | [تاگالوگ (فیلیپینی)](../tl/README.md) | [تامیل](../ta/README.md) | [تلوگو](../te/README.md) | [تایلندی](../th/README.md) | [ترکی](../tr/README.md) | [اوکراینی](../uk/README.md) | [اردو](../ur/README.md) | [ویتنامی](../vi/README.md)
+[عربی](../ar/README.md) | [بنگالی](../bn/README.md) | [بلغاری](../bg/README.md) | [برمهای (میانمار)](../my/README.md) | [چینی (سادهشده)](../zh-CN/README.md) | [چینی (سنتی، هنگکنگ)](../zh-HK/README.md) | [چینی (سنتی، ماکائو)](../zh-MO/README.md) | [چینی (سنتی، تایوان)](../zh-TW/README.md) | [کرواسی](../hr/README.md) | [چکی](../cs/README.md) | [دانمارکی](../da/README.md) | [هلندی](../nl/README.md) | [استونیایی](../et/README.md) | [فنلاندی](../fi/README.md) | [فرانسوی](../fr/README.md) | [آلمانی](../de/README.md) | [یونانی](../el/README.md) | [عبری](../he/README.md) | [هندی](../hi/README.md) | [مجارستانی](../hu/README.md) | [اندونزیایی](../id/README.md) | [ایتالیایی](../it/README.md) | [ژاپنی](../ja/README.md) | [کانادا](../kn/README.md) | [خمری](../km/README.md) | [کرهای](../ko/README.md) | [لیتوانیایی](../lt/README.md) | [مالایی](../ms/README.md) | [مالایالام](../ml/README.md) | [مراتی](../mr/README.md) | [نپالی](../ne/README.md) | [پیجین نیجریهای](../pcm/README.md) | [نروژی](../no/README.md) | [فارسی (Farsi)](./README.md) | [لهستانی](../pl/README.md) | [پرتغالی (برزیل)](../pt-BR/README.md) | [پرتغالی (پرتغال)](../pt-PT/README.md) | [پنجابی (گورموخی)](../pa/README.md) | [رومانیایی](../ro/README.md) | [روسی](../ru/README.md) | [صربی (سیریلیک)](../sr/README.md) | [اسلواکی](../sk/README.md) | [اسلوونیایی](../sl/README.md) | [اسپانیایی](../es/README.md) | [سواحیلی](../sw/README.md) | [سوئدی](../sv/README.md) | [تاگالوگ (فیلیپینی)](../tl/README.md) | [تامیل](../ta/README.md) | [تلوگو](../te/README.md) | [تایلندی](../th/README.md) | [ترکی](../tr/README.md) | [اوکراینی](../uk/README.md) | [اردو](../ur/README.md) | [ویتنامی](../vi/README.md)
-> **ترجیح میدهید به صورت محلی کلون کنید؟**
+> **ترجیح میدهید محلی کلون کنید؟**
>
-> این مخزن شامل بیش از ۵۰ ترجمه زبانی است که اندازه دانلود را به طور قابل توجهی افزایش میدهد. برای کلون بدون ترجمهها، از sparse checkout استفاده کنید:
+> این مخزن شامل بیش از ۵۰ ترجمه زبان است که به طور قابل توجهی اندازه دانلود را افزایش میدهد. برای کلون کردن بدون ترجمهها، از sparse checkout استفاده کنید:
>
-> **باش / macOS / لینوکس:**
+> **Bash / macOS / Linux:**
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
@@ -33,147 +33,146 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
-> این به شما همه چیز مورد نیاز برای تکمیل دوره را با دانلود بسیار سریعتر میدهد.
+> این به شما همه چیز لازم برای تکمیل دوره را با سرعت دانلود بسیار بیشتر میدهد.
#### به جامعه ما بپیوندید
[](https://discord.gg/nTYy5BXMWG)
-ما یک سری آموزش در دیسکورد درباره یادگیری با هوش مصنوعی داریم، بیشتر بدانید و از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ به ما بپیوندید در [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord). در این دوره نکات و ترفندهایی برای استفاده از GitHub Copilot در علم داده دریافت خواهید کرد.
+ما یک سری یادگیری در دیسکورد درباره هوش مصنوعی در حال اجرا داریم، بیشتر بیاموزید و به ما بپیوندید در [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵. شما نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را خواهید گرفت.
-# یادگیری ماشین برای مبتدیان - یک برنامه درسی
+# آموزش ماشین یادگیری برای مبتدیان
-> 🌍 سفر در سراسر جهان در حالی که یادگیری ماشین را از منظر فرهنگهای مختلف جهان بررسی میکنیم 🌍
+> 🌍 سفر در سراسر جهان در حالی که با فرهنگهای مختلف جهان ماشین یادگیری را بررسی میکنیم 🌍
-حامیان کلاد در مایکروسافت خوشحالند که یک برنامه درسی ۱۲ هفتهای، شامل ۲۶ درس در مورد **یادگیری ماشین** ارائه دهند. در این برنامه درسی، شما با آنچه گاهی اوقات به آن **یادگیری ماشین کلاسیک** گفته میشود آشنا خواهید شد، که عمدتاً از کتابخانه Scikit-learn استفاده میکند و از یادگیری عمیق اجتناب میکند، که در برنامه درسی ما برای [مبتدیان هوش مصنوعی](https://aka.ms/ai4beginners) پوشش داده شده است. همچنین این دروس را با برنامه درسی ما در ['علم داده برای مبتدیان'](https://aka.ms/ds4beginners) جفت کنید!
+حامیان ابر در مایکروسافت خوشحالند که یک برنامه درسی ۱۲ هفتهای با ۲۶ درس در مورد **ماشین یادگیری** ارائه دهند. در این برنامه درسی، درباره چیزی که گاهی اوقات به آن **ماشین یادگیری کلاسیک** گفته میشود، با استفاده عمدتاً از کتابخانه Scikit-learn و اجتناب از یادگیری عمیق که در [برنامه درسی AI برای مبتدیان](https://aka.ms/ai4beginners) ما پوشش داده شده، یاد خواهید گرفت. این دروس را با برنامه درسی ['علم داده برای مبتدیان'](https://aka.ms/ds4beginners) ما نیز همراه کنید!
-با ما در سفری در سراسر جهان همراه شوید که این تکنیکهای کلاسیک را روی دادههایی از مناطق مختلف دنیا اعمال میکنیم. هر درس شامل آزمونهای پیش و پس از درس، دستورالعملهای مکتوب برای کاملکردن درس، راهحل، تکلیف و بیشتر است. روش آموزشی پروژهمحور ما به شما امکان میدهد هنگام یادگیری، با ساختن مهارتها را بهتر تثبیت کنید.
+با ما در سفر به نقاط مختلف جهان همراه شوید در حالی که این تکنیکهای کلاسیک را روی دادههای مناطق مختلف جهان اعمال میکنیم. هر درس شامل پرسشهای قبل و بعد از درس، دستورالعملهای نوشته شده برای تکمیل درس، یک راه حل، یک تکلیف و موارد بیشتر است. شیوه آموزشی ما مبتنی بر پروژه است که به شما اجازه میدهد هنگام ساختن یاد بگیرید، روشی اثبات شده برای تثبیت مهارتهای جدید.
-**✍️ قدردانی صمیمانه از نویسندگان ما** جن لوپر، استفن هاول، فرانسسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روت یاكوبو و ایمی بوید
+**✍️ از نویسندگان ما صمیمانه سپاسگزاریم** جِن لوپر، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، راث یاکوبو و امی بویل
-**🎨 همچنین تشکر از تصویرسازان ما** تومومی ایمورا، داسانی مادپالی و جن لوپر
+**🎨 همچنین از تصویرسازان ما سپاسگزاریم** تومومی ایمورا، داسانی مادپالی، و جِن لوپر
-**🙏 تشکر ویژه 🙏 از سفرای دانشجویی مایکروسافت بهعنوان نویسنده، بازبینیکننده و مشارکتکننده محتوایی** به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتراسکو، آبیشک جایسوال، نوورین طباسم، ایوان سامویلا، و اسنیگدها آگاروال
+**🙏 سپاس ویژه 🙏 از سفرای دانشجویی مایکروسافت که نویسنده، بازبین و مشارکتکننده محتوایی بودهاند**، به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، نوورین طبسم، ایوان سامویلا، و اسنیگدا آگاروال
-**🤩 سپاسگذاری اضافی از سفرای دانشجویی مایکروسافت اریک ونجاو، جاسلین سوندی و ویدوشی گوپتا برای دروس R ما!**
+**🤩 قدردانی ویژه به سفرای دانشجویی مایکروسافت اریک وانجاو، جاسلین سوندی، و ویدوشی گپتا برای دروس R ما!**
-# شروع به کار
+# شروع کار
این مراحل را دنبال کنید:
-1. **شاخه چنگال (Fork) کردن مخزن**: روی دکمه «Fork» در گوشه بالا سمت راست این صفحه کلیک کنید.
-2. **کلون کردن مخزن**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
+1. **فورک کردن مخزن**: روی دکمه «Fork» در گوشه بالا سمت راست این صفحه کلیک کنید.
+2. **کلون کردن مخزن**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
-> [برای یافتن تمام منابع اضافی این دوره، به مجموعه یادگیری مایکروسافت ما مراجعه کنید](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)
-> 🔧 **به کمک نیاز دارید؟** راهنمای [رفع اشکال](TROUBLESHOOTING.md) ما را برای حل مسائل رایج در نصب، تنظیم، و اجرای دروس بررسی کنید.
+> 🔧 **نیاز به کمک دارید؟** برای حل مشکلات رایج مربوط به نصب، راهاندازی و اجرای دروس، راهنمای [عیبیابی](TROUBLESHOOTING.md) ما را بررسی کنید.
+**[دانشآموزان](https://aka.ms/student-page)**، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کرده و تمرینها را به تنهایی یا با گروه انجام دهید:
-**[دانشجویان](https://aka.ms/student-page)**، برای استفاده از این برنامه درسی، کل مخزن را در حساب GitHub خود فورک کرده و تمرینها را به تنهایی یا با گروه انجام دهید:
-
-- با یک آزمون پیشدرس شروع کنید.
-- درس را بخوانید و فعالیتها را انجام دهید، در هر بررسی دانش توقف کرده و تأمل کنید.
-- سعی کنید پروژهها را با درک دروس بسازید تا فقط اجرای کد راهحل؛ البته کد راهحل در پوشههای `/solution` در هر درس پروژهمحور موجود است.
-- آزمون پس از درس را بگیرید.
+- با پرسشنامه پیشدرس شروع کنید.
+- درس را بخوانید و فعالیتها را کامل کنید، در هر مرحله از بررسی دانش توقف کرده و تأمل کنید.
+- سعی کنید پروژهها را با درک دروس ایجاد کنید تا فقط اجرای کد راه حل؛ البته کد راه حل در پوشههای `/solution` در هر درس مبتنی بر پروژه موجود است.
+- پرسشنامه پایان درس را انجام دهید.
- چالش را کامل کنید.
-- تکلیف را انجام دهید.
-- پس از تکمیل یک گروه درسی، به [تخته بحث](https://github.com/microsoft/ML-For-Beginners/discussions) مراجعه کنید و با پر کردن ارزیابی PAT مناسب، «بلند یادگیری» کنید. PAT یک ابزار ارزیابی پیشرفت است که با پر کردن آن یادگیری خود را عمیقتر میکنید. همچنین میتوانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.
+- تکلیف را کامل کنید.
+- پس از تکمیل یک گروه درسی، به [تابلوی بحث](https://github.com/microsoft/ML-For-Beginners/discussions) مراجعه کنید و با پر کردن فرم PAT مربوطه «بلند یادگیری» کنید. PAT ابزاری برای ارزیابی پیشرفت است که فرم آن را پر میکنید تا یادگیری خود را پیش ببرید. همچنین میتوانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.
-> برای مطالعه بیشتر، ما توصیه میکنیم این [ماژولها و مسیرهای یادگیری مایکروسافت](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
+> برای تحصیل بیشتر، توصیه میکنیم این [ماژولها و مسیرهای یادگیری Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
-**اساتید**، ما [برخی پیشنهادات](for-teachers.md) درباره نحوه استفاده از این برنامه درسی ارائه دادهایم.
+**معلمان**، ما [برخی پیشنهادات](for-teachers.md) را درباره نحوه استفاده از این برنامه درسی ارائه کردهایم.
---
-## راهنمای ویدیویی
+## ویدیوهای راهنمای مرحله به مرحله
-برخی از دروس به صورت ویدیوهای کوتاه موجود هستند. میتوانید همه آنها را درون دروس پیدا کنید یا در [فهرست پخش ML برای مبتدیان در کانال مایکروسافت توسعهدهنده یوتیوب](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر مشاهده کنید.
+برخی از دروس به صورت ویدیوهای کوتاه موجود هستند. میتوانید همه این ویدیوها را داخل درسها بیابید یا در [لیست پخش ML برای مبتدیان در کانال یوتیوب توسعهدهندگان مایکروسافت](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر مشاهده کنید.
[](https://aka.ms/ml-beginners-videos)
---
-## با تیم آشنا شوید
+## تیم ما را ملاقات کنید
[](https://youtu.be/Tj1XWrDSYJU)
-**گیف ساخته شده توسط** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
+**گیف توسط** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
-> 🎥 برای دیدن ویدیو درباره پروژه و افراد سازنده آن روی تصویر بالا کلیک کنید!
+> 🎥 برای دیدن ویدیویی درباره پروژه و افراد سازنده آن روی تصویر بالا کلیک کنید!
---
## روش آموزشی
-ما دو اصل آموزشی را در ساخت این برنامه درسی انتخاب کردهایم: اطمینان از اینکه دستبهکار و **پروژهمحور** است و همچنین شامل **آزمونهای مکرر** باشد. علاوه بر این، این برنامه درسی یک **موضوع مشترک** دارد تا انسجام ایجاد کند.
+ما در ساخت این برنامه درسی دو اصل آموزشی را انتخاب کردهایم: اطمینان از اینکه برنامه آموزشی **مبتنی بر پروژه و عملی** است و اینکه شامل **پرسشنامههای مکرر** باشد. علاوه بر این، این برنامه درسی یک **موضوع مشترک** دارد تا انسجام پیدا کند.
-با اطمینان از همراستایی محتوا با پروژهها، روند یادگیری برای دانشآموزان جذابتر شده و حفظ مفاهیم افزایش مییابد. علاوه بر این، یک آزمون پیش از کلاس با سطح استرس پایین، هدف دانشآموز را برای یادگیری موضوع تنظیم میکند، در حالی که آزمون دوم پس از کلاس باعث تثبیت بیشتر میشود. این برنامه درسی به گونهای طراحی شده که انعطافپذیر و سرگرمکننده باشد و میتوان همه یا بخشی از آن را گذراند. پروژهها از ابتدا کوچک هستند و تا پایان چرخه ۱۲ هفتهای به تدریج پیچیدهتر میشوند. این برنامه همچنین شامل یک نکته پایانی درباره کاربردهای واقعی یادگیری ماشین است که میتوان به عنوان اعتبار اضافی یا پایهای برای بحث از آن استفاده کرد.
+تضمین تطابق محتوا با پروژهها باعث جذابتر شدن فرایند برای دانشآموزان شده و حفظ مفاهیم را افزایش میدهد. همچنین، پرسشنامه کماهمیت قبل از کلاس قصد دانشآموز برای یادگیری موضوع را میسازد، در حالی که پرسشنامه دوم پس از کلاس ماندگاری بیشتری را تضمین میکند. این برنامه درسی طوری طراحی شده است که انعطافپذیر و سرگرمکننده باشد و میتوان آن را به طور کامل یا جزئی دنبال کرد. پروژهها از کوچک شروع شده و تا پایان چرخه ۱۲ هفتهای به صورت افزایشی پیچیده میشوند. این برنامه درسی همچنین شامل پینوشت درباره کاربردهای دنیای واقعی ماشین یادگیری است که میتواند به عنوان اعتبار اضافی یا مبنایی برای بحث استفاده شود.
-> کد رفتار ما را در [Code of Conduct](CODE_OF_CONDUCT.md)، راهنمای مشارکت در [Contributing](CONTRIBUTING.md)، ترجمهها در [Translations](..) و راهنمای رفع اشکال در [Troubleshooting](TROUBLESHOOTING.md) ببینید. ما از بازخورد سازنده شما استقبال میکنیم!
+> ما [کد رفتار](CODE_OF_CONDUCT.md)، [راهنمای مشارکت](CONTRIBUTING.md)، [ترجمهها](..)، و [عیبیابی](TROUBLESHOOTING.md) را در اختیار داریم. بازخورد سازنده شما را خوشآمد میگوییم!
## هر درس شامل
-- یادداشت اختیاری به صورت طرح کلی (sketchnote)
+- خلاصه نکات اختیاری (sketchnote)
- ویدیوی مکمل اختیاری
-- راهنمای ویدیویی (فقط برخی از دروس)
-- [آزمون گرم کردن پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
+- راهنمای ویدیویی (فقط برخی دروس)
+- [آزمون پیشدرس](https://ff-quizzes.netlify.app/en/ml/)
- درس مکتوب
-- برای دروس پروژهمحور، راهنماهای گامبهگام برای ساخت پروژه
+- در دروس مبتنی بر پروژه، راهنمای گام به گام ساخت پروژه
- بررسی دانش
-- چالش
-- مطالعه تکمیلی
+- یک چالش
+- خواندن مکمل
- تکلیف
-- [آزمون پایان درس](https://ff-quizzes.netlify.app/en/ml/)
-
-> **توضیحی درباره زبانها**: این دروس عمدتاً به زبان پایتون هستند، اما بسیاری از آنها همچنین به زبان R موجود است. برای تکمیل یک درس R، به پوشه `/solution` بروید و به دنبال دروس R بگردید. اینها یک پسوند .rmd دارند که نشاندهنده یک فایل **R Markdown** است که میتوان آن را به سادگی به عنوان ترکیبی از `قطعات کد` (از R یا زبانهای دیگر) و یک `هدر YAML` (که نحوه قالببندی خروجیها مانند PDF را راهنمایی میکند) در یک `سند Markdown` تعریف کرد. به این ترتیب، یک چارچوب نمونه برای نویسندگی در دادهکاوی است چون به شما اجازه میدهد کد خود، خروجی آن و افکارتان را با نوشتن در Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown را میتوان به فرمتهای خروجی مانند PDF، HTML یا Word تبدیل کرد.
-> **یک یادداشت درباره آزمونها**: همه آزمونها در [پوشه Quiz App](../../quiz-app) قرار دارند، در مجموع ۵۲ آزمون که هر کدام شامل سه سوال هستند. این آزمونها از داخل درسها لینک شدهاند اما برنامه آزمون میتواند به صورت محلی اجرا شود؛ دستورالعملهای داخل پوشه `quiz-app` را دنبال کنید تا به صورت محلی میزبان شوید یا در Azure مستقر کنید.
-
-| شماره درس | موضوع | گروهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
-| :-------: | :------------------------------------------------------------: | :-----------------------------------------------: | -------------------------------------------------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
-| ۰۱ | معرفی یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مفاهیم پایهای یادگیری ماشین را بیاموزید | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
-| ۰۲ | تاریخچه یادگیری ماشین | [مقدمه](1-Introduction/README.md) | تاریخچه این حوزه را بیاموزید | [درس](1-Introduction/2-history-of-ML/README.md) | جن و ایمی |
-| ۰۳ | انصاف و یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مسائل فلسفی مهم در مورد انصاف که دانشآموزان باید هنگام ساخت و استفاده از مدلهای یادگیری ماشین مورد توجه قرار دهند 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 مدلها استفاده میکنند؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | کریس و جن |
-| ۰۵ | معرفی رگرسیون | [رگرسیون](2-Regression/README.md) | با پایتون و Scikit-learn برای مدلهای رگرسیونی شروع کنید | [پایتون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • اریک وانژاو |
-| ۰۶ | قیمتهای کدو حلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | دادهها را برای یادگیری ماشین پاک و بصری کنید | [پایتون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • اریک وانژاو |
-| ۰۷ | قیمتهای کدو حلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | مدلهای رگرسیون خطی و چند جملهای بسازید | [پایتون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن و دیمیتری • اریک وانژاو |
-| ۰۸ | قیمتهای کدو حلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | مدل رگرسیون لجستیک بسازید | [پایتون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • اریک وانژاو |
-| 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 | معرفی طبقهبندی | [طبقهبندی](4-Classification/README.md) | دادههای خود را پاک، آماده و بصری کنید؛ معرفی طبقهبندی | [پایتون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن و کَسیه • اریک وانژاو |
-| ۱۱ | آشپزی خوشمزه آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | معرفی طبقهبندها | [پایتون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن و کَسیه • اریک وانژاو |
-| ۱۲ | آشپزی 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 کَسیه • اریک وانژاو |
-| ۱۳ | آشپزی خوشمزه آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | ساخت یک اپ پیشنهادی وب با استفاده از مدل خود | [پایتون](4-Classification/4-Applied/README.md) | جن |
-| ۱۴ | معرفی خوشهبندی | [خوشهبندی](5-Clustering/README.md) | دادههای خود را پاک، آماده و بصری کنید؛ معرفی خوشهبندی | [پایتون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • اریک وانژاو |
-| ۱۵ | کشف سلیقههای موسیقی نیجریهای 🎧 | [خوشهبندی](5-Clustering/README.md) | روش خوشهبندی K-Means را کشف کنید | [پایتون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • اریک وانژاو |
-| ۱۶ | معرفی پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | اصول اولیه پردازش زبان طبیعی را با ساخت یک ربات ساده بیاموزید | [پایتون](6-NLP/1-Introduction-to-NLP/README.md) | استفان |
-| ۱۷ | وظایف رایج NLP ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | دانش پردازش زبان طبیعی خود را با درک وظایف رایج لازم برای کار با ساختارهای زبان تعمیق ببخشید | [پایتون](6-NLP/2-Tasks/README.md) | استفان |
-| ۱۸ | ترجمه و تحلیل احساسات ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | ترجمه و تحلیل احساسات با جین آستین | [پایتون](6-NLP/3-Translation-Sentiment/README.md) | استفان |
-| ۱۹ | هتلهای رمانتیک اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نظرات هتل ۱ | [پایتون](6-NLP/4-Hotel-Reviews-1/README.md) | استفان |
-| ۲۰ | هتلهای رمانتیک اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نظرات هتل ۲ | [پایتون](6-NLP/5-Hotel-Reviews-2/README.md) | استفان |
-| ۲۱ | معرفی پیشبینی سریهای زمانی | [سریهای زمانی](7-TimeSeries/README.md) | معرفی 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 بازگشت بردار پشتیبان | [پایتون](7-TimeSeries/3-SVR/README.md) | آنیر بان |
-| ۲۴ | معرفی یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | معرفی 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 با Gym | [پایتون](8-Reinforcement/2-Gym/README.md) | دیمیتری |
-| پسنوشت | سناریوها و کاربردهای واقعی یادگیری ماشین | [ML در دنیای واقعی](9-Real-World/README.md) | کاربردهای جالب و تأملبرانگیز یادگیری ماشین کلاسیک در دنیای واقعی | [درس](9-Real-World/1-Applications/README.md) | تیم |
-| پسنوشت | اشکالزدایی مدلها در یادگیری ماشین با داشبورد RAI | [ML در دنیای واقعی](9-Real-World/README.md) | اشکالزدایی مدلها در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روت یاکوبو |
-
-> [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)
+- [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ml/)
+> **یادداشتی درباره زبانها**: این درسها عمدتاً به زبان پایتون نوشته شدهاند، اما بسیاری از آنها به زبان R نیز در دسترس هستند. برای تکمیل یک درس R، به پوشه `/solution` بروید و به دنبال درسهای R بگردید. آنها دارای پسوند .rmd هستند که نمایانگر یک فایل **R Markdown** است که میتوان آن را به سادگی به صورت جاسازی `بخشهای کد` (از R یا زبانهای دیگر) و یک `هدر YAML` (که راهنمایی میکند چگونه خروجیها مانند PDF قالببندی شوند) در یک سند `Markdown` تعریف کرد. بنابراین، این یک چارچوب نمونه برای نگارش در علوم داده است زیرا به شما اجازه میدهد کد خود، خروجی آن و افکارتان را با نوشتن آنها در مارکداون، ترکیب کنید. همچنین، اسناد R Markdown میتوانند به فرمتهای خروجی مانند PDF، HTML یا Word تبدیل شوند.
+
+> **یادداشتی درباره آزمونها**: همه آزمونها در [پوشه برنامه آزمون](../../quiz-app) قرار دارند، در مجموع ۵۲ آزمون با سه سوال هر کدام. آنها از داخل درسها لینک شدهاند اما برنامه آزمون را میتوان به صورت محلی هم اجرا کرد؛ دستورالعمل را در پوشه `quiz-app` دنبال کنید تا به صورت محلی میزبانی کنید یا در Azure مستقر کنید.
+
+| شماره درس | موضوع | گروهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
+| :-------: | :------------------------------------------------------------: | :-----------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :---------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
+| ۰۱ | مقدمهای بر یادگیری ماشین | [Introduction](1-Introduction/README.md) | مفاهیم پایه یادگیری ماشین را یاد بگیرید | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
+| ۰۲ | تاریخچه یادگیری ماشین | [Introduction](1-Introduction/README.md) | تاریخچه زمینه یادگیری ماشین را بیاموزید | [درس](1-Introduction/2-history-of-ML/README.md) | جن و امی |
+| ۰۳ | عدالت و یادگیری ماشین | [Introduction](1-Introduction/README.md) | مسائل فلسفی مهم عدالت که دانشآموزان باید هنگام ساخت و بکارگیری مدلهای یادگیری ماشین در نظر بگیرند چیست؟ | [درس](1-Introduction/3-fairness/README.md) | تومومی |
+| ۰۴ | تکنیکهای یادگیری ماشین | [Introduction](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 | [Regression](2-Regression/README.md) | شروع به کار با پایتون و Scikit-learn برای مدلهای رگرسیون | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • اریک وانجائو |
+| ۰۶ | قیمتهای کدو شمال آمریکا 🎃 | [Regression](2-Regression/README.md) | دادهها را برای یادگیری ماشین، تمیز و مصورسازی کنید | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • اریک وانجائو |
+| ۰۷ | قیمتهای کدو شمال آمریکا 🎃 | [Regression](2-Regression/README.md) | مدلهای رگرسیون خطی و چندجملهای بسازید | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن و دیمیتری • اریک وانجائو |
+| ۰۸ | قیمتهای کدو شمال آمریکا 🎃 | [Regression](2-Regression/README.md) | مدل رگرسیون لجستیک بسازید | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • اریک وانجائو |
+| ۰۹ | برنامه وب 🔌 | [Web App](3-Web-App/README.md) | ساخت یک برنامه وب برای استفاده از مدل آموزش دیده شما | [Python](3-Web-App/1-Web-App/README.md) | جن |
+| ۱۰ | مقدمهای بر طبقهبندی | [Classification](4-Classification/README.md) | دادههای خود را تمیز، آماده و مصور کنید؛ مقدمهای بر طبقهبندی | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن و کاسی • اریک وانجائو |
+| ۱۱ | غذاهای خوشمزه آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | مقدمهای بر طبقهبندها | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن و کاسی • اریک وانجائو |
+| ۱۲ | غذاهای خوشمزه آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | طبقهبندهای بیشتر | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن و کاسی • اریک وانجائو |
+| ۱۳ | غذاهای خوشمزه آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | ساخت یک برنامه وب توصیهگر با استفاده از مدل خود | [Python](4-Classification/4-Applied/README.md) | جن |
+| ۱۴ | مقدمهای بر خوشهبندی | [Clustering](5-Clustering/README.md) | دادهها را تمیز، آماده و مصور کنید؛ مقدمهای بر خوشهبندی | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • اریک وانجائو |
+| ۱۵ | اکتشاف سلیقههای موسیقی نیجریهای 🎧 | [Clustering](5-Clustering/README.md) | روش خوشهبندی K-Means را کاوش کنید | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • اریک وانجائو |
+| ۱۶ | مقدمهای بر پردازش زبان طبیعی ☕️ | [Natural language processing](6-NLP/README.md) | مبانی پردازش زبان طبیعی را با ساخت یک ربات ساده یاد بگیرید | [Python](6-NLP/1-Introduction-to-NLP/README.md) | استفان |
+| ۱۷ | وظایف متداول NLP ☕️ | [Natural language processing](6-NLP/README.md) | دانش خود را درباره وظایف معمول پردازش زبان طبیعی که هنگام برخورد با ساختارهای زبانی انتظار میرود، عمیقتر کنید | [Python](6-NLP/2-Tasks/README.md) | استفان |
+| ۱۸ | ترجمه و تحلیل احساسات ♥️ | [Natural language processing](6-NLP/README.md) | ترجمه و تحلیل احساسات با جین آستن | [Python](6-NLP/3-Translation-Sentiment/README.md) | استفان |
+| ۱۹ | هتلهای عاشقانه اروپا ♥️ | [Natural language processing](6-NLP/README.md) | تحلیل احساسات با بررسیهای هتل ۱ | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | استفان |
+| ۲۰ | هتلهای عاشقانه اروپا ♥️ | [Natural language processing](6-NLP/README.md) | تحلیل احساسات با بررسیهای هتل ۲ | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | استفان |
+| ۲۱ | مقدمهای بر پیشبینی دادههای سری زمانی | [Time series](7-TimeSeries/README.md) | مقدمهای بر پیشبینی سریهای زمانی | [Python](7-TimeSeries/1-Introduction/README.md) | فرانچسکا |
+| ۲۲ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سری زمانی با ARIMA | [Time series](7-TimeSeries/README.md) | پیشبینی سری زمانی با ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانچسکا |
+| ۲۳ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سری زمانی با SVR | [Time series](7-TimeSeries/README.md) | پیشبینی سری زمانی با رگرسیون بردار پشتیبان | [Python](7-TimeSeries/3-SVR/README.md) | آنربان |
+| ۲۴ | مقدمهای بر یادگیری تقویتی | [Reinforcement learning](8-Reinforcement/README.md) | مقدمهای بر یادگیری تقویتی با Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | دیمیتری |
+| ۲۵ | کمک به پیتر برای فرار از گرگ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym یادگیری تقویتی | [Python](8-Reinforcement/2-Gym/README.md) | دیمیتری |
+| پایاننامه | سناریوها و کاربردهای یادگیری ماشین در دنیای واقعی | [ML in the Wild](9-Real-World/README.md) | کاربردهای جالب و روشنگرانه یادگیری ماشین کلاسیک در دنیای واقعی | [درس](9-Real-World/1-Applications/README.md) | تیم |
+| پایاننامه | اشکالزدایی مدل در یادگیری ماشین با داشبورد RAI | [ML in the Wild](9-Real-World/README.md) | اشکالزدایی مدل یادگیری ماشین با استفاده از اجزای داشبورد مسئولانه AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث یاکوبو |
+
+> [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 نصب کنید](https://docsify.js.org/#/quickstart) روی دستگاه محلی خود، سپس در شاخه ریشه این مخزن تایپ کنید `docsify serve`. وبسایت روی پورت ۳۰۰۰ روی لوکالهاست شما اجرا خواهد شد: `localhost:3000`.
+شما میتوانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) روی ماشین محلی خود، و سپس در پوشه ریشه این مخزن، دستور `docsify serve` را تایپ کنید. وبسایت روی پورت 3000 روی لوکالهاست شما سرو خواهد شد: `localhost:3000`.
## فایلهای PDF
-یک PDF از برنامه درسی با لینکها را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) بیابید.
+یک فایل پیدیاف از برنامه درسی را با لینک [در اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) بیابید.
## 🎒 دورههای دیگر
-تیم ما دورههای دیگری تولید میکند! نگاهی بیندازید به:
+تیم ما دورههای دیگری هم تولید میکند! بررسی کنید:
### LangChain
@@ -185,22 +184,22 @@
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
-### Generative AI Series
+### سری هوش مصنوعی مولد
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
-### یادگیری اصلی
+### آموزشهای اصلی
[](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/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)
@@ -209,30 +208,30 @@
---
-### سری کپایلوت
-[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+### سری همیار هوشمند (کاپیلت)
+[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
## دریافت کمک
-اگر گیر کردید یا سوالی درباره ساخت برنامههای هوش مصنوعی داشتید، در بحثها با یادگیرندگان و توسعهدهندگان باتجربه MCP شرکت کنید. این یک جامعه پشتیبان است که در آن سوالها پذیرفته میشوند و دانش آزادانه به اشتراک گذاشته میشود.
+اگر گیر کردید یا سوالی درباره ساخت برنامههای هوش مصنوعی دارید، به همراه دیگر یادگیرندگان و توسعهدهندگان باتجربه در بحثهای MCP بپیوندید. این یک جامعه حمایتی است که سوالات در آن پذیرفته میشود و دانش به طور آزاد به اشتراک گذاشته میشود.
-[](https://discord.gg/nTYy5BXMWG)
+[](https://discord.gg/nTYy5BXMWG)
-اگر بازخورد محصول دارید یا هنگام ساخت مشکلی پیش آمد به اینجا مراجعه کنید:
+اگر بازخورد محصول یا خطاهایی هنگام ساخت برنامه دارید، از اینجا دیدن کنید:
-[](https://aka.ms/foundry/forum)
-## نکات تکمیلی یادگیری
+[](https://aka.ms/foundry/forum)
+## نکات اضافی برای یادگیری
-- پس از هر درس نوتبوکها را مرور کنید تا بهتر بفهمید.
-- الگوریتمها را خودتان تمرین و پیادهسازی کنید.
-- دادههای دنیای واقعی را با استفاده از مفاهیم یادگرفته شده بررسی کنید.
+- پس از هر درس، دفترچهها را مرور کنید تا بهتر بفهمید.
+- الگوریتمها را خودتان تمرین کنید.
+- دادههای واقعی را با استفاده از مفاهیم آموختهشده کاوش کنید.
---
**سلب مسئولیت**:
-این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. هرچند ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی خطا یا نادقتی باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، استفاده از ترجمه حرفهای و انسانی توصیه میشود. ما مسئول هیچگونه سوءتفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه نیستیم.
+این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما در صدد دقت هستیم، لطفاً آگاه باشید که ترجمههای خودکار ممکن است دارای اشتباهات یا نواقص باشند. سند اصلی به زبان مادری آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفهای انسانی توصیه میشود. ما در قبال هرگونه سوءتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
\ No newline at end of file
diff --git a/translations/ur/.co-op-translator.json b/translations/ur/.co-op-translator.json
index e49ba75a6..f0381f55a 100644
--- a/translations/ur/.co-op-translator.json
+++ b/translations/ur/.co-op-translator.json
@@ -552,8 +552,8 @@
"language_code": "ur"
},
"README.md": {
- "original_hash": "f7d55bf70beaab82d4621c0860301a64",
- "translation_date": "2026-03-17T09:23:31+00:00",
+ "original_hash": "7fb48097f57e680b380cd9aae988d317",
+ "translation_date": "2026-04-06T16:22:14+00:00",
"source_file": "README.md",
"language_code": "ur"
},
diff --git a/translations/ur/README.md b/translations/ur/README.md
index d847cb399..4c2ad70fc 100644
--- a/translations/ur/README.md
+++ b/translations/ur/README.md
@@ -8,229 +8,229 @@
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
-### 🌐 کثیراللسانی معاونت
+### 🌐 کثیراللسان مدد
-#### GitHub Action کے ذریعے معاونت یافتہ (خودکار اور ہمیشہ تازہ ترین)
+#### GitHub ایکشن کے ذریعے معاونت یافتہ (خودکار اور ہمیشہ اپ ٹو ڈیٹ)
-[عربی](../ar/README.md) | [بنگالی](../bn/README.md) | [بلغاریائی](../bg/README.md) | [برمی (میانمار)](../my/README.md) | [چینی (آسان)](../zh-CN/README.md) | [چینی (رواں، ہانگ کانگ)](../zh-HK/README.md) | [چینی (رواں، مکاو)](../zh-MO/README.md) | [چینی (رواں، تائوان)](../zh-TW/README.md) | [کروشیائی](../hr/README.md) | [چیک](../cs/README.md) | [ڈینش](../da/README.md) | [ڈچ](../nl/README.md) | [ایسٹونین](../et/README.md) | [فینش](../fi/README.md) | [فرانسیسی](../fr/README.md) | [جرمن](../de/README.md) | [یونانی](../el/README.md) | [عبرانی](../he/README.md) | [ہندی](../hi/README.md) | [ہنگریائی](../hu/README.md) | [انڈونیشیائی](../id/README.md) | [اطالوی](../it/README.md) | [جاپانی](../ja/README.md) | [کنڑا](../kn/README.md) | [کوریائی](../ko/README.md) | [لتھوانین](../lt/README.md) | [ملائی](../ms/README.md) | [ملالیہالم](../ml/README.md) | [مراٹھے](../mr/README.md) | [نیپالی](../ne/README.md) | [نائجیریائی پیجین](../pcm/README.md) | [ناروے](../no/README.md) | [فارسی (فارسی)](../fa/README.md) | [پولش](../pl/README.md) | [پرتگالی (برازیل)](../pt-BR/README.md) | [پرتگالی (پرتگال)](../pt-PT/README.md) | [پنجابی (گرمکھی)](../pa/README.md) | [رومانیائی](../ro/README.md) | [روسی](../ru/README.md) | [سربیائی (سیریلک)](../sr/README.md) | [سلوواک](../sk/README.md) | [سلووینیائی](../sl/README.md) | [ہسپانوی](../es/README.md) | [سواحلی](../sw/README.md) | [سویڈش](../sv/README.md) | [ٹاگالوگ (فلپائنی)](../tl/README.md) | [تمل](../ta/README.md) | [تلگو](../te/README.md) | [تھائی](../th/README.md) | [ترکی](../tr/README.md) | [یوکرینیائی](../uk/README.md) | [اردو](./README.md) | [ویتنامی](../vi/README.md)
+[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](./README.md) | [Vietnamese](../vi/README.md)
-> **مقامی طور پر کلون کرنا پسند کریں؟**
+> **کیا آپ مقامی طور پر کلون کرنا پسند کریں گے؟**
>
-> اس ذخیرے میں 50+ زبانوں کے تراجم شامل ہیں جو ڈاؤن لوڈ کے حجم کو نمایاں طور پر بڑھاتے ہیں۔ ترجمے کے بغیر کلون کرنے کے لیے سپارس چیک آؤٹ استعمال کریں:
+> اس ریپوزیٹری میں 50+ زبانوں کے تراجم شامل ہیں جو ڈاؤن لوڈ کے حجم کو نمایاں طور پر بڑھاتے ہیں۔ بغیر تراجم کے کلون کرنے کے لیے، sparse checkout استعمال کریں:
>
-> **باش / میک او ایس / لینکس:**
+> **Bash / macOS / Linux:**
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
>
-> **CMD (ونڈوز):**
+> **CMD (Windows):**
> ```cmd
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
-> اس سے آپ کو وہ سب کچھ مل جاتا ہے جو آپ کو کورس مکمل کرنے کے لیے چاہیے، ایک بہت تیز تر ڈاؤن لوڈ کے ساتھ۔
+> اس سے آپ کو کورس مکمل کرنے کے لیے درکار تمام سامان بہت تیز رفتار ڈاؤن لوڈ کے ساتھ مل جائے گا۔
-#### ہماری کمیونٹی سے جڑیں
+#### ہماری کمیونٹی میں شامل ہوں
[](https://discord.gg/nTYy5BXMWG)
-ہمارے پاس ڈسکارڈ پر ایک AI کے ساتھ سیکھنے کی سیریز جاری ہے، مزید جاننے کے لیے اور ہمارے ساتھ شامل ہونے کے لیے [Learn with AI Series](https://aka.ms/learnwithai/discord) پر 18 - 30 ستمبر، 2025 تک شامل ہوں۔ آپ کو گٹ ہب کوپائلٹ کو ڈیٹا سائنس کے لیے استعمال کرنے کے ٹپس اور تراکیب ملیں گی۔
+ہمارے پاس ایک Discord پر learn with AI سیریز جاری ہے، مزید جاننے اور شامل ہونے کے لیے [Learn with AI Series](https://aka.ms/learnwithai/discord) پر جائیں، 18 سے 30 ستمبر، 2025۔ آپ کو GitHub Copilot کے ڈیٹا سائنس کے استعمال کے لئے تجاویز اور تکنیک ملیں گی۔
-# مبتدیوں کے لیے مشین لرننگ - ایک نصاب
+# ابتدائیوں کے لئے مشین لرننگ - ایک نصاب
-> 🌍 دنیا کا سفر کریں جب ہم مشین لرننگ کو دنیا کی ثقافتوں کے ذریعے دریافت کرتے ہیں 🌍
+> 🌍 دنیا بھر کا سفر کریں جب ہم مشین لرننگ کو دنیا کی ثقافتوں کے ذریعے دریافت کرتے ہیں 🌍
-مائیکروسافٹ کے کلاؤڈ ایڈووکیٹس خوشی سے 12 ہفتوں، 26 اسباق کا نصاب پیش کرتے ہیں جو مکمل طور پر **مشین لرننگ** کے بارے میں ہے۔ اس نصاب میں، آپ کبھی کبھار **کلاسیکی مشین لرننگ** کہلانے والی چیز سیکھیں گے، جو بنیادی طور پر اسکی کٹ-لرن لائبریری استعمال کرتے ہوئے کی جاتی ہے اور ڈیپ لرننگ سے گریز کیا جاتا ہے، جسے ہمارے [AI for Beginners' نصاب](https://aka.ms/ai4beginners) میں شامل کیا گیا ہے۔ ان اسباق کو ہمارے ['ڈیٹا سائنس فار بیگنرز' نصاب](https://aka.ms/ds4beginners) کے ساتھ جوڑیں، نیز!
+Microsoft کے Cloud Advocates خوشی کے ساتھ 12 ہفتے، 26 اسباق پر مشتمل ایک نصاب پیش کرتے ہیں جو مکمل طور پر **مشین لرننگ** کے بارے میں ہے۔ اس نصاب میں، آپ کچھ مواقع پر **کلاسیکی مشین لرننگ** کہلانے والی چیزیں سیکھیں گے، جس میں بنیادی طور پر Scikit-learn لائبریری استعمال کی جائے گی اور ڈیپ لرننگ سے گریز کیا جائے گا، جو ہمارے [AI for Beginners' نصاب](https://aka.ms/ai4beginners) میں شامل ہے۔ ان اسباق کو ہمارے ['ڈیٹا سائنس برائے ابتدائیوں' نصاب](https://aka.ms/ds4beginners) کے ساتھ بھی جوڑیں۔
-ہماری دنیا کا سفر کریں جب ہم دنیا کے مختلف خطوں کے ڈیٹا پر یہ کلاسیکی تکنیکیں لگاتے ہیں۔ ہر سبق میں پری-اور پوسٹ-سبق کوئزز، تحریری ہدایات، حل، اسائنمنٹ، اور مزید شامل ہیں۔ ہمارا پروجیکٹ پر مبنی طریقہ سیکھنے کو عملی بنانے کا موقع دیتا ہے، جو کہ نئی مہارتوں کو قائم رکھنے کا ثابت شدہ طریقہ ہے۔
+ہمارے ساتھ دنیا بھر کا سفر کریں جب ہم کلاسیکی تکنیک کو دنیا کے مختلف حصوں کے ڈیٹا پر لاگو کرتے ہیں۔ ہر سبق میں پری اور پوسٹ کلاس کوئزز، تحریری ہدایات، حل، اسائنمنٹ، اور مزید شامل ہوتا ہے۔ ہمارا پراجیکٹ بنیاد پر تعلیمی طریقہ آپ کو تعمیر کرتے ہوئے سیکھنے کی اجازت دیتا ہے، جو نئی صلاحیتوں کو برقرار رکھنے کا ایک ثابت شدہ طریقہ ہے۔
-**✍️ ہمارے مصنفین کا دلی شکریہ** جین لوپر، اسٹیفن ہؤویل، فرانسسکا لازری، ٹومومی ایمورا، کیسی بریو، دمتری سوشنیکوف، کرس نورنگ، انربن مکھرجی، اورنیلا التونیان، روتھ یاکوبو اور ایمی بوائےڈ
+**✍️ ہمارے مصنفین کا دلی شکریہ**: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu اور Amy Boyd
-**🎨 ہمارے مصوروں کا شکریہ** ٹومومی ایمورا، ڈاسا نی مادپلّی، اور جین لوپر
+**🎨 ہمارے مصوروں کا بھی شکریہ**: Tomomi Imura, Dasani Madipalli, اور Jen Looper
-**🙏 خاص شکریہ 🙏 ہمارے مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈر مصنفین، جائزہ لینے والوں، اور مواد فراہم کرنے والوں کو، خصوصاً رشت دگلی، محمد ثاقب خان انان، روحان راج، الیگزینڈرو پیٹریسکو، ابھیشیک جیسوال، نوورین تبسم، ایوآن سیمویلا، اور سنیگدھا اگروال**
+**🙏 خصوصی شکریہ 🙏 ہمارے Microsoft Student Ambassador مصنفین، جائزہ لینے والوں، اور مواد کے مصنفین کو**، خصوصاً Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, اور Snigdha Agarwal
-**🤩 اضافی شکریہ مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈرز ایرک وانجاو، جیسلین سون دھی، اور ویدوشی گپتا کو ہمارے R اسباق کے لیے!**
+**🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, اور Vidushi Gupta کا بھی خصوصی شکریہ ہمارے R اسباق کے لئے!**
-# شروع کرتے ہیں
+# شروع کرنا
-مندرجہ ذیل اقدامات کی پیروی کریں:
-1. **ریپوزیٹری کی فورک کریں**: اس صفحے کے اوپری دائیں کونے میں "Fork" بٹن پر کلک کریں۔
-2. **ریپوزیٹری کو کلون کریں**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
+مندرجہ ذیل اقدامات کریں:
+1. **ریپوزیٹری کو Fork کریں**: اس صفحہ کے اوپر دائیں کونے میں موجود "Fork" بٹن پر کلک کریں۔
+2. **ریپوزیٹری کلون کریں**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
-> [اس کورس کے تمام اضافی وسائل ہمارے Microsoft Learn مجموعہ میں دریافت کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> [اس کورس کے لئے تمام اضافی وسائل ہمارے Microsoft Learn مجموعہ میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
-> 🔧 **مدد چاہیے؟** عام مسائل جیسے انسٹالیشن، سیٹ اپ، اور اسباق چلانے کے لیے حل کے لیے ہمارا [مسائل کا حل گائیڈ](TROUBLESHOOTING.md) دیکھیں۔
+> 🔧 **مدد چاہیے؟** ہمارے [Troubleshooting Guide](TROUBLESHOOTING.md) میں انسٹالیشن، سیٹ اپ، اور اسباق چلانے کے عام مسائل کے حل دیکھیں۔
-**[طلباء](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لیے، پوری ریپوزیٹری کو اپنے گٹ ہب اکاؤنٹ میں فورک کریں اور مشقیں خود یا گروپ کے ساتھ مکمل کریں:
+**[طلبہ](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لیے، پورے ریپوزیٹری کو اپنی GitHub اکاؤنٹ پر fork کریں اور مشقیں اپنی مرضی سے یا گروپ کے ساتھ مکمل کریں:
- پری لیکچر کوئز سے شروع کریں۔
-- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر علم کی جانچ پر توقف اور غور کریں۔
-- اسباق کو سمجھ کر پروجیکٹس بنانے کی کوشش کریں بجائے حل کے کوڈ کو چلانے کے؛ تاہم یہ کوڈ ہر پروجیکٹ پر مبنی سبق کے `/solution` فولڈر میں دستیاب ہے۔
-- پوسٹ لیکچر کوئز لیں۔
+- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر نالج چیک پر توقف کر کے غور کریں۔
+- اسباق کو سمجھ کر پروجیکٹس بنانے کی کوشش کریں بجائے اس کے کہ صرف سولوشن کوڈ چلائیں؛ تاہم یہ کوڈ ہر پراجیکٹ پر مبنی سبق کے `/solution` فولڈرز میں دستیاب ہے۔
+- پوسٹ لیکچر کوئز حل کریں۔
- چیلنج مکمل کریں۔
- اسائنمنٹ مکمل کریں۔
-- سبق کے گروپ کو مکمل کرنے کے بعد، [ڈسکشن بورڈ](https://github.com/microsoft/ML-For-Beginners/discussions) پر جائیں اور "اونچی آواز میں سیکھیں" مناسب PAT روبریک پُر کرکے۔ 'PAT' ایک پروگریس اسیسمنٹ ٹول ہے جو آپ کی سیکھنے میں اضافہ کے لیے روبریک پُر کرتا ہے۔ آپ دوسرے PATs پر بھی ردعمل دے سکتے ہیں تاکہ ہم ایک ساتھ سیکھ سکیں۔
+- جب کسی سبق گروپ کو مکمل کرلیں، تو [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) پر جائیں اور مناسب PAT روبریک بھر کر "آواز بلند کریں"۔ 'PAT' ایک پروگریس اسسمنٹ ٹول ہے، جو آپ کے سیکھنے کو مزید بڑھاتا ہے۔ آپ دوسرے PATs پر بھی ردعمل ظاہر کر سکتے ہیں تاکہ ہم سب مل کر سیکھ سکیں۔
-> مزید 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 راستوں کی پیروی کی سفارش کرتے ہیں۔
+> مزید تعلیم کے لئے، ہم ان [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ماڈیولز اور سیکھنے کے راستوں کی سفارش کرتے ہیں۔
-**اساتذہ**، ہم نے [کچھ تجاویز](for-teachers.md) شامل کی ہیں کہ اس نصاب کو کیسے استعمال کیا جائے۔
+**اساتذہ کے لیے**، ہم نے [اس نصاب کے استعمال کے لیے کچھ تجاویز شامل کی ہیں](for-teachers.md)۔
---
## ویڈیو واک تھروز
-کچھ اسباق مختصر ویڈیو کے طور پر دستیاب ہیں۔ آپ ان سبھی کو اسباق میں ان لائن دیکھ سکتے ہیں، یا مائیکروسافٹ ڈویلپر یوٹیوب چینل پر [ML for Beginners پلے لسٹ](https://aka.ms/ml-beginners-videos) میں نیچے تصویر پر کلک کرکے۔
+کچھ اسباق مختصر ویڈیو کی شکل میں دستیاب ہیں۔ آپ انہیں اسباق کے اندر ان لائن یا [Microsoft Developer YouTube چینل پر ML for Beginners پلی لسٹ](https://aka.ms/ml-beginners-videos) پر نیچے دی گئی تصویر پر کلک کرکے دیکھ سکتے ہیں۔
[](https://aka.ms/ml-beginners-videos)
---
-## ٹیم سے ملو
+## ٹیم سے ملاقات
[](https://youtu.be/Tj1XWrDSYJU)
-**گیف از** [محمد جیسال](https://linkedin.com/in/mohitjaisal)
+**گیف بنائی گئی** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) کی جانب سے
-> 🎥 پراجیکٹ اور اسے بنانے والوں کے بارے میں ویڈیو کے لیے اوپر تصویر پر کلک کریں!
+> 🎥 پراجیکٹ اور اس کو بنانے والوں کے بارے میں ویڈیو کے لیے اوپر تصویر پر کلک کریں!
---
-## تدریسی اصول
+## طریقہ تدریس
-ہم نے اس نصاب کی تعمیر میں دو تدریسی اصول منتخب کیے ہیں: اسے عملی **پروجیکٹ پر مبنی** بنانا اور کہ اس میں **بار بار کوئزز** شامل ہوں۔ مزید برآں، اس نصاب کا ایک مشترکہ **موضوع** ہے تاکہ اس میں ہم آہنگی ہو۔
+اس نصاب کو بناتے ہوئے ہم نے دو تعلیمی اصول منتخب کیے ہیں: اسے ہاتھوں سے کرنے والا **پروجیکٹ پر مبنی** بنانا اور اس میں **بار بار کوئزز** شامل کرنا۔ اس کے علاوہ، اس نصاب کا ایک مشترکہ **موضوع** بھی ہے جو یکجہتی فراہم کرتا ہے۔
-یہ یقینی بنا کر کہ مواد پروجیکٹس کے ساتھ ہم آہنگ ہے، طلباء کے لیے عمل مزید مشغول کن اور تصورات کو یاد رکھنے میں اضافہ ہوگا۔ علاوہ ازیں، کلاس سے پہلے کم دباؤ والا کوئز طلباء کے سیکھنے کے جذبے کو متحرک کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز بہتر یادداشت کو یقینی بناتا ہے۔ اس نصاب کو لچکدار اور تفریحی بنانے کے لیے ڈیزائن کیا گیا ہے اور اسے مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس چھوٹے سے شروع ہوتے ہیں اور 12 ہفتوں کے دوران پیچیدہ ہوتے جاتے ہیں۔ اس نصاب میں مشین لرننگ کی حقیقی دنیا میں ایپلی کیشنز پر ایک پس اسکرپٹ بھی شامل ہے، جو اضافی کریڈٹ کے طور پر یا بحث کے لیے بنیاد کے طور پر استعمال ہو سکتا ہے۔
+مضمون کو پروجیکٹس کے ساتھ ہم آہنگ کرنے سے تدریسی عمل زیادہ دلچسپ ہو جاتا ہے اور تصورات کو یاد رکھنے میں بہتری آتی ہے۔ کلاس سے پہلے ایک کم خطرے والا کوئز طالب علم کو موضوع سیکھنے کی نیت کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور خوشگوار بنانے کے لیے ڈیزائن کیا گیا ہے اور اسے مکمل یا جزوی طور پر کیا جا سکتا ہے۔ پروجیکٹس چھوٹے سے شروع ہوتے ہیں اور 12 ہفتوں کے آخر تک پیچیدہ ہوتے جاتے ہیں۔ اس نصاب میں مشین لرننگ کی حقیقی دنیا میں استعمال پر بھی ایک پوسٹ اسکرپٹ شامل ہے، جسے اضافی کریڈٹ کے طور پر یا گفتگو کی بنیاد کے طور پر استعمال کیا جا سکتا ہے۔
-> ہمارا [آخلاقیات کا ضابطہ](CODE_OF_CONDUCT.md)، [شراکت داری کے رہنما اصول](CONTRIBUTING.md)، [ترجمے](..)، اور [مسائل کا حل](TROUBLESHOOTING.md) کے رہنما خطوط تلاش کریں۔ ہم آپ کے تعمیری فیڈبیک کا خیرمقدم کرتے ہیں!
+> ہمارے [Code of Conduct](CODE_OF_CONDUCT.md)، [Contributing](CONTRIBUTING.md)، [Translations](..)، اور [Troubleshooting](TROUBLESHOOTING.md) ہدایات تلاش کریں۔ ہم آپ کی تعمیری رائے کا خیرمقدم کرتے ہیں!
## ہر سبق میں شامل ہے
- اختیاری سکیچ نوٹ
- اختیاری ضمنی ویڈیو
-- ویڈیو واک تھرو (کچھ اسباق میں ہی)
-- [لیکچر سے پہلے کا وارم اپ کوئز](https://ff-quizzes.netlify.app/en/ml/)
+- ویڈیو واک تھرو (صرف بعض اسباق)
+- [پری لیکچر وارم اپ کوئز](https://ff-quizzes.netlify.app/en/ml/)
- تحریری سبق
-- پروجیکٹ پر مبنی اسباق کے لیے، پروجیکٹ بنانے کے مرحلہ وار رہنما
-- علم کی جانچ
+- پراجیکٹ پر مبنی اسباق کے لیے، قدم بہ قدم گائیڈز کہ کیسے پروجیکٹ بنایا جائے
+- نالج چیکس
- ایک چیلنج
- ضمنی مطالعہ
- اسائنمنٹ
-- [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ml/)
-
-> **زبانوں کے بارے میں نوٹ**: یہ اسباق بنیادی طور پر پائتھون میں لکھے گئے ہیں، لیکن کئی R میں بھی دستیاب ہیں۔ R سبق مکمل کرنے کے لیے، `/solution` فولڈر میں جائیں اور R اسباق تلاش کریں۔ یہ .rmd ایکسٹینشن کے ساتھ آتے ہیں جو ایک **R مارک ڈاؤن** فائل کو ظاہر کرتا ہے جسے آسانی سے `کوڈ چنکس` (R یا دوسری زبانوں کے) اور `YAML ہیڈر` (جو آؤٹ پٹ کو فارمیٹ کرنے میں رہنمائی کرتا ہے جیسے PDF) کو ایک `مارک ڈاؤن دستاویز` میں شامل کرنا سمجھا جا سکتا ہے۔ لہٰذا، یہ ڈیٹا سائنس کے لیے ایک مثالی مؤلفانہ فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنا کوڈ، اس کا نتیجہ، اور اپنے خیالات کو مارک ڈاؤن میں لکھنے کی اجازت دیتا ہے۔ مزید برآں، R مارک ڈاؤن دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹ میں تبدیل کیا جا سکتا ہے۔
-> **کوئزز کے بارے میں ایک نوٹ**: تمام کوئزز [Quiz App فولڈر](../../quiz-app) میں شامل ہیں، جن میں کل 52 کوئزز ہیں، ہر ایک میں تین سوالات ہیں۔ انہیں سبقوں کے اندر سے لنک کیا گیا ہے لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے؛ کوئز ایپ فولڈر میں ہدایات پر عمل کریں تاکہ اسے لوکل ہوسٹ یا Azure پر تعینات کیا جا سکے۔
-
-| درس نمبر | موضوع | درس گروپنگ | تعلیمی مقاصد | منسلک درس | مصنف |
-| :-------: | :---------------------------------------------------------: | :------------------------------------: | ---------------------------------------------------------------------------------------------------------------------------- | :---------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------: |
-| 01 | مشین لرننگ کا تعارف | [تعریف](1-Introduction/README.md) | مشین لرننگ کے بنیادی تصورات سیکھیں | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
-| 02 | مشین لرننگ کی تاریخ | [تعریف](1-Introduction/README.md) | اس میدان کی تاریخی پس منظر جانیں | [درس](1-Introduction/2-history-of-ML/README.md) | جن اور ایمی |
-| 03 | مشین لرننگ اور انصاف | [تعریف](1-Introduction/README.md) | انصاف کے اہم فلسفیانہ مسائل کیا ہیں جو طالب علموں کو ML ماڈلز بناتے اور استعمال کرتے وقت غور کرنا چاہیے؟ | [درس](1-Introduction/3-fairness/README.md) | تومومی |
-| 04 | مشین لرننگ کی تکنیکیں | [تعریف](1-Introduction/README.md) | مشین لرننگ کے ماہرین کون سی تکنیکوں کا استعمال کرتے ہیں؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | کرس اور جن |
-| 05 | ریگریشن کا تعارف | [ریگریشن](2-Regression/README.md) | ریگریشن ماڈلز کیلئے پائتھن اور سکا کٹ لرن کا آغاز کریں | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • ایرک ونجاؤ |
-| 06 | شمالی امریکہ کے کدو کے دام 🎃 | [ریگریشن](2-Regression/README.md) | مشین لرننگ کے لیے ڈیٹا کو وژوئلائز اور صاف کریں | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • ایرک ونجاؤ |
-| 07 | شمالی امریکہ کے کدو کے دام 🎃 | [ریگریشن](2-Regression/README.md) | لینیئر اور پولینومیل ریگریشن ماڈلز بنائیں | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن اور دیمتری • ایرک ونجاؤ |
-| 08 | شمالی امریکہ کے کدو کے دام 🎃 | [ریگریشن](2-Regression/README.md) | لوجسٹک ریگریشن ماڈل بنائیں | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • ایرک ونجاؤ |
-| 09 | ایک ویب ایپ 🔌 | [ویب ایپ](3-Web-App/README.md) | اپنے تربیت یافتہ ماڈل کے استعمال کے لئے ویب ایپ بنائیں | [Python](3-Web-App/1-Web-App/README.md) | جن |
-| 10 | درجہ بندی کا تعارف | [درجہ بندی](4-Classification/README.md) | ڈیٹا کو صاف، تیار اور وژوئلائز کریں؛ درجہ بندی کا تعارف | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن اور کیسی • ایرک ونجاؤ |
-| 11 | مزیدار ایشیائی اور بھارتی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | درجہ بندی کنندگان کا تعارف | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن اور کیسی • ایرک ونجاؤ |
-| 12 | مزیدار ایشیائی اور بھارتی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | مزید درجہ بندی کنندگان | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن اور کیسی • ایرک ونجاؤ |
-| 13 | مزیدار ایشیائی اور بھارتی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | اپنے ماڈل کا استعمال کرتے ہوئے ایک ریکمنڈر ویب ایپ بنائیں | [Python](4-Classification/4-Applied/README.md) | جن |
-| 14 | کلسٹرنگ کا تعارف | [کلسٹرنگ](5-Clustering/README.md) | اپنے ڈیٹا کو صاف، تیار اور وژوئلائز کریں؛ کلسٹرنگ کا تعارف | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • ایرک ونجاؤ |
-| 15 | نائیجیرین موسیقی ذائقے کا جائزہ 🎧 | [کلسٹرنگ](5-Clustering/README.md) | K-میانز کلسٹرنگ طریقہ کار کو دریافت کریں | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • ایرک ونجاؤ |
-| 16 | قدرتی زبان کی پراسیسنگ کا تعارف ☕️ | [قدرتی زبان کی پراسیسنگ](6-NLP/README.md) | ایک سادہ بوٹ بنا کر NLP کی بنیادی باتیں سیکھیں | [Python](6-NLP/1-Introduction-to-NLP/README.md) | اسٹیفن |
-| 17 | عام NLP کے کام ☕️ | [قدرتی زبان کی پراسیسنگ](6-NLP/README.md) | زبان کی ساختوں سے نمٹنے کے لیے درکار عام کاموں کو سمجھ کر اپنے NLP کا علم گہرا کریں | [Python](6-NLP/2-Tasks/README.md) | اسٹیفن |
-| 18 | ترجمہ اور جذباتی تجزیہ ♥️ | [قدرتی زبان کی پراسیسنگ](6-NLP/README.md) | جین آسٹن کے ساتھ ترجمہ اور جذباتی تجزیہ | [Python](6-NLP/3-Translation-Sentiment/README.md) | اسٹیفن |
-| 19 | یورپ کے رومانوی ہوٹلز ♥️ | [قدرتی زبان کی پراسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | اسٹیفن |
-| 20 | یورپ کے رومانوی ہوٹلز ♥️ | [قدرتی زبان کی پراسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | اسٹیفن |
-| 21 | وقت کی سیریز کی پیشن گوئی کا تعارف | [وقت کی سیریز](7-TimeSeries/README.md) | وقت کی سیریز کی پیشن گوئی کا تعارف | [Python](7-TimeSeries/1-Introduction/README.md) | فرانسسکا |
-| 22 | ⚡️ عالمی بجلی کا استعمال ⚡️ - ARIMA کے ساتھ وقت کی پیشن گوئی | [وقت کی سیریز](7-TimeSeries/README.md) | ARIMA کے ساتھ وقت کی سیریز کی پیشن گوئی | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانسسکا |
-| 23 | ⚡️ عالمی بجلی کا استعمال ⚡️ - SVR کے ساتھ وقت کی پیشن گوئی | [وقت کی سیریز](7-TimeSeries/README.md) | سپورٹ ویکٹر ریگریسر کے ساتھ وقت کی سیریز کی پیشن گوئی | [Python](7-TimeSeries/3-SVR/README.md) | انربن |
-| 24 | تقویتی تعلیم کا تعارف | [تقویتی تعلیم](8-Reinforcement/README.md) | Q-لرننگ کے ساتھ تقویتی تعلیم کا تعارف | [Python](8-Reinforcement/1-QLearning/README.md) | دیمتری |
-| 25 | پیٹر کو بھیڑیا سے بچائیں! 🐺 | [تقویتی تعلیم](8-Reinforcement/README.md) | تقویتی تعلیم جیم | [Python](8-Reinforcement/2-Gym/README.md) | دیمتری |
-| پوسٹ اسکرپٹ | حقیقی دنیا کے ML منظرنامے اور اطلاقات | [ML in the Wild](9-Real-World/README.md) | کلاسیکی مشین لرننگ کی دلچسپ اور انکشاف کرنے والی حقیقی دنیا کی درخواستیں | [درس](9-Real-World/1-Applications/README.md) | ٹیم |
-| پوسٹ اسکرپٹ | RAI ڈیش بورڈ کے ذریعے ML ماڈل کی ڈیبگنگ | [ML in the Wild](9-Real-World/README.md) | Responsible AI ڈیش بورڈ اجزاء کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی ڈیبگنگ | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روتھ یاکوبو |
-
-> [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)
+- [پوسٹ لیکچر کوئز](https://ff-quizzes.netlify.app/en/ml/)
+> **زبانوں کے بارے میں ایک نوٹ**: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے R میں بھی دستیاب ہیں۔ ایک R سبق مکمل کرنے کے لیے، `/solution` فولڈر میں جائیں اور R اسباق تلاش کریں۔ ان میں .rmd توسیع شامل ہوتی ہے جو ایک **R Markdown** فائل کی نمائندگی کرتی ہے جسے آسانی سے `code chunks` (R یا دیگر زبانوں کے) اور `YAML header` (جو آؤٹ پٹس جیسے پی ڈی ایف کی فارمیٹنگ کے لیے رہنمائی کرتا ہے) کو `Markdown document` میں شامل کرنے کے طور پر بیان کیا جاسکتا ہے۔ اس طرح، یہ ڈیٹا سائنس کے لیے ایک مثالی مصنف فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو کوڈ، اس کا آؤٹ پٹ، اور آپ کے خیالات کو Markdown میں لکھنے کی سہولت دیتا ہے۔ مزید برآں، R Markdown دستاویزات کو پی ڈی ایف، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیا جا سکتا ہے۔
+
+> **کوئزز کے بارے میں ایک نوٹ**: تمام کوئزز [Quiz App فولڈر](../../quiz-app) میں موجود ہیں، کل 52 کوئزز تین سوالات کے ساتھ۔ یہ اسباق کے اندر سے لنک کی گئی ہیں لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے؛ `quiz-app` فولڈر میں ہدایات پر عمل کریں تاکہ لوکل ہوسٹ کریں یا Azure پر ڈپلائے کریں۔
+
+| سبق نمبر | موضوع | سبق کی گروپ بندی | 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 بنیادی تاریخ سیکھیں | [سبق](1-Introduction/2-history-of-ML/README.md) | جین اور ایمی |
+| 03 | مشین لرننگ اور انصاف | [تعارف](1-Introduction/README.md) | انصاف کے اہم فلسفیانہ مسائل کیا ہیں جنہیں طلبہ کو مشین لرننگ ماڈلز بنانے اور لاگو کرنے میں مدنظر رکھنا چاہیے؟ | [سبق](1-Introduction/3-fairness/README.md) | ٹومومی |
+| 04 | مشین لرننگ کے طریقے | [تعارف](1-Introduction/README.md) | مشین لرننگ محققین مشین لرننگ ماڈلز بنانے کے لیے کیا تکنیک 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 وانجاو |
+| 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 وانجاو |
+| 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 وانجاو |
+| 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 وانجاو |
+| 09 | ایک ویب ایپ 🔌 | [ویب ایپ](3-Web-App/README.md) | اپنے تربیت یافتہ ماڈل کو استعمال کرنے کے لیے ایک ویب ایپ بنائیں | [Python](3-Web-App/1-Web-App/README.md) | جین |
+| 10 | درجہ بندی کا تعارف | [درجہ بندی](4-Classification/README.md) | اپنے ڈیٹا کو صاف کریں، تیار کریں، 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 وانجاو |
+| 11 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | درجہ بند کرنے والوں 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 وانجاو |
+| 12 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | مزید درجہ بند کرنے والے | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جین اور کیسی • ایرک وانجاو |
+| 13 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | اپنے ماڈل کا استعمال کرتے ہوئے ایک تجویز کنندہ ویب ایپ بنائیں | [Python](4-Classification/4-Applied/README.md) | جین |
+| 14 | جماعت بندی کا تعارف | [جماعت بندی](5-Clustering/README.md) | اپنے ڈیٹا کو صاف کریں، تیار کریں، اور دیکھیں؛ جماعت بندی کا تعارف | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جین • ایرک وانجاو |
+| 15 | نائجیریائی موسیقی کا ذائقہ تلاش کرنا 🎧 | [جماعت بندی](5-Clustering/README.md) | K-میانز جماعت بندی کے طریقہ کار کو دریافت کریں | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جین • ایرک وانجاو |
+| 16 | قدرتی زبان کی پروسیسنگ کا تعارف ☕️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | ایک سادہ بوٹ بنا کر NLP کی بنیادی باتیں سیکھیں | [Python](6-NLP/1-Introduction-to-NLP/README.md) | اسٹیفن |
+| 17 | عام NLP کے کام ☕️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | زبان کی ساختوں سے نمٹنے کے لیے درکار عام کاموں کو سمجھ کر NLP کے علم کو گہرا کریں | [Python](6-NLP/2-Tasks/README.md) | اسٹیفن |
+| 18 | ترجمہ اور جذباتی تجزیہ ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | جین آسٹن کے ساتھ ترجمہ اور جذباتی تجزیہ | [Python](6-NLP/3-Translation-Sentiment/README.md) | اسٹیفن |
+| 19 | یورپ کے رومانوی 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 رومانوی 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 | وقت کی سیریز کی پیش گوئی کا تعارف | [وقت کی سیریز](7-TimeSeries/README.md) | وقت کی سیریز کی پیش گوئی کا تعارف | [Python](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 | [Python](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 | [Python](7-TimeSeries/3-SVR/README.md) | انربن |
+| 24 | مضبوطی سے سیکھنے کا تعارف | [مضبوطی سے سیکھنا](8-Reinforcement/README.md) | Q-Learning کے ساتھ مضبوطی سے سیکھنے کا تعارف | [Python](8-Reinforcement/1-QLearning/README.md) | دمتری |
+| 25 | پیٹر کو بھیڑیے سے بچائیں! 🐺 | [مضبوطی سے سیکھنا](8-Reinforcement/README.md) | مضبوطی سے سیکھنے کا جِم | [Python](8-Reinforcement/2-Gym/README.md) | دمتری |
+| پوسٹ اسکرپٹ | حقیقی دنیا کے مشین لرننگ کے منظرنامے اور ایپلیکیشنز | [جنگل میں مشین لرننگ](9-Real-World/README.md) | کلاسیکی مشین لرننگ کی دلچسپ اور انکشاف کرنے والی حقیقی دنیا کی ایپلیکیشنز | [سبق](9-Real-World/1-Applications/README.md) | ٹیم |
+| پوسٹ اسکرپٹ | RAI ڈیش بورڈ کے ذریعے مشین لرننگ ماڈل کی ڈیبگنگ | [جنگل میں مشین لرننگ](9-Real-World/README.md) | ریسپانسبل AI ڈیش بورڈ کے اجزاء کے ذریعے مشین لرننگ ماڈل کی ڈیبگنگ | [سبق](9-Real-World/2-Debugging-ML-Models/README.md) | روتھ یاکوبو |
+
+> [اس کورس کے لیے تمام اضافی وسائل ہمارے Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## آف لائن رسائی
-آپ اس دستاویز کو آف لائن [Docsify](https://docsify.js.org/#/) کے استعمال سے چلا سکتے ہیں۔ اس ریپو کو فورک کریں، اپنی مقامی مشین پر [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart)، پھر اس ریپو کے روٹ فولڈر میں `docsify serve` ٹائپ کریں۔ یہ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر دستیاب ہوگی: `localhost:3000`.
+آپ اس دستاویز کو آف لائن [Docsify](https://docsify.js.org/#/) کے ذریعے چلا سکتے ہیں۔ اس ریپوزٹری کو فورک کریں، اپنی مقامی مشین پر [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart)، اور پھر اس ریپوزٹری کے روٹ فولڈر میں `docsify serve` ٹائپ کریں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر سرور ہوگی: `localhost:3000`۔
## پی ڈی ایفز
-کریکولم کا پی ڈی ایف فائل لنکس کے ساتھ [یہاں](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) تلاش کریں۔
+نصاب کی پی ڈی ایف لنکس کے ساتھ یہاں تلاش کریں [یہاں](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)۔
-## 🎒 دیگر کورسز
+## 🎒 دیگر کورسز
-ہماری ٹیم دیگر کورسز بھی تیار کرتی ہے! جانچ کریں:
+ہماری ٹیم دیگر کورسز بھی تیار کرتی ہے! چیک کریں:
### LangChain
-[](https://aka.ms/langchain4j-for-beginners)
-[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
-[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[](https://aka.ms/langchain4j-for-beginners)
+[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
-### Azure / Edge / MCP / Agents
-[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+### Azure / Edge / MCP / ایجنٹس
+[](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)
+
+### جنریٹو اے آئی سیریز
+[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
+[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### بنیادی تعلیم
-[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
-[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](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://github.com/microsoft/CopilotAdventures?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://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
-## مدد حاصل کرنا
+## مدد لینا
-اگر آپ پھنس جائیں یا AI ایپس بنانے کے بارے میں کوئی سوالات ہوں۔ ساتھی سیکھنے والوں اور تجربہ کار ڈویلپرز کے ساتھ MCP پر گفتگو 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 جائیں یا AI ایپس بنانے کے بارے میں کوئی سوال ہو تو۔ MCP کے بارے میں بحث میں شریک سیکھنے والوں اور تجربہ کار ڈیولپرز سے جڑیں۔ یہ ایک معاون کمیونٹی ہے جہاں سوالات خوش آمدید ہیں اور علم کھلے دل سے شیئر کیا جاتا ہے۔
-[](https://discord.gg/nTYy5BXMWG)
+[](https://discord.gg/nTYy5BXMWG)
-اگر آپ کے پاس پروڈکٹ کا تاثرات یا تعمیر کے دوران غلطیاں ہوں تو یہاں جائیں:
+اگر آپ کے پاس پروڈکٹ فیڈ بیک یا بلڈنگ کے دوران غلطیاں ہوں تو یہاں دیکھیں:
-[](https://aka.ms/foundry/forum)
-## اضافی سیکھنے کے نکات
+[](https://aka.ms/foundry/forum)
+## اضافی تعلیمی نکات
-- ہر سبق کے بعد نوٹ بکس کا جائزہ لیں تاکہ بہتر سمجھ ہو۔
-- الگورتھمز کو خود سے لاگو کرنے کی مشق کریں۔
-- سیکھی گئی تصورات کا استعمال کرتے ہوئے حقیقی دنیا کے ڈیٹا سیٹس کو دریافت کریں۔
+- ہر سبق کے بعد نوٹ بکس کا جائزہ لیں تاکہ سمجھ بوجھ بہتر ہو۔
+- الگورتھمز کو خود سے نافذ کرنے کی مشق کریں۔
+- سیکھے گئے تصورات کو استعمال کرتے ہوئے حقیقی دنیا کے ڈیٹا سیٹس کو دریافت کریں۔
---
-**اعلانِ دستبرداری**:
-یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم نوٹ کریں کہ خودکار تراجم میں غلطیاں یا عدم صحت ہو سکتی ہے۔ اصل دستاویز اپنی مادری زبان میں 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 تشریح کی ذمہ داری ہم پر نہیں ہوگی۔
+**ہیلے**:
+یہ دستاویز مصنوعی ذہانت کی ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کے ذریعے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار تراجم میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی مادری زبان میں معتبر ماخذ سمجھا جانا چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے ہونے والی کسی بھی غلط فہمی یا غلط تعبیر کی ذمہ داری ہم پر عائد نہیں ہوتی۔
\ No newline at end of file
diff --git a/translations/zh-CN/.co-op-translator.json b/translations/zh-CN/.co-op-translator.json
index 7c4d66024..c2c788f54 100644
--- a/translations/zh-CN/.co-op-translator.json
+++ b/translations/zh-CN/.co-op-translator.json
@@ -552,8 +552,8 @@
"language_code": "zh-CN"
},
"README.md": {
- "original_hash": "f7d55bf70beaab82d4621c0860301a64",
- "translation_date": "2026-03-17T09:25:07+00:00",
+ "original_hash": "7fb48097f57e680b380cd9aae988d317",
+ "translation_date": "2026-04-06T16:23:52+00:00",
"source_file": "README.md",
"language_code": "zh-CN"
},
diff --git a/translations/zh-CN/README.md b/translations/zh-CN/README.md
index a868fd829..b4784e39f 100644
--- a/translations/zh-CN/README.md
+++ b/translations/zh-CN/README.md
@@ -13,11 +13,11 @@
#### 通过 GitHub Action 支持（自动且始终保持最新）
-[阿拉伯语](../ar/README.md) | [孟加拉语](../bn/README.md) | [保加利亚语](../bg/README.md) | [缅甸语 (Myanmar)](../my/README.md) | [中文 (简体)](./README.md) | [中文 (繁体，香港)](../zh-HK/README.md) | [中文 (繁体，澳门)](../zh-MO/README.md) | [中文 (繁体，台湾)](../zh-TW/README.md) | [克罗地亚语](../hr/README.md) | [捷克语](../cs/README.md) | [丹麦语](../da/README.md) | [荷兰语](../nl/README.md) | [爱沙尼亚语](../et/README.md) | [芬兰语](../fi/README.md) | [法语](../fr/README.md) | [德语](../de/README.md) | [希腊语](../el/README.md) | [希伯来语](../he/README.md) | [印地语](../hi/README.md) | [匈牙利语](../hu/README.md) | [印尼语](../id/README.md) | [意大利语](../it/README.md) | [日语](../ja/README.md) | [卡纳达语](../kn/README.md) | [韩语](../ko/README.md) | [立陶宛语](../lt/README.md) | [马来语](../ms/README.md) | [马拉雅拉姆语](../ml/README.md) | [马拉地语](../mr/README.md) | [尼泊尔语](../ne/README.md) | [尼日利亚皮钦语](../pcm/README.md) | [挪威语](../no/README.md) | [波斯语 (法尔斯语)](../fa/README.md) | [波兰语](../pl/README.md) | [葡萄牙语 (巴西)](../pt-BR/README.md) | [葡萄牙语 (葡萄牙)](../pt-PT/README.md) | [旁遮普语 (古鲁穆奇)](../pa/README.md) | [罗马尼亚语](../ro/README.md) | [俄语](../ru/README.md) | [塞尔维亚语 (西里尔字母)](../sr/README.md) | [斯洛伐克语](../sk/README.md) | [斯洛文尼亚语](../sl/README.md) | [西班牙语](../es/README.md) | [斯瓦希里语](../sw/README.md) | [瑞典语](../sv/README.md) | [塔加洛语 (菲律宾语)](../tl/README.md) | [泰米尔语](../ta/README.md) | [泰卢固语](../te/README.md) | [泰语](../th/README.md) | [土耳其语](../tr/README.md) | [乌克兰语](../uk/README.md) | [乌尔都语](../ur/README.md) | [越南语](../vi/README.md)
+[阿拉伯语](../ar/README.md) | [孟加拉语](../bn/README.md) | [保加利亚语](../bg/README.md) | [缅甸语 (Myanmar)](../my/README.md) | [中文（简体）](./README.md) | [中文（繁体，香港）](../zh-HK/README.md) | [中文（繁体，澳门）](../zh-MO/README.md) | [中文（繁体，台湾）](../zh-TW/README.md) | [克罗地亚语](../hr/README.md) | [捷克语](../cs/README.md) | [丹麦语](../da/README.md) | [荷兰语](../nl/README.md) | [爱沙尼亚语](../et/README.md) | [芬兰语](../fi/README.md) | [法语](../fr/README.md) | [德语](../de/README.md) | [希腊语](../el/README.md) | [希伯来语](../he/README.md) | [印地语](../hi/README.md) | [匈牙利语](../hu/README.md) | [印尼语](../id/README.md) | [意大利语](../it/README.md) | [日语](../ja/README.md) | [卡纳达语](../kn/README.md) | [高棉语](../km/README.md) | [韩语](../ko/README.md) | [立陶宛语](../lt/README.md) | [马来语](../ms/README.md) | [马拉雅拉姆语](../ml/README.md) | [马拉地语](../mr/README.md) | [尼泊尔语](../ne/README.md) | [尼日利亚皮钦语](../pcm/README.md) | [挪威语](../no/README.md) | [波斯语（法尔西）](../fa/README.md) | [波兰语](../pl/README.md) | [葡萄牙语（巴西）](../pt-BR/README.md) | [葡萄牙语（葡萄牙）](../pt-PT/README.md) | [旁遮普语（古鲁穆奇）](../pa/README.md) | [罗马尼亚语](../ro/README.md) | [俄语](../ru/README.md) | [塞尔维亚语（西里尔文）](../sr/README.md) | [斯洛伐克语](../sk/README.md) | [斯洛文尼亚语](../sl/README.md) | [西班牙语](../es/README.md) | [斯瓦希里语](../sw/README.md) | [瑞典语](../sv/README.md) | [他加禄语（菲律宾语）](../tl/README.md) | [泰米尔语](../ta/README.md) | [泰卢固语](../te/README.md) | [泰语](../th/README.md) | [土耳其语](../tr/README.md) | [乌克兰语](../uk/README.md) | [乌尔都语](../ur/README.md) | [越南语](../vi/README.md)
-> **更喜欢本地克隆？**
+> **更喜欢本地克隆吗？**
>
-> 本仓库包括50多种语言的翻译，极大增加了下载大小。若想不包含翻译地克隆，使用稀疏检出：
+> 本仓库包含 50 多种语言的翻译，显著增加了下载大小。要克隆时不包含翻译，请使用稀疏检出：
>
> **Bash / macOS / Linux:**
> ```bash
@@ -33,62 +33,62 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
-> 这能让你以更快的速度下载完整课程所需内容。
+> 这样可以让您获得完成课程所需的全部内容，同时下载速度更快。
#### 加入我们的社区
[](https://discord.gg/nTYy5BXMWG)
-我们正在举办 Discord 上与 AI 学习相关的系列活动，了解更多并加入我们，时间为2025年9月18日至30日，详见 [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。
+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，网址为 [Learn with AI Series](https://aka.ms/learnwithai/discord)。您将获得使用 GitHub Copilot 进行数据科学的小贴士和技巧。
# 初学者机器学习课程
-> 🌍 通过世界文化探索机器学习，环游全球之旅 🌍
+> 🌍 通过探索世界文化来环游世界，学习机器学习 🌍
-微软的云倡导团队很高兴推出一个为期12周、包含26课的机器学习课程。在此课程中，你将学习通常称为**经典机器学习**的内容，主要使用Scikit-learn库，并避免深度学习，后者在我们的[AI初学者课程](https://aka.ms/ai4beginners)中覆盖。同学们还可以搭配使用我们的[数据科学初学者课程](https://aka.ms/ds4beginners)。
+微软云倡导者团队很高兴提供一个为期12周、包含26课的机器学习课程。在本课程中，您将学习有时称为经典机器学习的内容，主要使用 Scikit-learn 作为库，避免深度学习内容，后者涵盖在我们的[初学者人工智能课程](https://aka.ms/ai4beginners)中。也可搭配我们的[初学者数据科学课程](https://aka.ms/ds4beginners)一起学习。
-跟随我们环游世界，将这些经典技术应用于来自全球各地的数据。每课包含课前和课后测验、详细的完成指引、解答、作业等。我们基于项目的教学方法让你边学边做，这是一种验证有效的新技能固化方法。
+与我们一起环游世界，将这些经典技术应用于来自世界各地的数据。每节课包含课前和课后测验、书面指令完成课程、解决方案、作业等。我们的项目式教学方法让您在实践中学习，这是一种经过验证的新技能“固化”方式。
-**✍️ 衷心感谢我们的作者** Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 和 Amy Boyd
+**✍️ 感谢我们的作者** Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 和 Amy Boyd
**🎨 也感谢我们的插画师** Tomomi Imura、Dasani Madipalli 和 Jen Looper
-**🙏 特别感谢 🙏 我们的微软学生大使作者、审稿人和内容贡献者**，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal
+**🙏 特别感谢 🙏 微软学生大使作者、审阅者和内容贡献者**，特别是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal
-**🤩 额外感谢微软学生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 对我们的 R 课的贡献！**
+**🤩 额外感谢微软学生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 提供的 R 语言课程！**
-# 入门
+# 开始使用
-按以下步骤操作：
-1. **Fork 仓库**: 点击本页面右上角的“Fork”按钮。
-2. **克隆仓库**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
+按照以下步骤操作：
+1. **Fork 仓库**：点击本页面右上角的“Fork”按钮。
+2. 克隆仓库：`git clone https://github.com/microsoft/ML-For-Beginners.git`
-> [在我们的 Microsoft Learn 专栏找到本课程的所有附加资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> [在我们的 Microsoft Learn 集合中查找本课程的所有附加资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
-> 🔧 **需要帮助？** 查阅我们的[故障排除指南](TROUBLESHOOTING.md)解决安装、设置和课程运行中的常见问题。
+> 🔧 **需要帮助？** 请查看我们的[故障排除指南](TROUBLESHOOTING.md)，获得有关安装、设置和运行课程的常见问题解决方案。
-**[学生](https://aka.ms/student-page)**，使用本课程时，请将整个仓库 Fork 到你的 GitHub 账号，并独立或组队完成练习：
+**[学生](https://aka.ms/student-page)**，使用本课程，请 fork 整个仓库到您自己的 GitHub 账户，并自行或与小组一起完成练习：
-- 先进行课前测验。
-- 阅读课程内容并完成活动，在每个知识点检测时暂停并思考。
-- 力求通过理解课程内容自行创建项目，而非直接运行示范代码；但这些代码可在每个面向项目的课程的 `/solution` 文件夹找到。
+- 从课前测验开始。
+- 阅读课程并完成活动，每个知识点暂停并反思。
+- 尽量通过理解课程内容自己完成项目，而不是直接运行解决方案代码；不过每个基于项目的课程中的 `/solution` 文件夹提供了参考代码。
- 参加课后测验。
- 完成挑战。
- 完成作业。
-- 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“响亮地学习”。PAT 是一个进度评估工具，是你填写以促进学习的评分表。你也可以对其他人的 PAT 进行回应，共同学习。
+- 完成一个课程组后，访问[讨论区](https://github.com/microsoft/ML-For-Beginners/discussions)，通过填写相应的 PAT 评分表来“实时学习”。“PAT”是进度评估工具，是您填写以促进学习的评分表。您也可以对其他人的 PAT 做出反应，以便我们一起学习。
-> 若想进一步学习，我们推荐遵循这些[Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott)模块和学习路径。
+> 进一步学习，我们推荐遵循这些[Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott)模块和学习路径。
-**教师**，我们提供了[一些建议](for-teachers.md)说明如何使用本课程。
+教师们，我们提供了[一些建议](for-teachers.md)来指导如何使用本课程。
---
## 视频讲解
-部分课程提供短视频版。你可在课程内嵌部分观看，或登录 [微软开发者YouTube频道的ML初学者播放列表](https://aka.ms/ml-beginners-videos)观看，点击下图即可。
+部分课程提供短视频。您可以在课程中内嵌观看，也可通过点击下面图片观看[Microsoft 开发者 YouTube 频道上的 ML for Beginners 播放列表](https://aka.ms/ml-beginners-videos)。
[](https://aka.ms/ml-beginners-videos)
@@ -98,80 +98,80 @@
[](https://youtu.be/Tj1XWrDSYJU)
-**Gif 作者** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
+**动图制作者：** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
-> 🎥 点击上图观看项目及其创作者的视频介绍！
+> 🎥 点击上方图片观看关于项目及其创始成员的视频！
---
## 教学理念
-我们设计本课程时，采用两个教学原则：确保它是实践性的**基于项目的**，以及包含**频繁的小测验**。此外，本课程还有统一的**主题**以保证连贯性。
+我们在构建课程时选择了两个教育原则：确保课程是动手项目式教学，并且包含频繁的小测。此外，本课程采用了一个统一的主题，以保持课程的连贯性。
-通过保证内容与项目相匹配，学生学习过程更具参与感，概念的保留率也得以提升。课堂前的低风险测验能设定学习意图，课后的测验则确保了更深入的记忆。本课程设计灵活有趣，可整体或部分学习。项目从小到大，难度逐步提升，覆盖12周周期。课程还提供了关于机器学习实际应用的注记，可作为额外加分或讨论基础。
+通过确保内容与项目紧密对应，使学习过程更具吸引力，提升概念记忆。课前的低风险测验帮助学生设定学习目标，课后的测验则促进进一步巩固。本课程设计灵活有趣，既可整体学习，也可部分选学。项目从基础开始，随着12周课程进度逐渐复杂。课程最后还有一个关于机器学习真实应用的附录，可用于加分或者讨论基础。
-> 请查阅我们的[行为准则](CODE_OF_CONDUCT.md)、[贡献指南](CONTRIBUTING.md)、[翻译](..)及[故障排除](TROUBLESHOOTING.md)页面。我们欢迎你的建设性反馈！
+> 查看我们的[行为准则](CODE_OF_CONDUCT.md)、[贡献指南](CONTRIBUTING.md)、[翻译](..)和[故障排除](TROUBLESHOOTING.md)准则。欢迎您的建设性反馈！
-## 每节课包括
+## 每个课程包括
-- 可选草图笔记
-- 可选补充视频
-- 视频讲解（部分课程提供）
-- [课前热身测验](https://ff-quizzes.netlify.app/en/ml/)
-- 书面课程内容
-- 面向项目课程的分步骤项目构建指南
+- 可选的手绘笔记
+- 可选的补充视频
+- 视频讲解（部分课程）
+- [课前预热测验](https://ff-quizzes.netlify.app/en/ml/)
+- 书面教学内容
+- 针对项目课程，逐步指导如何构建项目
- 知识点检测
-- 一个挑战
-- 补充阅读
+- 一项挑战
+- 补充阅读材料
- 作业
- [课后测验](https://ff-quizzes.netlify.app/en/ml/)
-
-> **关于语言的提示**：这些课程主要使用 Python 编写，但许多也提供 R 版本。完成 R 课程可前往 `/solution` 文件夹查找带有 `.rmd` 扩展名的文件，这代表**R Markdown** 文件，简而言之，是在`Markdown`文档中嵌入`代码块`（R 或其他语言）和`YAML头部`（指导如何格式化输出如 PDF）。因此，R Markdown 是数据科学创作的优秀框架，允许你结合代码、输出结果和注释，以 Markdown 格式书写。R Markdown 文档还可渲染为 PDF、HTML 或 Word 等输出格式。
-> **关于测验的说明**：所有测验都包含在[Quiz App文件夹](../../quiz-app)中，共52个测验，每个测验包含三个问题。它们在课程中有链接，但测验应用程序可以本地运行；请按照`quiz-app`文件夹中的说明在本地托管或部署到Azure。
-
-| 课程编号 | 主题 | 课程分组 | 学习目标 | 关联课程 | 作者 |
-| :-------: | :-------------------------------------------------------------: | :-------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: |
-| 01 | 机器学习简介 | [Introduction](1-Introduction/README.md) | 了解机器学习的基本概念 | [课程](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
-| 02 | 机器学习的历史 | [Introduction](1-Introduction/README.md) | 了解该领域的历史背景 | [课程](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
-| 03 | 公平性与机器学习 | [Introduction](1-Introduction/README.md) | 学生在构建和应用机器学习模型时应考虑的有关公平性的重要哲学问题 | [课程](1-Introduction/3-fairness/README.md) | Tomomi |
-| 04 | 机器学习技术 | [Introduction](1-Introduction/README.md) | 机器学习研究人员用来构建模型的技术有哪些 | [课程](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
-| 05 | 回归简介 | [Regression](2-Regression/README.md) | 开始使用Python和Scikit-learn进行回归模型 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
-| 06 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 可视化和清理数据以准备机器学习 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
-| 07 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建线性和多项式回归模型 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
-| 08 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建逻辑回归模型 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
-| 09 | Web 应用 🔌 | [Web App](3-Web-App/README.md) | 构建用于使用已训练模型的网页应用 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
-| 10 | 分类简介 | [Classification](4-Classification/README.md) | 清理、准备并可视化数据；分类简介 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
-| 11 | 美味的亚洲和印度菜肴 🍜 | [Classification](4-Classification/README.md) | 分类器简介 | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
-| 12 | 美味的亚洲和印度菜肴 🍜 | [Classification](4-Classification/README.md) | 更多分类器 | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
-| 13 | 美味的亚洲和印度菜肴 🍜 | [Classification](4-Classification/README.md) | 使用你的模型构建推荐网页应用 | [Python](4-Classification/4-Applied/README.md) | Jen |
-| 14 | 聚类简介 | [Clustering](5-Clustering/README.md) | 清理、准备并可视化数据；聚类简介 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
-| 15 | 探索尼日利亚音乐品味 🎧 | [Clustering](5-Clustering/README.md) | 探索K均值聚类方法 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
-| 16 | 自然语言处理简介 ☕️ | [Natural language processing](6-NLP/README.md) | 通过构建简单机器人学习NLP基础知识 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
-| 17 | 常见的NLP任务 ☕️ | [Natural language processing](6-NLP/README.md) | 通过理解处理语言结构所需的常见任务深化你的NLP知识 | [Python](6-NLP/2-Tasks/README.md) | Stephen |
-| 18 | 翻译和情感分析 ♥️ | [Natural language processing](6-NLP/README.md) | 利用简·奥斯汀作品进行翻译和情感分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
-| 19 | 浪漫的欧洲酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 通过酒店评论进行情感分析1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
-| 20 | 浪漫的欧洲酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 通过酒店评论进行情感分析2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
-| 21 | 时间序列预测简介 | [Time series](7-TimeSeries/README.md) | 时间序列预测简介 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
-| 22 | ⚡️ 世界电力使用 ⚡️ - 使用ARIMA的时间序列预测 | [Time series](7-TimeSeries/README.md) | 使用ARIMA进行时间序列预测 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
-| 23 | ⚡️ 世界电力使用 ⚡️ - 使用SVR的时间序列预测 | [Time series](7-TimeSeries/README.md) | 使用支持向量回归进行时间序列预测 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
-| 24 | 强化学习简介 | [Reinforcement learning](8-Reinforcement/README.md) | 使用Q学习进行强化学习简介 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
-| 25 | 帮助彼得躲避狼！🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 强化学习Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
-| 后记 | 现实中的机器学习场景与应用 | [ML in the Wild](9-Real-World/README.md) | 经典机器学习在现实中的有趣且发人深省的应用 | [课程](9-Real-World/1-Applications/README.md) | 团队 |
-| 后记 | 使用RAI仪表盘对机器学习模型进行调试 | [ML in the Wild](9-Real-World/README.md) | 使用Responsible AI仪表盘组件进行机器学习模型调试 | [课程](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
-
-> [在我们的Microsoft Learn集合中查找本课程的所有额外资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> 关于语言的说明：这些课程主要使用 Python 编写，但许多课程也提供了 R 版本。要完成 R 课程，请访问 `/solution` 文件夹并查找 R 课程。它们包含一个 .rmd 后缀，表示一个 **R Markdown** 文件，简单来说，它是一个在 `Markdown 文档` 中嵌入 `代码块`（R 或其他语言）和 `YAML 头部`（指导如何格式化输出，如 PDF）的文件。因此，它作为数据科学的示例性创作框架，因为它允许你将代码、代码输出和想法整合在一起，通过 Markdown 进行书写。此外，R Markdown 文档可以渲染成 PDF、HTML 或 Word 等输出格式。
+
+> 关于测验的说明：所有测验都包含在 [Quiz App folder](../../quiz-app) 中，全部有 52 个测验，每个测验包含三个问题。它们在课程中有链接，但测验应用可以本地运行；请按照 `quiz-app` 文件夹中的说明进行本地托管或部署到 Azure。
+
+| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author |
+| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
+| 01 | 机器学习简介 | [Introduction](1-Introduction/README.md) | 学习机器学习背后的基本概念 | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
+| 02 | 机器学习的历史 | [Introduction](1-Introduction/README.md) | 学习该领域背后的历史 | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
+| 03 | 公平性与机器学习 | [Introduction](1-Introduction/README.md) | 当学生构建和应用机器学习模型时，应该考虑哪些重要的有关公平性的哲学问题？ | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
+| 04 | 机器学习技术 | [Introduction](1-Introduction/README.md) | 机器学习研究人员用什么技术来构建机器学习模型？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
+| 05 | 回归简介 | [Regression](2-Regression/README.md) | 使用 Python 和 Scikit-learn 开始回归模型 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
+| 06 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 数据的可视化与清理以为机器学习做准备 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
+| 07 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建线性与多项式回归模型 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
+| 08 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建逻辑回归模型 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
+| 09 | 一个 Web 应用 🔌 | [Web App](3-Web-App/README.md) | 构建一个用来使用你训练好的模型的 Web 应用 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
+| 10 | 分类简介 | [Classification](4-Classification/README.md) | 清理、准备并可视化你的数据；分类简介 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
+| 11 | 美味的亚洲和印度美食 🍜 | [Classification](4-Classification/README.md) | 分类器简介 | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
+| 12 | 美味的亚洲和印度美食 🍜 | [Classification](4-Classification/README.md) | 更多分类器 | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
+| 13 | 美味的亚洲和印度美食 🍜 | [Classification](4-Classification/README.md) | 使用你的模型构建推荐器 Web 应用 | [Python](4-Classification/4-Applied/README.md) | Jen |
+| 14 | 聚类简介 | [Clustering](5-Clustering/README.md) | 清理、准备并可视化你的数据；聚类简介 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
+| 15 | 探索尼日利亚的音乐品味 🎧 | [Clustering](5-Clustering/README.md) | 探索 K-均值聚类方法 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
+| 16 | 自然语言处理简介 ☕️ | [Natural language processing](6-NLP/README.md) | 通过构建一个简单的机器人学习自然语言处理基础 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
+| 17 | 常见的 NLP 任务 ☕️ | [Natural language processing](6-NLP/README.md) | 通过理解处理语言结构时所需的常见任务，深化你的自然语言处理知识 | [Python](6-NLP/2-Tasks/README.md) | Stephen |
+| 18 | 翻译与情感分析 ♥️ | [Natural language processing](6-NLP/README.md) | 使用简·奥斯汀进行翻译和情感分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
+| 19 | 欧洲浪漫酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 酒店评论情感分析 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
+| 20 | 欧洲浪漫酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 酒店评论情感分析 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
+| 21 | 时间序列预测简介 | [Time series](7-TimeSeries/README.md) | 时间序列预测简介 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
+| 22 | ⚡️ 世界电力使用 ⚡️ - 使用 ARIMA 的时间序列预测 | [Time series](7-TimeSeries/README.md) | 使用 ARIMA 进行时间序列预测 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
+| 23 | ⚡️ 世界电力使用 ⚡️ - 使用 SVR 的时间序列预测 | [Time series](7-TimeSeries/README.md) | 使用支持向量回归进行时间序列预测 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
+| 24 | 强化学习简介 | [Reinforcement learning](8-Reinforcement/README.md) | 使用 Q 学习进行强化学习简介 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
+| 25 | 帮助彼得躲避狼！ 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 强化学习 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
+| Postscript | 现实世界的机器学习场景与应用 | [ML in the Wild](9-Real-World/README.md) | 经典机器学习一些有趣且富启发性的现实世界应用 | [Lesson](9-Real-World/1-Applications/README.md) | Team |
+| Postscript | 使用 RAI 仪表盘进行机器学习模型调试 | [ML in the Wild](9-Real-World/README.md) | 使用 Responsible AI 仪表盘组件进行机器学习模型调试 | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
+
+> [在我们的 Microsoft Learn 集合中查找本课程的所有附加资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## 离线访问
-您可以通过使用[Docsify](https://docsify.js.org/#/)来离线运行此文档。Fork本仓库，在本地机器上[安装Docsify](https://docsify.js.org/#/quickstart)，然后在本仓库根目录输入`docsify serve`。网站将在本地主机的3000端口提供服务：`localhost:3000`。
+你可以使用 [Docsify](https://docsify.js.org/#/) 离线运行此文档。Fork 该仓库，在本地机器上[安装 Docsify](https://docsify.js.org/#/quickstart)，然后在该仓库的根目录下，输入 `docsify serve` 。该网站将在本地主机的 3000 端口提供服务：`localhost:3000`。
-## PDF文件
+## PDF 文件
-您可以在此处找到带有链接的课程PDF文件 [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)。
+可从[此处](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)获取带链接的课程 PDF。
## 🎒 其他课程
-我们的团队还有其他课程！请查看：
+我们的团队还制作其他课程！查看：
### LangChain
@@ -183,54 +183,54 @@
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### 生成式AI系列
-[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
+[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### 核心学习
-[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
-[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
+[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Copilot 系列
-[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
-## 寻求帮助
+## 获取帮助
-如果在构建 AI 应用时遇到困难或有任何疑问，请加入其他学习者和经验丰富的开发者的讨论，共同交流 MCP 相关内容。这是一个支持性的社区，欢迎提问并自由分享知识。
+如果你遇到困难或对构建AI应用有任何疑问，请加入MCP学习者和有经验开发者的讨论。这是一个支持性的社区，欢迎提问并自由分享知识。
[](https://discord.gg/nTYy5BXMWG)
-如果在构建过程中有产品反馈或错误，请访问：
+如果你有产品反馈或在构建过程中遇到错误，请访问：
-[](https://aka.ms/foundry/forum)
+[](https://aka.ms/foundry/forum)
## 额外学习建议
-- 每节课后回顾笔记本以加深理解。
+- 每节课后复习笔记本内容以加深理解。
- 练习自己实现算法。
-- 使用所学概念探索实际数据集。
+- 利用学习到的概念探索真实世界的数据集。
---
-**免责声明**：
-本文件采用人工智能翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 翻译。尽管我们力求准确，但请注意自动翻译可能包含错误或不准确之处。原始文件的母语版本应被视为权威来源。对于重要信息，建议采用专业人工翻译。因使用本翻译而产生的任何误解或误释，我们概不负责。
+**免责声明**：
+本文件使用 AI 翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 翻译。虽然我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始文件的原文应被视为权威来源。对于关键信息，建议采用专业人工翻译。我们不对因使用本翻译而产生的任何误解或曲解承担责任。
\ No newline at end of file