> این مخزن شامل ترجمههایی به بیش از ۵۰ زبان است که حجم دانلود را به طور قابل توجهی افزایش میدهد. برای کلون کردن بدون ترجمهها، از sparse checkout استفاده 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:
ما یک سری آموزش Discord با محوریت یادگیری با هوش مصنوعی داریم، بیشتر بدانید و از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ به ما بپیوندید در [Learn with AI Series](https://aka.ms/learnwithai/discord). در این سری نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را خواهید آموخت.
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.
# یادگیری ماشین برای مبتدیان - یک برنامه آموزشی
# یادگیری ماشین برای مبتدیان - یک برنامه درسی
> 🌍 با ما در سفری به اطراف جهان در حالی که یادگیری ماشین را از طریق فرهنگهای مختلف جهان بررسی میکنیم 🌍
> 🌍 سفر در سراسر جهان در حالی که یادگیری ماشین را از منظر فرهنگهای مختلف جهان بررسی میکنیم 🌍
حمایتکنندگان ابری در مایکروسافت مفتخرند یک برنامه ۱۲ هفتهای با ۲۶ درس درباره **یادگیری ماشین** ارائه دهند. در این برنامه، شما با چیزی که گاهی «یادگیری ماشین کلاسیک» نامیده میشود، آشنا خواهید شد، عمدتاً با استفاده از کتابخانه Scikit-learn و به دور از یادگیری عمیق که در برنامه آموزشی [هوش مصنوعی برای مبتدیان](https://aka.ms/ai4beginners) پوشش داده شده است. این درسها را همراه با برنامه ['علم داده برای مبتدیان'](https://aka.ms/ds4beginners) نیز بیاموزید!
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!
با ما به سفر به اطراف جهان بپیوندید تا این تکنیکهای کلاسیک را بر دادههای از مناطق مختلف جهان اعمال کنیم. هر درس شامل سوالات قبل و بعد از درس، دستورالعملهای مکتوب برای انجام درس، راه حل، تمرین و موارد دیگر است. روش آموزشی پروژهمحور ما به شما این امکان را میدهد تا در حین ساختن یاد بگیرید؛ روشی اثبات شده برای چسبیدن مهارتهای جدید.
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 تشکر فراوان از نویسندگان ما** جن لوپر، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کَسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روث یاکوبو و ایمی بوید
**✍️ 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
**🎨 همچنین تشکر از تصویرگران ما** تومومی ایمورا، داسانی مادیپالی و جن لوپر
**🎨 همچنین تشکر از تصویرسازان ما** تومومی ایمورا، داسانی مادپالی و جن لوپر
**🙏 سپاس ویژه 🙏 از نویسندگان، بازبینان و مشارکتکنندگان مایکروسافت استیودنت امباسادور** به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، نوورین طبسم، ایوان سامویلا و اسنیگدها آگرال
**🙏 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
**🤩 قدردانی ویژه به مایکروسافت استیودنت امباسادورهای اریک وانژاو، جَسلین سوندی و ویدوشی گپتا برای درسهای R ما!**
**🤩 سپاسگذاری اضافی از سفرای دانشجویی مایکروسافت اریک ونجاو، جاسلین سوندی و ویدوشی گوپتا برای دروس R ما!**
# شروع به کار
این مراحل را دنبال کنید:
1. **شاخۀ مخزن را بسازید (Fork):** روی دکمه «Fork» در گوشه بالا سمت راست این صفحه کلیک کنید.
2. **مخزن را کلون کنید:**`git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **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`
> [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)
> [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)
> 🔧 **نیاز به کمک دارید؟** راهنمای [رفع مشکلات](TROUBLESHOOTING.md) را برای حل مشکلات رایج نصب، پیکربندی و اجرای درسها بررسی کنید.
> 🔧 **به کمک نیاز دارید؟** راهنمای [رفع اشکال](TROUBLESHOOTING.md) ما را برای حل مسائل رایج در نصب، تنظیم، و اجرای دروس بررسی کنید.
**[دانشجویان](https://aka.ms/student-page)** برای استفاده از این برنامه، کل مخزن را به حساب GitHub خود فورک کرده و تمرینها را بهصورت فردی یا گروهی 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 پیش از درس شروع کنید.
- درس را بخوانید و فعالیتها را انجام دهید و در هر مرحلهای که سوال دانش مطرح است، توقف کرده و فکر کنید.
- سعی کنید پروژهها را با درک درسها ایجاد کنید نه صرفاً اجرای کد راهحل؛ هرچند کد راهحل در پوشههای `/solution` هر درس پروژهمحور موجود است.
- آزمون پس از درس را 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.
- چالش را کامل کنید.
- تمرین را انجام دهید.
- پس از تکمیل گروه درسی، به [تابلو بحث](https://github.com/microsoft/ML-For-Beginners/discussions) سر بزنید و با پر کردن فرم PAT مناسب، از یادگیری خود به صورت بلند بیاموزید. PAT یک ابزار ارزیابی پیشرفت است که شما پر میکنید تا یادگیری خود را عمیقتر کنید. همچنین میتوانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.
- 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.
> برای مطالعه بیشتر، توصیه میکنیم این ماژولها و مسیرهای یادگیری [مایکروسافت لرن](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
> 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.
**معلمان**، ما برخی پیشنهادات را در [فایل for-teachers.md](for-teachers.md) گنجاندهایم برای چگونگی استفاده از این برنامه.
**اساتید**، ما [برخی پیشنهادات](for-teachers.md) درباره نحوه استفاده از این برنامه درسی ارائه دادهایم.
---
## فیلمهای آموزشی
## راهنمای ویدیویی
بعضی از درسها به صورت ویدیوهای کوتاه در دسترس هستند. میتوانید این ویدیوها را به صورت خطی در درسها پیدا کنید یا در [لیست پخش ML for Beginners در کانال Microsoft Developer یوتیوب](https://aka.ms/ml-beginners-videos) از طریق کلیک روی تصویر زیر مشاهده کنید.
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.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
**گیف ساخته شده توسط** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
> 🎥 برای دیدن ویدیویی درباره پروژه و افرادی که آن را ساختهاند، روی تصویر بالا کلیک کنید!
> 🎥 برای دیدن ویدیو درباره پروژه و افراد سازنده آن روی تصویر بالا کلیک کنید!
---
## روش آموزشی
ما در ساخت این برنامه دو اصل آموزشی را انتخاب کردهایم: اطمینان از عملی بودن آن یعنی **پروژهمحور** بودن و داشتن **آزمونهای مکرر**. افزون بر این، این برنامه دارای **تم مشترک** است که یکپارچگی آن را فراهم میکند.
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.
با اطمینان از همراستایی محتوا با پروژهها، فرایند برای دانشآموزان جذابتر شده و ماندگاری مفاهیم افزایش مییابد. همچنین وجود آزمون کم ریسک قبل از کلاس قصد یادگیری را در دانشآموز ایجاد کرده و آزمون دوم پس از کلاس باعث تثبیت بیشتر میشود. این برنامه به گونهای طراحی شده که انعطافپذیر و سرگرمکننده باشد و میتوان آن را به طور کامل یا قسمتی از آن را گذراند. پروژهها از کوچک شروع شده و تا پایان دوره ۱۲ هفتهای به تدریج پیچیدهتر میشوند. این برنامه همچنین شامل بخش پایانی در مورد کاربردهای واقعی یادگیری ماشین است که میتوان از آن به عنوان امتیاز اضافه یا پایهای برای بحث استفاده کرد.
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.
> دستورالعملهای [کد رفتاری](CODE_OF_CONDUCT.md)، [همکاری](CONTRIBUTING.md)، [ترجمه](TRANSLATIONS.md) و [رفع مشکلات](TROUBLESHOOTING.md) ما را بیابید. منتظر بازخورد سازنده شما هستیم!
> 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!
## هر درس شامل موارد زیر است
## هر درس شامل
- اسکیچنوت اختیاری
- ویدیوی تکمیلی اختیاری
- آموزش ویدیویی (فقط برخی درسها)
- [آزمون گرمکننده پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
- یادداشت اختیاری به صورت طرح کلی (sketchnote)
- ویدیوی مکمل اختیاری
- راهنمای ویدیویی (فقط برخی از دروس)
- [آزمون گرم کردن پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
- درس مکتوب
- برای درسهای پروژهمحور، راهنمای گام به گام ساخت پروژه
- آزمونهای دانش
- یک چالش
- برای دروس پروژهمحور، راهنماهای گامبهگام برای ساخت پروژه
- بررسی دانش
- چالش
- مطالعه تکمیلی
- تمرین
- [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 همچنین 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 بهعنوان یک جایگذاری از `قطعههای کد` (از زبان R یا زبانهای دیگر) و یک `سرصفحه YAML` (که نحوه قالببندی خروجیها مانند PDF را راهنمایی میکند) در یک `سند Markdown` تعریف کرد. بنابراین، این یک چارچوب نمونهوار برای تولید محتوا در علم داده است زیرا به شما اجازه میدهد کد، خروجی آن و فکرهای خود را با نوشتن آنها در Markdown ترکیب کنید. همچنین، اسناد R Markdown میتوانند به فرمتهای خروجی مانند PDF، HTML یا Word تبدیل شوند.
> **یادداشتی درباره آزمونها**: تمام آزمونها در پوشه [Quiz App](../../quiz-app) قرار دارند، که شامل مجموعاً ۵۲ آزمون، هر کدام با سه سوال است. این آزمونها از داخل درسها لینک شدهاند اما اپلیکیشن آزمون میتواند به صورت محلی اجرا شود؛ دستورالعملهای موجود در پوشه `quiz-app` را برای میزبانی محلی یا استقرار در Azure دنبال کنید.
| شماره درس | موضوع | دستهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
| ۰۱ | معرفی یادگیری ماشین | [مقدمه](1-Introduction/README.md) | آشنایی با مفاهیم پایه یادگیری ماشین | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| ۰۲ | تاریخچه یادگیری ماشین | [مقدمه](1-Introduction/README.md) | یادگیری تاریخچه این حوزه | [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 درباره انصاف که دانشآموزان باید هنگام ساخت و پیادهسازی مدلهای یادگیری ماشین در نظر بگیرند چیست؟ | [درس](1-Introduction/3-fairness/README.md) | تومومی |
| ۰۴ | تکنیکهای یادگیری ماشین | [مقدمه](1-Introduction/README.md) | پژوهشگران یادگیری ماشین از چه تکنیکهایی برای ساخت مدلهای یادگیری ماشین استفاده میکنند؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | کریس و جن |
| ۰۵ | مقدمهای بر رگرسیون | [رگرسیون](2-Regression/README.md) | شروع کار با پایتون و Scikit-learn برای مدلهای رگرسیون | [پایتون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • اریک وانجاو |
| ۰۶ | قیمت کدو حلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | مصورسازی و پاکسازی دادهها برای آمادهسازی یادگیری ماشین | [پایتون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • اریک وانجاو |
| ۰۷ | قیمت کدو حلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت مدلهای رگرسیون خطی و چند جملهای | [پایتون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن و دیمیتری • اریک وانجاو |
| ۰۸ | قیمت کدو حلوایی آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت مدل رگرسیون لجستیک | [پایتون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • اریک وانجاو |
| ۰۹ | یک برنامه وب 🔌 | [برنامه وب](3-Web-App/README.md) | ساخت یک برنامه وب برای استفاده از مدل آموزشدیده شده | [پایتون](3-Web-App/1-Web-App/README.md) | جن |
| ۱۰ | مقدمهای بر دستهبندی | [دستهبندی](4-Classification/README.md) | پاکسازی، آمادهسازی، و مصورسازی دادهها؛ مقدمهای بر دستهبندی | [پایتون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن و کِسی • اریک وانجاو |
| ۱۱ | غذاهای خوشمزه آسیایی و هندی 🍜 | [دستهبندی](4-Classification/README.md) | مقدمهای بر طبقهبندها | [پایتون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن و کِسی • اریک وانجاو |
| ۱۲ | غذاهای خوشمزه آسیایی و هندی 🍜 | [دستهبندی](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 کِسی • اریک وانجاو |
| ۱۳ | غذاهای خوشمزه آسیایی و هندی 🍜 | [دستهبندی](4-Classification/README.md) | ساخت یک برنامه وب توصیهگر با استفاده از مدل خود | [پایتون](4-Classification/4-Applied/README.md) | جن |
| ۱۴ | مقدمهای بر خوشهبندی | [خوشهبندی](5-Clustering/README.md) | پاکسازی، آمادهسازی و مصورسازی دادهها؛ مقدمهای بر خوشهبندی | [پایتون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • اریک وانجاو |
| ۱۵ | بررسی سلیقههای موسیقی نیجریهای 🎧 | [خوشهبندی](5-Clustering/README.md) | بررسی روش خوشهبندی K-Means | [پایتون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • اریک وانجاو |
| ۱۶ | مقدمهای بر پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | آموزش مبانی NLP با ساخت یک ربات ساده | [پایتون](6-NLP/1-Introduction-to-NLP/README.md) | استیفن |
| ۱۷ | وظایف رایج NLP ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | تعمیق دانش NLP با درک وظایف رایج مورد نیاز در برخورد با ساختارهای زبانی | [پایتون](6-NLP/2-Tasks/README.md) | استیفن |
| ۱۸ | ترجمه و تحلیل احساسات ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | ترجمه و تحلیل احساسات با جین آستن | [پایتون](6-NLP/3-Translation-Sentiment/README.md) | استیفن |
| ۱۹ | هتلهای عاشقانه اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با بررسی هتلها ۱ | [پایتون](6-NLP/4-Hotel-Reviews-1/README.md) | استیفن |
| ۲۰ | هتلهای عاشقانه اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با بررسی هتلها ۲ | [پایتون](6-NLP/5-Hotel-Reviews-2/README.md) | استیفن |
| ۲۱ | مقدمهای بر پیشبینی سریهای زمانی | [سریهای زمانی](7-TimeSeries/README.md) | مقدمهای بر پیشبینی سریهای زمانی | [پایتون](7-TimeSeries/1-Introduction/README.md) | فرانچسکا |
| ۲۲ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سری زمانی با ARIMA | [سریهای زمانی](7-TimeSeries/README.md) | پیشبینی سریهای 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 سریهای زمانی با رگرسیون بردار پشتیبان | [پایتون](7-TimeSeries/3-SVR/README.md) | آنیربان |
| ۲۴ | مقدمهای بر یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | مقدمهای بر یادگیری تقویتی با الگوریتم Q-Learning | [پایتون](8-Reinforcement/1-QLearning/README.md) | دیمیتری |
| ۲۵ | کمک به پیتر برای جلوگیری از گرگ! 🐺 | [یادگیری تقویتی](8-Reinforcement/README.md) | یادگیری تقویتی در Gym | [پایتون](8-Reinforcement/2-Gym/README.md) | دیمیتری |
| پستاسکریپت | موقعیتها و کاربردهای دنیای واقعی ML | [ML در طبیعت](9-Real-World/README.md) | کاربردهای جالب و روشنگر یادگیری ماشین کلاسیک در دنیای واقعی | [درس](9-Real-World/1-Applications/README.md) | تیم |
| پستاسکریپت | اشکالزدایی مدل در ML با استفاده از داشبورد RAI | [ML در طبیعت](9-Real-World/README.md) | اشکالزدایی مدل در یادگیری ماشین با استفاده از المانهای داشبورد Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | راث یاکوبو |
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما بیابید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- 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 |
| 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) | آنیربان |
| 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)
## دسترسی آفلاین
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 کامپیوتر محلی خود، و سپس در پوشه ریشه این مخزن، دستور `docsify serve` را وارد کنید. سایت روی پورت ۳۰۰۰ در هاست محلی شما ارائه خواهد شد: `localhost:3000`.
میتوانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) روی دستگاه محلی خود، سپس در شاخه ریشه این مخزن تایپ کنید `docsify serve`. وبسایت روی پورت ۳۰۰۰ روی لوکالهاست شما اجرا خواهد شد: `localhost:3000`.
## فایلهای PDF
یک فایل PDF از برنامه درسی به همراه لینکها را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) بیابید.
یک PDF از برنامه درسی با لینکها را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) بیابید.
## 🎒 دورههای دیگر
تیم ما دورههای دیگری نیز تولید میکند! نگاه کنید به:
تیم ما دورههای دیگری تولید میکند! نگاهی بیندازید به:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### سری هوش مصنوعی مولد
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -208,30 +209,30 @@
---
### سری همیار برنامهنویس
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
اگر گیر کردید یا سوالی درباره ساخت برنامههای هوش مصنوعی داشتید، به جمع یادگیرندگان و توسعهدهندگان باتجربه در بحثهای MCP بپیوندید. این یک جامعه حمایتگر است که در آن سوالات خوشآمد گفته میشوند و دانش به صورت آزاد به اشتراک گذاشته میشود.
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.
[](https://discord.gg/nTYy5BXMWG)
اگر بازخورد محصول یا خطا هنگام ساخت داشتید به موارد زیر مراجعه کنید:
اگر بازخورد محصول دارید یا هنگام ساخت مشکلی پیش آمد به اینجا مراجعه کنید:
[](https://aka.ms/foundry/forum)
- پس از هر درس دفترچهها را مرور کنید تا بهتر متوجه شوید.
- تمرین کنید الگوریتمها را خودتان پیادهسازی کنید.
- با استفاده از مفاهیم یادگرفته شده دادههای واقعی را کاوش کنید.
- 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.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل اشتباهات یا نادرستیهایی باشند. سند اصلی به زبان مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات مهم و حیاتی، توصیه میشود از ترجمه حرفهای انسانی استفاده کنید. ما مسئول هیچگونه سوءتفاهم یا تفسیر نادرستی که ناشی از استفاده از این ترجمه باشد، نیستیم.
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.
ہم نے ایک Discord لرن وِد اے آئی سیریز شروع کی ہے، مزید جانیں اور شامل ہوں [Learn with AI Series](https://aka.ms/learnwithai/discord) پر 18 - 30 ستمبر، 2025. آپ کو GitHub کوپائلٹ کے ڈیٹا سائنس میں استعمال کے ٹپس اور ٹرکس ملیں گے۔
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۔
# نیا سیکھنے والوں کے لیے مشین لرننگ - نصاب
# مبتدیوں کے لیے مشین لرننگ - ایک نصاب
> 🌍 دنیا کے ثقافتوں کے ذریعے مشین لرننگ کا سفر 🌍
> 🌍 دنیا کا سفر کریں جب ہم مشین لرننگ کو دنیا کی ثقافتوں کے ذریعے دریافت کرتے ہیں 🌍
مائیکروسافٹ میں کلاؤڈ ایڈووکیٹس خوشی سے پیش کرتے ہیں 12 ہفتوں کا، 26 سبقوں پر مشتمل نصاب جو مکمل طور پر **مشین لرننگ** کے بارے میں ہے۔ اس نصاب میں آپ وہ سیکھیں گے جسے بعض اوقات **کلاسیکی مشین لرننگ** کہا جاتا ہے، جس میں بنیادی طور پر Scikit-learn لائبریری استعمال ہوتی ہے اور ڈیپ لرننگ سے گریز کیا جاتا ہے، جو ہمارے [AI for Beginners' نصاب](https://aka.ms/ai4beginners) میں شامل ہے۔ ساتھ ہی آپ ان اسباق کو ہمارے ['Data Science for Beginners' نصاب](https://aka.ms/ds4beginners) کے ساتھ جوڑ سکتے 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!
ہمارے ساتھ دنیا کے مختلف حصوں سے ڈیٹا پر یہ کلاسیکی تکنیکیں اپنائیں۔ ہر سبق میں پری اور پوسٹ لکچر کوئزز، تحریری ہدایات، حل، اسائنمنٹ اور مزید شامل ہیں۔ ہمارا پروجیکٹ پر مبنی تعلیماتی انداز آپ کو بنانے کے دوران سیکھنے کا موقع دیتا ہے، جو نئے ہنر کو مضبوط کرنے کا موثر طریقہ ہے۔
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 مصوروں کا بھی شکریہ** تومومی امورا، دسانی مادپلّی، اور جین لوپر
**🎨 ہمارے مصوروں کا شکریہ** ٹومومی ایمورا، ڈاسا نی مادپلّی، اور جین لوپر
**🙏 خاص شکریہ 🙏 ہمارے Microsoft Student Ambassador مصنفین، جائزہ نگاروں اور مواد کے شریک عملداروں کے لیے** خاص طور پر رِشِت دگلی، محمد ثاقب خان اینان، روہن راج، الیگزینڈرو پیٹریسکو، ابھیشیک جیسوال، نوئرین طبعسم، ایوان سیمویلا، اور سنگدھا اگروال
**🙏 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**
**🤩 اضافی شکر گزاری Microsoft Student Ambassadors ایرک وانجاو، جیسلین سون دھی، اور ودوشی گپتا کو ہماری R اسباق کے لیے!**
**🤩 اضافی شکریہ مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈرز ایرک وانجاو، جیسلین سون دھی، اور ویدوشی گپتا کو ہمارے R اسباق کے لیے!**
# شروعات کیسے کریں
# شروع کرتے ہیں
یہ اقدامات کریں:
1. **ریپوزیٹری کو فورک کریں**: صفحے کے اوپر دائیں جانب "Fork" بٹن پر کلک 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`
> [اس کورس کے تمام اضافی وسائل ہمارے Microsoft Learn مجموعے میں موجود ہیں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [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)
> 🔧 **مدد چاہیے؟** عام مسائل اور ان کے حل کے لیے ہمارا [Troubleshooting Guide](TROUBLESHOOTING.md) دیکھیں۔
> 🔧 **مدد چاہیے؟** عام مسائل جیسے انسٹالیشن، سیٹ اپ، اور اسباق چلانے کے لیے حل کے لیے ہمارا [مسائل کا حل گائیڈ](TROUBLESHOOTING.md) دیکھیں۔
**[طلبہ](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لیے پوری ریپو کو اپنے GitHub اکاؤنٹ پر فورک کریں اور مشقیں خود یا گروپ کے ساتھ مکمل کریں:
**[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:
- پری لیکچر کوئز سے شروع کریں۔
- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر علم کی جانچ میں توقف کریں اور غور کریں۔
- کوشش کریں کہ پروجیکٹس خود سمجھ کر بنائیں بجائے حل کوڈ کو چلانے کے؛ تاہم یہ کوڈ ہر پروجیکٹ-مرکوز سبق کے `/solution` فولڈر میں دستیاب ہے۔
- 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۔
- چیلنج مکمل کریں۔
- اسائنمنٹ مکمل کریں۔
- کسی سبق گروپ کو مکمل کرنے کے بعد، [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) پر جائیں اور متعلقہ PAT روبریک بھر کر سیکھنے کا اظہار کریں۔ PAT ایک پروگریس اسیسمنٹ ٹول ہے جسے آپ اپنے سیکھنے کے لیے بھرتے ہیں۔ آپ دوسرے PATs پر ردعمل بھی دے سکتے ہیں تاکہ ہم سب مل کر سیکھ سکیں۔
- 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۔
> مزید مطالعہ کے لیے، ہم درج ذیل [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ماڈیولز اور سیکھنے کے راستے اپنانے کی تجویز کرتے ہیں۔
> 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۔
**اساتذہ کے لیے، ہم نے [کچھ تجاویز شامل کی ہیں](for-teachers.md) کہ اس نصاب کو کس طرح استعمال کیا جا سکتا ہے۔**
**اساتذہ**، ہم نے [کچھ تجاویز](for-teachers.md) شامل کی ہیں کہ اس نصاب کو کیسے استعمال کیا جائے۔
---
## ویڈیو واک تھروز
کچھ اسباق مختصر ویڈیو کی شکل میں دستیاب ہیں۔ آپ یہ ویڈیوز اسباق میں ان لائن یا [ML for Beginners کی پلے لسٹ مائیکروسافٹ ڈویلپر یوٹیوب چینل پر](https://aka.ms/ml-beginners-videos) تصویر پر کلک کرکے دیکھ سکتے ہیں۔
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۔
[](https://aka.ms/ml-beginners-videos)
> 🎥 پروجیکٹ اور اسے بنانے والوں کے بارے میں ویڈیو کے لیے اوپر تصویر پر کلک کریں!
> 🎥 پراجیکٹ اور اسے بنانے والوں کے بارے میں ویڈیو کے لیے اوپر تصویر پر کلک کریں!
---
## تدریسی طریقہ کار
## تدریسی اصول
ہم نے اس نصاب کو تیار کرتے ہوئے دو تدریسی اصول منتخب کیے ہیں: اسے عملی،**پروجیکٹ پر مبنی** بنانا اور **بار بار کوئزز** شامل کرنا۔ اس کے علاوہ، اس نصاب کا ایک مشترکہ **تھیم** بھی ہے جو اسے مربوط بناتا ہے۔
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۔
مواد کا پروجیکٹس سے ہم آہنگ ہونا طلبہ کے لیے دلچسپی بڑھاتا ہے اور تصورات کے یاد رکھنے میں مدد دیتا ہے۔ کلاس سے پہلے ایک کم داؤ کا کوئز طلبہ کو سیکھنے کے لیے راغب کرتا ہے، اور کلاس کے بعد دوسرا کوئز یادداشت کو مزید مضبوط کرتا ہے۔ یہ نصاب لچکدار اور دلچسپ ہے اور مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس چھوٹے شروع ہوتے ہیں اور 12 ہفتوں کے آخر تک پیچیدہ ہو جاتے ہیں۔ ساتھ ہی اس نصاب میں ML کی اصلی دنیا میں ایپلیکیشنز پر پوسٹ اسکرپٹ شامل ہے جو اضافی کریڈٹ یا بحث کے لیے استعمال ہو سکتا 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۔
> ہمارا [Code of Conduct](CODE_OF_CONDUCT.md)، [Contributing](CONTRIBUTING.md)، [Translation](TRANSLATIONS.md)، اور [Troubleshooting](TROUBLESHOOTING.md) گائیڈ لائنز دیکھیں۔ ہم آپ کی تعمیری رائے کا خیرمقدم کرتے ہیں!
> 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!
> **زبانوں کے بارے میں ایک نوٹ**: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے R میں بھی دستیاب ہیں۔ R کا سبق مکمل کرنے کے لیے، `/solution` فولڈر میں جائیں اور R اسباق تلاش کریں۔ ان میں .rmd ایکسٹینشن شامل ہوتا ہے جو ایک **R مارک ڈاؤن** فائل کی نمائندگی کرتا ہے جسے آسانی سے `code chunks` (R یا دوسری زبانوں کے) اور ایک `YAML header` (جو آؤٹ پٹس جیسے PDF کی فارمیٹنگ کی رہنمائی کرتا ہے) کو `Markdown document` میں شامل کرنے کے طور پر بیان کیا جا سکتا ہے۔ اس طرح، یہ ڈیٹا سائنس کے لیے ایک مثالی تحریری فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنا کوڈ، اس کا آؤٹ پٹ، اور اپنے خیالات کو مارک ڈاؤن میں لکھ کر یکجا کرنے کی اجازت دیتا ہے۔ مزید برآں، R مارک ڈاؤن دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیا جا سکتا ہے۔
> **کوئزز کے بارے میں ایک نوٹ**: تمام کوئزز [Quiz App folder](../../quiz-app) میں موجود ہیں، کل 52 کوئزز جن میں ہر ایک میں تین سوالات ہوتے ہیں۔ یہ اسباق کے اندر سے لنک کیے گئے ہیں لیکن کوئز ایپ کو لوکل طور پر چلایا جا سکتا ہے؛ `quiz-app` فولڈر میں ہدایات پر عمل کریں تاکہ مقامی طور پر ہوسٹ کریں یا Azure پر تعینات کریں۔
| سبق نمبر | موضوع | سبق کی تقسیم | سیکھنے کے مقاصد | منسلک سبق | مصنف |
| 01 | مشین لرننگ کا تعارف | [Introduction](1-Introduction/README.md) | مشین لرننگ کے بنیادی تصورات کو سیکھیں | [Lesson](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | مشین لرننگ کی تاریخ | [Introduction](1-Introduction/README.md) | اس میدان کی تاریخ جانیں | [Lesson](1-Introduction/2-history-of-ML/README.md) | جین اور ایمی |
| 03 | مشین لرننگ اور انصاف | [Introduction](1-Introduction/README.md) | وہ اہم فلسفیانہ مسائل جو طلباء کو ML ماڈلز بناتے اور استعمال کرتے وقت انصاف کے بارے میں غور کرنا چاہیے؟ | [Lesson](1-Introduction/3-fairness/README.md) | ٹومی |
| 04 | مشین لرننگ کی تکنیکس | [Introduction](1-Introduction/README.md) | مشین لرننگ کے ماہرین کون سی تکنیک استعمال کرتے ہیں ML ماڈلز بنانے کے لیے؟ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | کرس اور جین |
| 05 | ریگریشن کا تعارف | [Regression](2-Regression/README.md) | Python اور Scikit-learn کے ساتھ ریگریشن ماڈلز کی شروعات کریں | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جین • ایرک ونجاؤ |
| 06 | شمالی امریکہ کے کدو کے نرخ 🎃 | [Regression](2-Regression/README.md) | مشین لرننگ کی تیاری کے لیے ڈیٹا کو بصری شکل میں لائیں اور صاف کریں | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جین • ایرک ونجاؤ |
| 07 | شمالی امریکہ کے کدو کے نرخ 🎃 | [Regression](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، دمتری اور ایرک ونجاؤ |
| 08 | شمالی امریکہ کے کدو کے نرخ 🎃 | [Regression](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 ونجاؤ |
| 09 | ایک ویب ایپ 🔌 | [Web App](3-Web-App/README.md) | اپنی تربیت شدہ ماڈل استعمال کرنے کے لیے ایک ویب ایپ بنائیں | [Python](3-Web-App/1-Web-App/README.md) | جین |
| 10 | درجہ بندی کا تعارف | [Classification](4-Classification/README.md) | اپنے ڈیٹا کو صاف کریں، تیار کریں اور بصری شکل میں لائیں؛ درجہ بندی کا تعارف | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جین، کیسی اور ایرک ونجاؤ |
| 11 | مزیدار ایشیائی اور ہندی کھانے 🍜 | [Classification](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، کیسی اور ایرک ونجاؤ |
| 12 | مزیدار ایشیائی اور ہندی کھانے 🍜 | [Classification](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، کیسی اور ایرک ونجاؤ |
| 13 | مزیدار ایشیائی اور ہندی کھانے 🍜 | [Classification](4-Classification/README.md) | اپنی ماڈل استعمال کرتے ہوئے ایک سفارش کنندہ ویب ایپ بنائیں | [Python](4-Classification/4-Applied/README.md) | جین |
| 14 | کلسٹرنگ کا تعارف | [Clustering](5-Clustering/README.md) | اپنے ڈیٹا کو صاف کریں، تیار کریں اور بصری شکل میں لائیں؛ کلسٹرنگ کا تعارف | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جین • ایرک ونجاؤ |
| 15 | نائیجیریا کے موسیقی کے ذوق کی تلاش 🎧 | [Clustering](5-Clustering/README.md) | K-Means کلسٹرنگ طریقہ کار کو دریافت کریں| [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جین • ایرک ونجاؤ |
| 16 | قدرتی زبان کی پراسیسنگ کا تعارف ☕️ | [Natural language processing](6-NLP/README.md) | ایک سادہ بوٹ بنا کر NLP کے بنیادی اصول سیکھیں | [Python](6-NLP/1-Introduction-to-NLP/README.md) | اسٹیفن |
| 17 | عمومی NLP کے کام ☕️ | [Natural language processing](6-NLP/README.md) | زبان کے ڈھانچوں کے ساتھ کام کرنے میں 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 ♥️ | [Natural language processing](6-NLP/README.md) | جین آسٹن کے ساتھ ترجمہ اور جذباتی تجزیہ | [Python](6-NLP/3-Translation-Sentiment/README.md) | اسٹیفن |
| 19 | یورپ کے رومانٹک ہوٹلز ♥️ | [Natural language processing](6-NLP/README.md) | ہوٹل جائزوں کے ساتھ جذباتی تجزیہ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | اسٹیفن |
| 20 | یورپ کے رومانٹک ہوٹلز ♥️ | [Natural language processing](6-NLP/README.md) | ہوٹل جائزوں کے ساتھ جذباتی تجزیہ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | اسٹیفن |
| 21 | ٹائم سیریز پیشن گوئی کا تعارف | [Time series](7-TimeSeries/README.md) | ٹائم سیریز پیش گوئی کا تعارف | [Python](7-TimeSeries/1-Introduction/README.md) | فرانسسکا |
| 22 | ⚡️ عالمی توانائی کا استعمال ⚡️ - ARIMA کے ساتھ پیش گوئی | [Time series](7-TimeSeries/README.md) | ARIMA کے ساتھ ٹائم سیریز کی پیش گوئی | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانسسکا |
| 23 | ⚡️ عالمی توانائی کا استعمال ⚡️ - SVR کے ساتھ پیش گوئی | [Time series](7-TimeSeries/README.md) | Support Vector Regressor کے ساتھ ٹائم سیریز پیش گوئی | [Python](7-TimeSeries/3-SVR/README.md) | انربن |
| 24 | reinforcement learning کا تعارف | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning کے ساتھ reinforcement learning کا تعارف | [Python](8-Reinforcement/1-QLearning/README.md) | دمتری |
| پوسٹ اسکرپٹ | کلاسیکی ML کی حقیقی دنیا کی مثالیں | [ML in the Wild](9-Real-World/README.md) | کلاسیکی مشین لرننگ کی دلچسپ اور واضح حقیقی دنیا کی ایپلی کیشنز | [Lesson](9-Real-World/1-Applications/README.md) | ٹیم |
| پوسٹ اسکرپٹ | RAI ڈیش بورڈ کے ذریعے ML میں ماڈل کی خرابی کی جانچ | [ML in the Wild](9-Real-World/README.md) | Responsible AI ڈیش بورڈ کے اجزاء کے ذریعے مشین لرننگ میں ماڈل کی خرابی کی جانچ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | روت یاکوبو |
> [اس کورس کے لیے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [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)
## آف لائن رسائی
آپ اس دستاویز کو آف لائن [Docsify](https://docsify.js.org/#/) استعمال کرکے چلا سکتے ہیں۔ اس ریپو کو فورک کریں، اپنے لوکل میشن پر [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart)، پھر اس ریپو کے روٹ فولڈر میں `docsify serve` ٹائپ کریں۔ ویب سائٹ آپ کے localhost پر پورٹ 3000 پر دستیاب ہوگی: `localhost:3000`۔
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`.
## پی ڈی ایف
## پی ڈی ایفز
نصاب کا پی ڈی ایف مختلف اقسام کے لنکس کے ساتھ [یہاں](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) دستیاب ہے۔
کریکولم کا پی ڈی ایف فائل لنکس کے ساتھ [یہاں](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) تلاش کریں۔
## 🎒 دیگر کورسز
ہماری ٹیم دیگر کورسز بھی بناتی ہے! دیکھیں:
ہماری ٹیم دیگر کورسز بھی تیار کرتی ہے! جانچ کریں:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### جنریٹیو AI سیریز
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-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)
@ -197,40 +197,40 @@
---
### 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://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
اگر آپ پھنس جائیں یا AI ایپس بنانے کے بارے میں کوئی سوال ہو۔ MCP کے بارے میں بحث میں دوسروں سیکھنے والوں اور تجربہ کار ڈویلپرز میں شامل ہوں۔ یہ ایک مددگار کمیونٹی ہے جہاں سوالات خوش آمدید ہیں اور علم آزادانہ طور پر شئیر کیا جاتا ہے۔
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۔
- بہتر سمجھ کے لیے ہر سبق کے بعد نوٹ بکس کا جائزہ لیں۔
- الگورتھمز کو خود سے نافذ کرنے کی مشق کریں۔
- 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۔
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**دستخطی اعلامیہ**:
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 لئے کوشاں ہیں، براہ کرم آگاہ رہیں کہ خودکار تراجم میں غلطیاں یا نواقص ہو سکتے ہیں۔ اصل دستاویز اپنی مادری زبان میں ایک مستند ماخذ کے طور پر سمجھی جانی چاہیے۔ اہم معلومات کے لئے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔
**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۔
我们正在进行一个 Discord AI 学习系列，了解更多并于 2025 年 9 月 18 日至 30 日加入我们，访问 [Learn with AI Series](https://aka.ms/learnwithai/discord)。您将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。
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。
# 面向初学者的机器学习课程
# 初学者机器学习课程
> 🌍 通过探索世界文化，环游世界学习机器学习 🌍
> 🌍 通过世界文化探索机器学习，环游全球之旅 🌍
微软云倡导者很高兴推出一个为期 12 周、共 26 课的**机器学习**课程。在本课程中，您将学习有时被称为**经典机器学习**的知识，主要使用 Scikit-learn 库，避免深度学习，后者包含在我们的[AI for Beginners 课程](https://aka.ms/ai4beginners)中。也可将这些课程与我们的[数据科学初学者课程](https://aka.ms/ds4beginners)搭配使用。
- 完成一组课程后，访问[讨论板](https://github.com/microsoft/ML-For-Beginners/discussions)，通过填写相应的 PAT 评分表“边学边分享”。“PAT”是进度评估工具，填写后能促进您的学习。您还可以对其他人的 PAT 进行反应，与大家共同学习。
- 完成一组课程后，访问[讨论区](https://github.com/microsoft/ML-For-Beginners/discussions)并通过填写相应的 PAT 评估表“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。
[](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)
[-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/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
localizeflow[bot]
2 weeks ago