[](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/) ### 🌐 پشتیبانی چندزبانه #### پشتیبانی شده از طریق GitHub Action (خودکار و همیشه به‌روز) [فرانسوی](../fr/README.md) | [اسپانیایی](../es/README.md) | [آلمانی](../de/README.md) | [روسی](../ru/README.md) | [عربی](../ar/README.md) | [فارسی](./README.md) | [اردو](../ur/README.md) | [چینی (ساده‌شده)](../zh/README.md) | [چینی (سنتی، ماکائو)](../mo/README.md) | [چینی (سنتی، هنگ‌کنگ)](../hk/README.md) | [چینی (سنتی، تایوان)](../tw/README.md) | [ژاپنی](../ja/README.md) | [کره‌ای](../ko/README.md) | [هندی](../hi/README.md) | [بنگالی](../bn/README.md) | [مراتی](../mr/README.md) | [نپالی](../ne/README.md) | [پنجابی (گورمخی)](../pa/README.md) | [پرتغالی (پرتغال)](../pt/README.md) | [پرتغالی (برزیل)](../br/README.md) | [ایتالیایی](../it/README.md) | [لهستانی](../pl/README.md) | [ترکی](../tr/README.md) | [یونانی](../el/README.md) | [تایلندی](../th/README.md) | [سوئدی](../sv/README.md) | [دانمارکی](../da/README.md) | [نروژی](../no/README.md) | [فنلاندی](../fi/README.md) | [هلندی](../nl/README.md) | [عبری](../he/README.md) | [ویتنامی](../vi/README.md) | [اندونزیایی](../id/README.md) | [مالایی](../ms/README.md) | [تاگالوگ (فیلیپینی)](../tl/README.md) | [سواحیلی](../sw/README.md) | [مجاری](../hu/README.md) | [چکی](../cs/README.md) | [اسلواکی](../sk/README.md) | [رومانیایی](../ro/README.md) | [بلغاری](../bg/README.md) | [صربی (سیریلیک)](../sr/README.md) | [کرواتی](../hr/README.md) | [اسلوونیایی](../sl/README.md) | [اوکراینی](../uk/README.md) | [برمه‌ای (میانمار)](../my/README.md) #### به جامعه ما بپیوندید [](https://aka.ms/ml4beginners/discord) ما یک سری یادگیری با هوش مصنوعی در Discord داریم که از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ برگزار می‌شود. برای یادگیری نکات و ترفندهای استفاده از GitHub Copilot برای علم داده، به ما بپیوندید: [Learn with AI Series](https://aka.ms/learnwithai/discord).  # یادگیری ماشین برای مبتدیان - یک برنامه درسی > 🌍 با ما به سفری در سراسر جهان بروید و یادگیری ماشین را از طریق فرهنگ‌های جهانی کشف کنید 🌍 تیم Cloud Advocates در مایکروسافت با افتخار یک برنامه درسی ۱۲ هفته‌ای و ۲۶ درس درباره **یادگیری ماشین** ارائه می‌دهد. در این برنامه درسی، شما با آنچه که گاهی اوقات به عنوان **یادگیری ماشین کلاسیک** شناخته می‌شود آشنا خواهید شد، که عمدتاً از کتابخانه Scikit-learn استفاده می‌کند و از یادگیری عمیق که در [برنامه درسی هوش مصنوعی برای مبتدیان](https://aka.ms/ai4beginners) پوشش داده شده است، اجتناب می‌کند. این درس‌ها را با برنامه درسی ['علم داده برای مبتدیان'](https://aka.ms/ds4beginners) ترکیب کنید! با ما در سراسر جهان سفر کنید و این تکنیک‌های کلاسیک را به داده‌هایی از مناطق مختلف جهان اعمال کنید. هر درس شامل آزمون‌های قبل و بعد از درس، دستورالعمل‌های نوشتاری برای تکمیل درس، یک راه‌حل، یک تکلیف و موارد دیگر است. روش آموزشی مبتنی بر پروژه ما به شما امکان می‌دهد در حین ساختن یاد بگیرید، که یک روش اثبات‌شده برای تثبیت مهارت‌های جدید است. **✍️ تشکر ویژه از نویسندگان ما**: جن لوپر، استفن هاول، فرانچسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، انیر‌بان موکرجی، اورنلا آلتونیان، روث یاکوبو و ایمی بوید **🎨 تشکر از تصویرگران ما**: تومومی ایمورا، داسانی مادپالی و جن لوپر **🙏 تشکر ویژه 🙏 از نویسندگان، بازبینان و مشارکت‌کنندگان محتوای Microsoft Student Ambassador**، به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتراسکو، آبیشک جایسوال، نوورین تاباسم، ایوان سامویلا و اسنیگدا آگاروال **🤩 سپاسگزاری ویژه از Microsoft Student Ambassadors اریک وانجاو، جاسلین سوندی و ویدوشی گوپتا برای درس‌های R ما!** # شروع به کار این مراحل را دنبال کنید: 1. **مخزن را فورک کنید**: روی دکمه "Fork" در گوشه بالا-راست این صفحه کلیک کنید. 2. **مخزن را کلون کنید**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) **[دانش‌آموزان](https://aka.ms/student-page)**، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرین‌ها را به تنهایی یا با یک گروه کامل کنید: - با یک آزمون قبل از درس شروع کنید. - درس را بخوانید و فعالیت‌ها را تکمیل کنید، در هر بررسی دانش مکث کنید و تأمل کنید. - سعی کنید پروژه‌ها را با درک درس‌ها ایجاد کنید، نه با اجرای کد راه‌حل؛ با این حال، آن کد در پوشه‌های `/solution` در هر درس مبتنی بر پروژه موجود است. - آزمون بعد از درس را انجام دهید. - چالش را کامل کنید. - 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 ابزار ارزیابی پیشرفت (PAT) مناسب، "بلند بیاموزید". PAT یک ابزار ارزیابی پیشرفت است که یک جدول است که شما برای پیشبرد یادگیری خود پر می‌کنید. همچنین می‌توانید به PAT‌های دیگر واکنش نشان دهید تا با هم یاد بگیریم. > برای مطالعه بیشتر، ما توصیه می‌کنیم این [ماژول‌ها و مسیرهای یادگیری Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید. **معلمان**، ما [برخی پیشنهادات](for-teachers.md) در مورد نحوه استفاده از این برنامه درسی ارائه کرده‌ایم. --- ## ویدیوهای راهنما برخی از درس‌ها به صورت ویدیوهای کوتاه در دسترس هستند. می‌توانید همه این‌ها را درون درس‌ها یا در [لیست پخش ML برای مبتدیان در کانال YouTube توسعه‌دهنده مایکروسافت](https://aka.ms/ml-beginners-videos) پیدا کنید. برای مشاهده، روی تصویر زیر کلیک کنید. [](https://aka.ms/ml-beginners-videos) --- ## با تیم آشنا شوید [](https://youtu.be/Tj1XWrDSYJU) **گیف توسط** [محیت جایسال](https://linkedin.com/in/mohitjaisal) > 🎥 برای مشاهده ویدیویی درباره پروژه و افرادی که آن را ایجاد کرده‌اند، روی تصویر بالا کلیک کنید! --- ## روش آموزشی ما دو اصل آموزشی را هنگام ساخت این برنامه درسی انتخاب کرده‌ایم: اطمینان از اینکه این برنامه مبتنی بر پروژه و **عملی** است و شامل **آزمون‌های مکرر** می‌شود. علاوه بر این، این برنامه درسی دارای یک **تم مشترک** است که به آن انسجام می‌بخشد. با اطمینان از اینکه محتوا با پروژه‌ها همسو است، فرآیند برای دانش‌آموزان جذاب‌تر می‌شود و حفظ مفاهیم تقویت می‌شود. علاوه بر این، یک آزمون کم‌فشار قبل از کلاس، نیت دانش‌آموز را به سمت یادگیری یک موضوع تنظیم می‌کند، در حالی که یک آزمون دوم پس از کلاس، حفظ بیشتر را تضمین می‌کند. این برنامه درسی به گونه‌ای طراحی شده است که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را به طور کامل یا جزئی انجام داد. پروژه‌ها کوچک شروع می‌شوند و تا پایان چرخه ۱۲ هفته‌ای به طور فزاینده‌ای پیچیده می‌شوند. این برنامه درسی همچنین شامل یک پس‌نوشت درباره کاربردهای واقعی یادگیری ماشین است که می‌تواند به عنوان اعتبار اضافی یا به عنوان مبنایی برای بحث استفاده شود. > [قوانین رفتاری](CODE_OF_CONDUCT.md)، [مشارکت](CONTRIBUTING.md) و [راهنمای ترجمه](TRANSLATIONS.md) ما را پیدا کنید. ما از بازخورد سازنده شما استقبال می‌کنیم! ## هر درس شامل می‌شود - اسکچ‌نوت اختیاری - ویدیوی تکمیلی اختیاری - ویدیوی راهنما (فقط برخی درس‌ها) - [آزمون گرم‌آپ قبل از درس](https://ff-quizzes.netlify.app/en/ml/) - درس نوشتاری - برای درس‌های مبتنی بر پروژه، راهنماهای گام‌به‌گام برای ساخت پروژه - بررسی دانش - یک چالش - مطالعه تکمیلی - تکلیف - [آزمون بعد از درس](https://ff-quizzes.netlify.app/en/ml/) > **یادداشتی درباره زبان‌ها**: این درس‌ها عمدتاً به زبان Python 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 شامل پسوند .rmd هستند که نشان‌دهنده یک فایل **R Markdown** است که می‌توان آن را به سادگی به عنوان ترکیبی از `تکه‌های کد` (از R یا زبان‌های دیگر) و یک `سربرگ YAML` (که نحوه قالب‌بندی خروجی‌ها مانند PDF را راهنمایی می‌کند) در یک `سند Markdown` تعریف کرد. به این ترتیب، به عنوان یک چارچوب نویسندگی نمونه برای علم داده عمل می‌کند زیرا به شما امکان می‌دهد کد خود، خروجی آن و افکار خود را با نوشتن آن‌ها در Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML یا Word ارائه شوند. > **یادداشتی درباره آزمون‌ها**: تمام آزمون‌ها در [پوشه Quiz App](../../quiz-app) قرار دارند، برای مجموع ۵۲ آزمون که هر کدام شامل سه سؤال هستند. آن‌ها از درون درس‌ها لینک شده‌اند، اما برنامه 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 | گروه‌بندی درس | اهداف یادگیری | درس مرتبط | نویسنده | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | مقدمه‌ای بر یادگیری ماشین | [مقدمه](1-Introduction/README.md) | یادگیری مفاهیم پایه‌ای پشت یادگیری ماشین | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد | | 02 | تاریخچه یادگیری ماشین | [مقدمه](1-Introduction/README.md) | آشنایی با تاریخچه این حوزه | [درس](1-Introduction/2-history-of-ML/README.md) | جن و ایمی | | 03 | عدالت و یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مسائل فلسفی مهم پیرامون عدالت که دانشجویان باید هنگام ساخت و استفاده از مدل‌های یادگیری ماشین در نظر بگیرند چیست؟ | [درس](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | تکنیک‌های یادگیری ماشین | [مقدمه](1-Introduction/README.md) | چه تکنیک‌هایی توسط محققان یادگیری ماشین برای ساخت مدل‌های یادگیری ماشین استفاده می‌شود؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | Chris و Jen | | 05 | 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) | Jen • Eric Wanjau | | 06 | قیمت کدو تنبل در 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) | Jen • Eric Wanjau | | 07 | قیمت کدو تنبل در آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت مدل‌های رگرسیون خطی و چندجمله‌ای | [پایتون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen و Dmitry • Eric Wanjau | | 08 | قیمت کدو تنبل در 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) | Jen • Eric Wanjau | | 09 | یک اپلیکیشن وب 🔌 | [اپلیکیشن وب](3-Web-App/README.md) | ساخت یک اپلیکیشن وب برای استفاده از مدل آموزش‌دیده | [پایتون](3-Web-App/1-Web-App/README.md) | Jen | | 10 | مقدمه‌ای بر طبقه‌بندی | [طبقه‌بندی](4-Classification/README.md) | پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ مقدمه‌ای بر طبقه‌بندی | [پایتون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen و Cassie • Eric Wanjau | | 11 | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقه‌بندی](4-Classification/README.md) | مقدمه‌ای بر طبقه‌بندها | [پایتون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen و Cassie • Eric Wanjau | | 12 | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقه‌بندی](4-Classification/README.md) | طبقه‌بندهای بیشتر | [پایتون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen و Cassie • Eric Wanjau | | 13 | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقه‌بندی](4-Classification/README.md) | ساخت یک اپلیکیشن وب توصیه‌گر با استفاده از مدل شما | [پایتون](4-Classification/4-Applied/README.md) | Jen | | 14 | 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) | Jen • Eric Wanjau | | 15 | بررسی سلیقه‌های موسیقی نیجریه 🎧 | [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) | Jen • Eric Wanjau | | 16 | مقدمه‌ای بر پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | یادگیری اصول اولیه پردازش زبان طبیعی با ساخت یک ربات ساده | [پایتون](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | وظایف رایج پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | تعمیق دانش پردازش زبان طبیعی با درک وظایف رایج مورد نیاز هنگام کار با ساختارهای زبانی | [پایتون](6-NLP/2-Tasks/README.md) | Stephen | | 18 | ترجمه و تحلیل احساسات ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | ترجمه و تحلیل احساسات با آثار جین آستن | [پایتون](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | هتل‌های عاشقانه اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با بررسی‌های هتل 1 | [پایتون](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | هتل‌های عاشقانه اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با بررسی‌های هتل 2 | [پایتون](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | مقدمه‌ای بر پیش‌بینی سری‌های زمانی | [سری‌های زمانی](7-TimeSeries/README.md) | مقدمه‌ای بر پیش‌بینی سری‌های زمانی | [پایتون](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA | [سری‌های زمانی](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با ARIMA | [پایتون](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با SVR | [سری‌های زمانی](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان | [پایتون](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | مقدمه‌ای بر یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | مقدمه‌ای بر یادگیری تقویتی با Q-Learning | [پایتون](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | کمک به پیتر برای فرار از گرگ! 🐺 | [یادگیری تقویتی](8-Reinforcement/README.md) | یادگیری تقویتی با Gym | [پایتون](8-Reinforcement/2-Gym/README.md) | Dmitry | | پس‌نوشت | سناریوها و کاربردهای واقعی یادگیری ماشین | [یادگیری ماشین در دنیای واقعی](9-Real-World/README.md) | کاربردهای جالب و آشکار یادگیری ماشین کلاسیک | [درس](9-Real-World/1-Applications/README.md) | تیم | | پس‌نوشت | اشکال‌زدایی مدل در یادگیری ماشین با استفاده از داشبورد RAI | [یادگیری ماشین در دنیای واقعی](9-Real-World/README.md) | اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئول | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## 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 دستگاه محلی خود، و سپس در پوشه اصلی این مخزن، دستور `docsify serve` را اجرا کنید. وب‌سایت روی پورت 3000 در localhost شما ارائه خواهد شد: `localhost:3000`. ## فایل‌های PDF یک فایل PDF از برنامه درسی با لینک‌ها را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) پیدا کنید. ## 🎒 دوره‌های دیگر تیم ما دوره‌های دیگری تولید می‌کند! بررسی کنید: - [Edge AI برای مبتدیان](https://aka.ms/edgeai-for-beginners) - [عامل‌های هوش مصنوعی برای مبتدیان](https://aka.ms/ai-agents-beginners) - [هوش مصنوعی مولد برای مبتدیان](https://aka.ms/genai-beginners) - [هوش مصنوعی مولد برای مبتدیان .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [هوش مصنوعی مولد با جاوااسکریپت](https://github.com/microsoft/generative-ai-with-javascript) - [هوش مصنوعی مولد با جاوا](https://github.com/microsoft/Generative-AI-for-beginners-java) - [هوش مصنوعی برای مبتدیان](https://aka.ms/ai-beginners) - [علم داده برای مبتدیان](https://aka.ms/datascience-beginners) - [یادگیری ماشین برای مبتدیان](https://aka.ms/ml-beginners) - [امنیت سایبری برای مبتدیان](https://github.com/microsoft/Security-101) - [توسعه وب برای مبتدیان](https://aka.ms/webdev-beginners) - [اینترنت اشیا برای مبتدیان](https://aka.ms/iot-beginners) - [توسعه XR برای مبتدیان](https://github.com/microsoft/xr-development-for-beginners) - [تسلط بر GitHub Copilot برای برنامه‌نویسی جفتی](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [تسلط بر GitHub Copilot برای توسعه‌دهندگان C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [ماجراجویی Copilot خود را انتخاب کنید](https://github.com/microsoft/CopilotAdventures) ## دریافت کمک اگر گیر کردید یا سوالی درباره ساخت اپلیکیشن‌های هوش مصنوعی دارید، به اینجا بپیوندید: [](https://aka.ms/foundry/discord) اگر بازخورد محصول دارید یا هنگام ساخت خطاهایی دارید، به اینجا مراجعه کنید: [](https://aka.ms/foundry/forum) --- **سلب مسئولیت**: این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.