[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 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) | [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 محلی کلون 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: > > **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 (ویندوز):** > ```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" > ``` > > این به شما همه چیز لازم برای تکمیل دوره را با سرعت دانلود بسیار بیشتر می‌دهد. #### به جامعه ما بپیوندید [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) 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. ![سری یادگیری با هوش مصنوعی](../../translated_images/fa/3.9b58fd8d6c373c20.webp) # آموزش ماشین‌ یادگیری برای مبتدیان > 🌍 سفر در سراسر جهان در حالی که با فرهنگ‌های مختلف جهان ماشین یادگیری را بررسی می‌کنیم 🌍 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 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. **✍️ 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 از تصویرسازان ما سپاسگزاریم** تومومی ایمورا، داسانی مادپالی، و جِن لوپر **🙏 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 **🤩 قدردانی ویژه به سفرای دانشجویی مایکروسافت اریک وانجاو، جاسلین سوندی، و ویدوشی گپتا برای دروس R ما!** # شروع کار این مراحل را دنبال کنید: 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` > [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما بیابید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) > 🔧 **نیاز به کمک دارید؟** 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: - 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 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 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. **معلمان**، ما [برخی پیشنهادات](for-teachers.md) را درباره نحوه استفاده از این برنامه درسی ارائه کرده‌ایم. --- ## ویدیوهای راهنمای مرحله به مرحله 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. [![بنر ML برای مبتدیان](../../translated_images/fa/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- ## تیم ما را ملاقات کنید [![ویدیوی تبلیغاتی](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) **گیف توسط** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 برای دیدن ویدیویی درباره پروژه و افراد سازنده آن روی تصویر بالا کلیک کنید! --- ## روش آموزشی 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. 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. > 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 - خلاصه نکات اختیاری (sketchnote) - ویدیوی مکمل اختیاری - راهنمای ویدیویی (فقط برخی دروس) - [آزمون پیش‌درس](https://ff-quizzes.netlify.app/en/ml/) - درس مکتوب - در دروس مبتنی بر پروژه، راهنمای گام به گام ساخت پروژه - بررسی دانش - یک چالش - خواندن مکمل - تکلیف - [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 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 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 هم تولید می‌کند! بررسی کنید: ### LangChain [![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) [![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) [![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents [![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP برای مبتدیان](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) [![AI Agents برای مبتدیان](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### سری هوش مصنوعی مولد [![هوش مصنوعی مولد برای مبتدیان](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![هوش مصنوعی مولد (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![هوش مصنوعی مولد (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![هوش مصنوعی مولد (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- ### آموزش‌های اصلی [![یادگیری ماشین برای مبتدیان](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![علوم داده برای مبتدیان](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![هوش مصنوعی برای مبتدیان](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) [![امنیت سایبری برای مبتدیان](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) [![توسعه وب برای مبتدیان](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [![اینترنت اشیاء برای مبتدیان](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) [![توسعه XR برای مبتدیان](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### سری همیار هوشمند (کاپیلت) [![همیار هوش مصنوعی برای برنامه‌نویسی زوج](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![همیار برای C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![ماجراجویی کاپیلت](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## دریافت کمک 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. [![دیسکورد Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) اگر بازخورد محصول یا خطاهایی هنگام ساخت برنامه دارید، از اینجا دیدن کنید: [![فروم توسعه‌دهندگان Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) ## نکات اضافی برای یادگیری - 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. 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.