[](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. برای اطلاعات بیشتر و پیوستن به ما از [Learn with AI Series](https://aka.ms/learnwithai/discord) از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ دیدن کنید. شما نکات و ترفندهایی برای استفاده از GitHub Copilot برای علم داده دریافت خواهید کرد.  # یادگیری ماشین برای مبتدیان - یک برنامه درسی > 🌍 با ما به سراسر جهان سفر کنید و یادگیری ماشین را از طریق فرهنگ‌های جهانی کشف کنید 🌍 مدافعان ابری در مایکروسافت خوشحال هستند که یک برنامه درسی ۱۲ هفته‌ای و ۲۶ درس در مورد **یادگیری ماشین** ارائه می‌دهند. در این برنامه درسی، شما با آنچه گاهی اوقات **یادگیری ماشین کلاسیک** نامیده می‌شود آشنا خواهید شد، که عمدتاً از کتابخانه Scikit-learn استفاده می‌کند و از یادگیری عمیق که در برنامه درسی [AI for Beginners](https://aka.ms/ai4beginners) پوشش داده شده است، اجتناب می‌کند. این درس‌ها را با برنامه درسی ['Data Science for Beginners'](https://aka.ms/ds4beginners) ما ترکیب کنید! با ما به سراسر جهان سفر کنید و این تکنیک‌های کلاسیک را بر روی 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 تدریس 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، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، انیر‌بان موکرجی، اورنلا آلتونیان، روث یاکوبو و امی بوید **🎨 همچنین از تصویرگران ما تشکر می‌کنیم** تومومی ایمورا، داسانی مادیپالی 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 پتروسکو، آبیشک جایسوال، ناورین تاباسوم، 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 سمت 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) **[دانشجویان](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 تکمیل کنید: - با یک آزمون قبل از درس شروع کنید. - درس را بخوانید و فعالیت‌ها را تکمیل کنید، در هر بررسی دانش مکث کرده 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 تکمیل کنید. - تکلیف را انجام دهید. - 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 فکر کنید". یک 'PAT' ابزاری برای ارزیابی پیشرفت است که یک معیار 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 پیشنهاد می‌کنیم این [ماژول‌ها و مسیرهای یادگیری Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید. **معلمان**، ما [برخی پیشنهادات](for-teachers.md) در مورد نحوه استفاده از این برنامه درسی را گنجانده‌ایم. --- ## ویدیوهای راهنما برخی از درس‌ها به صورت ویدیوهای کوتاه در دسترس هستند. می‌توانید همه این‌ها را در درس‌ها یا در [لیست پخش ML for Beginners در کانال YouTube Microsoft Developer](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) **Gif توسط** [موهیت جایسال](https://linkedin.com/in/mohitjaisal) > 🎥 برای مشاهده ویدیویی درباره پروژه و افرادی که آن را ایجاد کرده‌اند، روی تصویر بالا کلیک کنید! --- ## روش تدریس ما در هنگام ساخت این برنامه درسی دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از اینکه این برنامه مبتنی بر پروژه‌های **عملی** است و شامل **آزمون‌های مکرر** می‌شود. علاوه بر این، این برنامه درسی دارای یک **موضوع مشترک** است که به آن انسجام می‌بخشد. با اطمینان از اینکه محتوا با پروژه‌ها همسو است، فرآیند برای دانشجویان جذاب‌تر می‌شود و حفظ مفاهیم تقویت می‌شود. علاوه بر این، یک آزمون کم‌فشار قبل از کلاس، نیت دانشجو را به سمت یادگیری یک موضوع هدایت 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 گذراند. پروژه‌ها کوچک شروع می‌شوند و تا پایان چرخه ۱۲ هفته‌ای به طور فزاینده‌ای پیچیده می‌شوند. این برنامه درسی همچنین شامل یک پس‌نوشت در مورد 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)، [راهنمای مشارکت](CONTRIBUTING.md) و [راهنمای ترجمه](TRANSLATIONS.md) ما را پیدا کنید. ما از بازخورد سازنده شما استقبال می‌کنیم! ## هر درس شامل - 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، راهنمای 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 یک پسوند .rmd هستند 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 راهنمایی می‌کند چگونه خروجی‌ها مانند PDF قالب‌بندی شوند) 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 تبدیل 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 داخل 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 یادگیری ماشین | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد | | 02 | تاریخچه یادگیری ماشین | [مقدمه](1-Introduction/README.md) | یادگیری تاریخچه این حوزه | [درس](1-Introduction/2-history-of-ML/README.md) | جن و امی | | 03 | عدالت و یادگیری ماشین | [Introduction](1-Introduction/README.md) | مسائل فلسفی مهم پیرامون عدالت که دانشجویان باید هنگام ساخت و استفاده از مدل‌های یادگیری ماشین در نظر بگیرند چیست؟ | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | تکنیک‌های یادگیری ماشین | [Introduction](1-Introduction/README.md) | محققان یادگیری ماشین از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | | 05 | مقدمه‌ای بر رگرسیون | [Regression](2-Regression/README.md) | شروع 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) | Jen • Eric Wanjau | | 06 | قیمت کدو تنبل در آمریکای شمالی 🎃 | [Regression](2-Regression/README.md) | تجسم و پاکسازی داده‌ها برای آماده‌سازی یادگیری ماشین | [Python](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 🎃 | [Regression](2-Regression/README.md) | ساخت مدل‌های رگرسیون خطی و چندجمله‌ای | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | | 08 | قیمت کدو تنبل در آمریکای شمالی 🎃 | [Regression](2-Regression/README.md) | ساخت مدل رگرسیون لجستیک | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | | 09 | یک اپلیکیشن وب 🔌 | [Web App](3-Web-App/README.md) | ساخت یک اپلیکیشن وب برای استفاده از مدل آموزش‌دیده | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | مقدمه‌ای بر طبقه‌بندی | [Classification](4-Classification/README.md) | پاکسازی، آماده‌سازی و تجسم داده‌ها؛ مقدمه‌ای بر طبقه‌بندی | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | | 11 | 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) | Jen and Cassie • Eric Wanjau | | 12 | 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) | Jen and Cassie • Eric Wanjau | | 13 | غذاهای خوشمزه آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | ساخت یک اپلیکیشن وب توصیه‌گر با استفاده از مدل شما | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | مقدمه‌ای بر خوشه‌بندی | [Clustering](5-Clustering/README.md) | پاکسازی، آماده‌سازی و تجسم داده‌ها؛ مقدمه‌ای بر خوشه‌بندی | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | | 15 | بررسی سلیقه‌های موسیقی نیجریه‌ای 🎧 | [Clustering](5-Clustering/README.md) | بررسی روش خوشه‌بندی K-Means | [Python](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 ☕️ | [Natural language processing](6-NLP/README.md) | یادگیری اصول اولیه پردازش زبان طبیعی با ساخت یک ربات ساده | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | وظایف رایج پردازش زبان طبیعی ☕️ | [Natural language processing](6-NLP/README.md) | تعمیق دانش پردازش زبان طبیعی با درک وظایف رایج مورد نیاز هنگام کار با ساختارهای زبانی | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | ترجمه و تحلیل احساسات ♥️ | [Natural language processing](6-NLP/README.md) | ترجمه و تحلیل احساسات با آثار جین آستن | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | هتل‌های عاشقانه اروپا ♥️ | [Natural language processing](6-NLP/README.md) | تحلیل احساسات با بررسی نظرات هتل‌ها 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | هتل‌های عاشقانه اروپا ♥️ | [Natural language processing](6-NLP/README.md) | تحلیل احساسات با بررسی نظرات هتل‌ها 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | مقدمه‌ای بر پیش‌بینی سری‌های زمانی | [Time series](7-TimeSeries/README.md) | مقدمه‌ای بر پیش‌بینی سری‌های زمانی | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA | [Time series](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با SVR | [Time series](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | مقدمه‌ای بر یادگیری تقویتی | [Reinforcement learning](8-Reinforcement/README.md) | مقدمه‌ای بر یادگیری تقویتی با Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | کمک به پیتر برای فرار از گرگ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | یادگیری تقویتی با Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | سناریوها و کاربردهای واقعی یادگیری ماشین | [ML in the Wild](9-Real-World/README.md) | کاربردهای جالب و آشکار یادگیری ماشین کلاسیک | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | اشکال‌زدایی مدل در یادگیری ماشین با استفاده از داشبورد RAI | [ML in the Wild](9-Real-World/README.md) | اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئولانه | [Lesson](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 نیز تولید می‌کند! بررسی کنید: - [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) ---