ML-For-Beginners/translations/fa

🌐 پشتیبانی چند زبانه

پشتیبانی شده از طریق GitHub Action (خودکار و همیشه به‌روز)

عربی | بنگالی | بلغاری | برمه‌ای (میانمار) | چینی (ساده‌شده) | چینی (سنتی، هنگ‌کنگ) | چینی (سنتی، ماکائو) | چینی (سنتی، تایوان) | کرواسی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کانادا | خمری | کره‌ای | لیتوانیایی | مالایی | مالایالام | مراتی | نپالی | پیجین نیجریه‌ای | نروژی | فارسی (Farsi) | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورموخی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیل | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

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:

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):

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

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 از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵. شما نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را خواهید گرفت.

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 ما پوشش داده شده، یاد خواهید گرفت. این دروس را با برنامه درسی 'علم داده برای مبتدیان' 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

🔧 نیاز به کمک دارید؟ برای حل مشکلات رایج مربوط به نصب، راه‌اندازی و اجرای دروس، راهنمای عیب‌یابی ما را بررسی کنید.

دانش‌آموزان، 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 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 را دنبال کنید.

معلمان، ما برخی پیشنهادات 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 با کلیک روی تصویر زیر مشاهده کنید.

---

تیم ما را ملاقات کنید

گیف توسط Mohit Jaisal

🎥 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، راهنمای مشارکت، ترجمه‌ها، و عیب‌یابی 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
• درس مکتوب
• در دروس مبتنی بر پروژه، راهنمای گام به گام ساخت پروژه
• بررسی دانش
• یک چالش
• خواندن مکمل
• تکلیف
• آزمون پس از درس

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 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	مفاهیم پایه یادگیری ماشین را یاد بگیرید	درس	محمد
۰۲	تاریخچه یادگیری ماشین	Introduction	تاریخچه زمینه یادگیری ماشین را بیاموزید	درس	جن و امی
۰۳	عدالت و یادگیری ماشین	Introduction	مسائل فلسفی مهم عدالت که دانش‌آموزان باید هنگام ساخت و بکارگیری مدل‌های یادگیری ماشین در نظر بگیرند چیست؟	درس	تومومی
۰۴	تکنیک‌های یادگیری ماشین	Introduction	پژوهشگران یادگیری ماشین از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟	درس	کریس و جن
۰۵	مقدمه‌ای بر رگرسیون	Regression	شروع به کار با پایتون و Scikit-learn برای مدل‌های رگرسیون	Python • R	جن • اریک وانجائو
۰۶	قیمت‌های کدو شمال آمریکا 🎃	Regression	داده‌ها را برای یادگیری ماشین، تمیز و مصورسازی کنید	Python • R	جن • اریک وانجائو
۰۷	قیمت‌های کدو شمال آمریکا 🎃	Regression	مدل‌های رگرسیون خطی و چندجمله‌ای بسازید	Python • R	جن و دیمیتری • اریک وانجائو
۰۸	قیمت‌های کدو شمال آمریکا 🎃	Regression	مدل رگرسیون لجستیک بسازید	Python • R	جن • اریک وانجائو
۰۹	برنامه وب 🔌	Web App	ساخت یک برنامه وب برای استفاده از مدل آموزش دیده شما	Python	جن
۱۰	مقدمه‌ای بر طبقه‌بندی	Classification	داده‌های خود را تمیز، آماده و مصور کنید؛ مقدمه‌ای بر طبقه‌بندی	Python • R	جن و کاسی • اریک وانجائو
۱۱	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	مقدمه‌ای بر طبقه‌بندها	Python • R	جن و کاسی • اریک وانجائو
۱۲	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	طبقه‌بندهای بیشتر	Python • R	جن و کاسی • اریک وانجائو
۱۳	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	ساخت یک برنامه وب توصیه‌گر با استفاده از مدل خود	Python	جن
۱۴	مقدمه‌ای بر خوشه‌بندی	Clustering	داده‌ها را تمیز، آماده و مصور کنید؛ مقدمه‌ای بر خوشه‌بندی	Python • R	جن • اریک وانجائو
۱۵	اکتشاف سلیقه‌های موسیقی نیجریه‌ای 🎧	Clustering	روش خوشه‌بندی K-Means را کاوش کنید	Python • R	جن • اریک وانجائو
۱۶	مقدمه‌ای بر پردازش زبان طبیعی ☕️	Natural language processing	مبانی پردازش زبان طبیعی را با ساخت یک ربات ساده یاد بگیرید	Python	استفان
۱۷	وظایف متداول NLP ☕️	Natural language processing	دانش خود را درباره وظایف معمول پردازش زبان طبیعی که هنگام برخورد با ساختارهای زبانی انتظار می‌رود، عمیق‌تر کنید	Python	استفان
۱۸	ترجمه و تحلیل احساسات ♥️	Natural language processing	ترجمه و تحلیل احساسات با جین آستن	Python	استفان
۱۹	هتل‌های عاشقانه اروپا ♥️	Natural language processing	تحلیل احساسات با بررسی‌های هتل ۱	Python	استفان
۲۰	هتل‌های عاشقانه اروپا ♥️	Natural language processing	تحلیل احساسات با بررسی‌های هتل ۲	Python	استفان
۲۱	مقدمه‌ای بر پیش‌بینی داده‌های سری زمانی	Time series	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	Python	فرانچسکا
۲۲	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری زمانی با ARIMA	Time series	پیش‌بینی سری زمانی با ARIMA	Python	فرانچسکا
۲۳	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری زمانی با SVR	Time series	پیش‌بینی سری زمانی با رگرسیون بردار پشتیبان	Python	آنربان
۲۴	مقدمه‌ای بر یادگیری تقویتی	Reinforcement learning	مقدمه‌ای بر یادگیری تقویتی با Q-Learning	Python	دیمیتری
۲۵	کمک به پیتر برای فرار از گرگ! 🐺	Reinforcement learning	Gym یادگیری تقویتی	Python	دیمیتری
پایان‌نامه	سناریوها و کاربردهای یادگیری ماشین در دنیای واقعی	ML in the Wild	کاربردهای جالب و روشنگرانه یادگیری ماشین کلاسیک در دنیای واقعی	درس	تیم
پایان‌نامه	اشکال‌زدایی مدل در یادگیری ماشین با داشبورد RAI	ML in the Wild	اشکال‌زدایی مدل یادگیری ماشین با استفاده از اجزای داشبورد مسئولانه AI	درس	روث یاکوبو

تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما بیابید

دسترسی آفلاین

شما می‌توانید این مستندات را به صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را نصب کنید 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 بیابید.

🎒 دوره‌های دیگر

تیم ما دوره‌های دیگری هم تولید می‌کند! بررسی کنید:

LangChain

Azure / Edge / MCP / Agents

---

سری هوش مصنوعی مولد

---

آموزش‌های اصلی

---

سری همیار هوشمند (کاپیلت)

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.

اگر بازخورد محصول یا خطاهایی هنگام ساخت برنامه دارید، از اینجا دیدن کنید:

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 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.