ML-For-Beginners/translations/fa

🌐 پشتیبانی چندزبانه

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

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

به جامعه بپیوندید

یادگیری ماشین برای مبتدیان - یک برنامه درسی

🌍 با ما به سراسر جهان سفر کنید و یادگیری ماشین را از طریق فرهنگ‌های مختلف جهان کشف کنید 🌍

مدافعان ابری در مایکروسافت خوشحال هستند که یک برنامه درسی ۱۲ هفته‌ای و ۲۶ درس درباره یادگیری ماشین ارائه دهند. در این برنامه درسی، شما درباره چیزی که گاهی اوقات یادگیری ماشین کلاسیک نامیده می‌شود، یاد خواهید گرفت، عمدتاً با استفاده از کتابخانه Scikit-learn و اجتناب از یادگیری عمیق که در برنامه درسی AI برای مبتدیان پوشش داده شده است. این درس‌ها را با برنامه درسی 'علم داده برای مبتدیان' 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 آموزشی مبتنی بر پروژه ما به شما امکان می‌دهد در حین ساختن یاد بگیرید، روشی اثبات شده برای تثبیت مهارت‌های جدید.

✍️ تشکر فراوان از نویسندگان ما Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu و Amy Boyd

🎨 همچنین از تصویرگران ما تشکر می‌کنیم Tomomi Imura, Dasani Madipalli و Jen Looper

🙏 تشکر ویژه 🙏 از نویسندگان، بازبینان و مشارکت‌کنندگان محتوای Microsoft Student Ambassador، به ویژه Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila و Snigdha Agarwal

🤩 سپاسگزاری ویژه از Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi و Vidushi Gupta برای درس‌های R ما!

شروع 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

دانش‌آموزان، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرین‌ها را به صورت فردی یا گروهی کامل کنید:

• با آزمون قبل از درس شروع کنید.
• درس را بخوانید و فعالیت‌ها را کامل کنید، در هر بررسی دانش مکث کنید و تأمل کنید.
• سعی کنید پروژه‌ها را با درک درس‌ها ایجاد کنید، نه فقط 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 درس، به تابلوی بحث مراجعه کنید و با پر کردن ابزار ارزیابی پیشرفت مناسب PAT، "بلند فکر کنید". PAT یک ابزار 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، توصیه می‌کنیم این ماژول‌ها و مسیرهای یادگیری Microsoft Learn را دنبال کنید.

معلمان، ما برخی پیشنهادات در مورد نحوه استفاده از این برنامه درسی را گنجانده‌ایم.

---

راهنمای ویدئویی

برخی از درس‌ها به صورت ویدئوی کوتاه در دسترس هستند. می‌توانید همه این‌ها را درون درس‌ها یا در لیست پخش ML برای مبتدیان در کانال YouTube توسعه‌دهنده مایکروسافت پیدا کنید.

---

تیم را بشناسید

Gif توسط Mohit Jaisal

🎥 روی تصویر بالا کلیک کنید تا ویدئویی درباره پروژه و افرادی که آن را ایجاد کرده‌اند ببینید!

---

روش آموزشی

ما دو اصل آموزشی را هنگام ساخت این برنامه درسی 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 هماهنگ است، فرآیند برای دانش‌آموزان جذاب‌تر می‌شود و حفظ مفاهیم افزایش می‌یابد. علاوه بر این، یک آزمون کم‌استرس قبل از کلاس، قصد 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 می‌توان از آن به عنوان اعتبار اضافی یا به عنوان پایه‌ای برای بحث استفاده کرد.

قوانین رفتاری، مشارکت، و راهنمای ترجمه ما را پیدا کنید. ما از بازخورد سازنده شما استقبال می‌کنیم!

هر درس شامل

• اسکچ‌نوت اختیاری
• ویدئوی تکمیلی اختیاری
• راهنمای ویدئویی (فقط برخی درس‌ها)
• آزمون گرم‌آپ قبل از درس
• درس نوشتاری
• برای درس‌های مبتنی بر پروژه، راهنمای گام‌به‌گام برای ساخت پروژه
• بررسی دانش
• یک چالش
• مطالعه تکمیلی
• تکلیف
• آزمون بعد از درس

یادداشت درباره زبان‌ها: این درس‌ها عمدتاً به زبان Python نوشته شده‌اند، اما بسیاری از آن‌ها نیز به زبان R 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 تکه‌های 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.

یادداشت درباره آزمون‌ها: همه آزمون‌ها در پوشه برنامه آزمون قرار دارند، برای مجموع ۵۲ آزمون هر کدام شامل سه سؤال. آن‌ها از داخل درس‌ها لینک شده‌اند اما برنامه آزمون می‌تواند به صورت محلی اجرا شود؛ دستورالعمل‌های موجود در پوشه quiz-app را دنبال کنید تا به صورت محلی میزبان یا در Azure مستقر کنید.

شماره درس	موضوع	گروه‌بندی درس	اهداف یادگیری	درس مرتبط	نویسنده
01	مقدمه‌ای بر یادگیری ماشین	مقدمه	مفاهیم پایه‌ای یادگیری ماشین را بیاموزید	درس	محمد
02	تاریخچه یادگیری ماشین	مقدمه	تاریخچه این حوزه را بیاموزید	درس	جن و ایمی
03	انصاف و یادگیری ماشین	مقدمه	مسائل فلسفی مهم پیرامون انصاف که دانش‌آموزان باید هنگام ساخت و اعمال مدل‌های یادگیری ماشین در نظر بگیرند چیست؟	درس	تومومی
04	تکنیک‌های یادگیری ماشین	Introduction	محققان یادگیری ماشین از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟	Lesson	کریس و جن
05	مقدمه‌ای بر رگرسیون	Regression	شروع کار با پایتون و Scikit-learn برای مدل‌های رگرسیون	Python • R	جن • اریک وانجا
06	قیمت کدو تنبل در آمریکای شمالی 🎃	Regression	مصورسازی و پاکسازی داده‌ها برای آماده‌سازی یادگیری ماشین	Python • R	جن • اریک وانجا
07	قیمت کدو تنبل در آمریکای شمالی 🎃	Regression	ساخت مدل‌های رگرسیون خطی و چندجمله‌ای	Python • R	جن و دیمیتری • اریک وانجا
08	قیمت کدو تنبل در آمریکای شمالی 🎃	Regression	ساخت مدل رگرسیون لجستیک	Python • R	جن • اریک وانجا
09	یک اپلیکیشن وب 🔌	Web App	ساخت یک اپلیکیشن وب برای استفاده از مدل آموزش‌داده‌شده	Python	جن
10	مقدمه‌ای بر دسته‌بندی	Classification	پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ مقدمه‌ای بر دسته‌بندی	Python • R	جن و کاسی • اریک وانجا
11	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	مقدمه‌ای بر دسته‌بندها	Python • R	جن و کاسی • اریک وانجا
12	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	دسته‌بندهای بیشتر	Python • R	جن و کاسی • اریک وانجا
13	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	ساخت یک اپلیکیشن وب توصیه‌گر با استفاده از مدل شما	Python	جن
14	مقدمه‌ای بر خوشه‌بندی	Clustering	پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ مقدمه‌ای بر خوشه‌بندی	Python • R	جن • اریک وانجا
15	بررسی سلیقه‌های موسیقی نیجریه 🎧	Clustering	بررسی روش خوشه‌بندی K-Means	Python • R	جن • اریک وانجا
16	مقدمه‌ای بر پردازش زبان طبیعی ☕️	Natural language processing	یادگیری اصول اولیه پردازش زبان طبیعی با ساخت یک ربات ساده	Python	استیون
17	وظایف رایج پردازش زبان طبیعی ☕️	Natural language processing	تعمیق دانش پردازش زبان طبیعی با درک وظایف رایج هنگام کار با ساختارهای زبانی	Python	استیون
18	ترجمه و تحلیل احساسات ♥️	Natural language processing	ترجمه و تحلیل احساسات با آثار جین آستن	Python	استیون
19	هتل‌های عاشقانه اروپا ♥️	Natural language processing	تحلیل احساسات با بررسی نظرات هتل‌ها 1	Python	استیون
20	هتل‌های عاشقانه اروپا ♥️	Natural language processing	تحلیل احساسات با بررسی نظرات هتل‌ها 2	Python	استیون
21	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	Time series	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	Python	فرانچسکا
22	⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA	Time series	پیش‌بینی سری‌های زمانی با ARIMA	Python	فرانچسکا
23	⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با SVR	Time series	پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان	Python	انیربان
24	مقدمه‌ای بر یادگیری تقویتی	Reinforcement learning	مقدمه‌ای بر یادگیری تقویتی با Q-Learning	Python	دیمیتری
25	به پیتر کمک کنید تا از گرگ فرار کند! 🐺	Reinforcement learning	یادگیری تقویتی با Gym	Python	دیمیتری
Postscript	سناریوها و کاربردهای واقعی یادگیری ماشین	ML in the Wild	کاربردهای جالب و آموزنده یادگیری ماشین کلاسیک	Lesson	تیم
Postscript	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از داشبورد RAI	ML in the Wild	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئولانه	Lesson	روث یاکوبو

تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید

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 دستگاه محلی خود، و سپس در پوشه اصلی این مخزن، دستور docsify serve را اجرا کنید. وب‌سایت روی پورت 3000 در localhost شما اجرا خواهد شد: localhost:3000.

فایل‌های PDF

یک فایل PDF از برنامه درسی با لینک‌ها را اینجا پیدا کنید.

🎒 دوره‌های دیگر

تیم ما دوره‌های دیگری تولید می‌کند! بررسی کنید:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادقتی‌هایی 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 هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.