ML-For-Beginners/translations/fa

🌐 پشتیبانی چندزبانه

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) | کرواتی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کانادا | خمری | کره‌ای | لیتوانیایی | مالایی | مالایالم | مراتی | نپالی | نیجریه‌ای پجین | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گرموقی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیل | تلگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

ترجیح می‌دهید به صورت محلی کلون کنید؟

این مخزن شامل بیش از ۵۰ ترجمه زبانی است که حجم دانلود را به طور قابل توجهی افزایش می‌دهد. برای کلون بدون ترجمه‌ها، از sparse checkout استفاده کنید:

باش/مک‌او‌اس/لینوکس:

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 با دانلود سریع‌تر را می‌دهد.

به جامعه ما بپیوندید

ما مجموعه‌ای از جلسات یادگیری با هوش مصنوعی در دیسکورد داریم، برای اطلاعات بیشتر و پیوستن به ما به دوره یادگیری با هوش مصنوعی از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ مراجعه کنید. در این دوره نکات و ترفندهای استفاده از GitHub Copilot برای علوم داده دریافت خواهید کرد.

یادگیری ماشین برای مبتدیان - یک دوره آموزشی

🌍 سفر به دور دنیا در حالی که یادگیری ماشین را از منظر فرهنگ‌های مختلف جهان بررسی می‌کنیم 🌍

نمایندگان ابر در مایکروسافت خوشحال‌اند که یک دوره ۱۲ هفته‌ای شامل ۲۶ درس درباره یادگیری ماشین ارائه دهند. در این دوره، شما با چیزی که گاهی به آن یادگیری کلاسیک ماشین گفته می‌شود، که عمدتاً از کتابخانه Scikit-learn استفاده می‌کند و یادگیری عمیق را که در دوره هوش مصنوعی برای مبتدیان ما پوشش داده شده، اجتناب می‌کند، آشنا خواهید شد. این دروس را همراه با دوره علوم داده برای مبتدیان نیز دنبال کنید!

با ما در سفری دور دنیا همراه شوید که این تکنیک‌های کلاسیک را برای داده‌های مناطق مختلف جهان به کار می‌بریم. هر درس شامل آزمون‌های پیش و پس از درس، دستورالعمل‌های مکتوب برای تکمیل درس، راه‌حل، تمرین و موارد بیشتر است. روش آموزش مبتنی بر پروژه ما به شما امکان می‌دهد در حین ساخت پروژه یاد بگیرید، روشی اثبات شده برای تثبیت مهارت‌های جدید.

✍️ از نویسندگان ما صمیمانه سپاسگزاریم: جن لوپر، استفن هاول، فرانچسکا لازری، تومومی ایمورا، کَسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روت یاکوبو و اِمی بوید

🎨 همچنین از تصویرگران ما سپاسگزاریم: تومومی ایمورا، داسانی ماداپالی، و جن لوپر

**🙏 تشکر ویژه 🙏 از سفیران دانشجویی مایکروسافت، نویسندگان، بازبینان و مشارکت‌کنندگان محتوا، به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبهیشک جایسوال، ناورین طبسم، ایوان سامویلا، و اسنیگدها آگاروال

🤩 تشکر ویژه به سفیران دانشجویی مایکروسافت اریک وانژاو، جاسلین سوندی و ویدوشی گپتا برای دروس زبان R ما!

شروع به کار

این مراحل را دنبال کنید:

1. شاخه کپی مخزن را بسازید: روی دکمه "Fork" در گوشه بالا سمت راست صفحه کلیک کنید.
2. مخزن را کلون کنید: git clone https://github.com/microsoft/ML-For-Beginners.git

برای دسترسی به تمام منابع اضافی این دوره از مجموعه Microsoft Learn ما دیدن کنید

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

دانش‌آموزان، برای استفاده از این دوره، کل مخزن را در حساب GitHub خود فورک کنید و تمرین‌ها را به تنهایی یا به صورت گروهی انجام دهید:

• با آزمون پیش‌درس شروع کنید.
• درس را مطالعه کرده و فعالیت‌ها را انجام دهید، در هر بخش مکث کنید و تفکر کنید.
• سعی کنید پروژه‌ها را با فهمیدن درس‌ها ایجاد کنید نه با اجرای کد راه‌حل؛ البته آن کدها در پوشه‌های /solution هر درس پروژه‌محور موجود است.
• آزمون پس از درس را دنبال کنید.
• چالش را کامل کنید.
• تکلیف را تکمیل کنید.
• پس از پایان یک گروه درسی، به صفحه بحث مراجعه کرده و با پر کردن فرم ارزیابی پیشرفت (PAT) دانش خود را به‌اشتراک بگذارید. PAT ابزاری است که به ارتقای یادگیری شما کمک می‌کند. همچنین می‌توانید به PATهای دیگران واکنش نشان دهید تا همه با هم یاد بگیریم.

برای مطالعه بیشتر، توصیه می‌کنیم این ماژول‌ها و مسیرهای یادگیری Microsoft Learn را دنبال کنید.

معلمان، ما برخی پیشنهادات برای استفاده از این دوره ارائه داده‌ایم.

---

ویدیوهای آموزشی

برخی از دروس به صورت ویدیوی کوتاه در دسترس هستند. می‌توانید همه این ویدیوها را درون خود درس‌ها مشاهده کنید، یا در فهرست پخش ML for Beginners در کانال یوتیوب مایکروسافت دولوپر با کلیک روی تصویر زیر ببینید.

---

با تیم آشنا شوید

گیف توسط Mohit Jaisal

🎥 برای مشاهده ویدیویی درباره پروژه و تیم سازنده آن روی تصویر بالا کلیک کنید!

---

روش تدریس

در طراحی این دوره، دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از آنکه دوره به صورت عملی و مبتنی بر پروژه باشد و اینکه شامل آزمون‌های مکرر باشد. علاوه بر این، این دوره یک تم مشترک دارد تا انسجام ایجاد کند.

با تضمین تطابق محتوا با پروژه‌ها، فرآیند برای دانش‌آموزان جذاب‌تر شده و حفظ مفاهیم افزایش می‌یابد. علاوه بر این، یک آزمون ساده پیش از کلاس، نیت دانش‌آموز را به سمت یادگیری قرار می‌دهد، و آزمون دوم پس از کلاس به حفظ بیشتر کمک می‌کند. این دوره به گونه‌ای طراحی شده که انعطاف‌پذیر و سرگرم‌کننده بوده و می‌توان آن را کامل یا بخشی از آن را دنبال کرد. پروژه‌ها از ابتدایی شروع شده و در پایان چرخه ۱۲ هفته‌ای پیچیده‌تر می‌شوند. این دوره همچنین پی‌نوشت‌هایی درباره کاربردهای واقعی یادگیری ماشین دارد که می‌توانند به عنوان اعتبار اضافی یا مبنای بحث استفاده شوند.

راهنمای رفتار حرفه‌ای، مشارکت، ترجمه‌ها و عیب‌یابی ما را بیابید. ما بازخورد سازنده‌ی شما را خوش‌آمد می‌گوییم!

هر درس شامل می‌شود از

• نکته‌برداری اختیاری
• ویدیوی تکمیلی اختیاری
• ویدیو آموزشی (فقط برخی دروس)
• آزمون گرم‌کننده پیش از درس
• درس مکتوب
• برای دروس مبتنی بر پروژه، راهنمای گام‌به‌گام ساخت پروژه
• بررسی‌های دانش
• یک چالش
• مطالعه تکمیلی
• تمرین
• آزمون پس از درس

یک یادداشت درباره زبان‌ها: این درس‌ها عمدتاً به زبان پایتون نوشته شده‌اند، اما بسیاری نیز به زبان R در دسترس هستند. برای تکمیل یک درس R، به پوشه‌ی /solution بروید و به دنبال درس‌های R بگردید. این‌ها شامل پسوند .rmd هستند که نشان‌دهنده یک فایل R Markdown است که به سادگی می‌توان آن را به عنوان جاسازی کد چانک‌ها (از R یا زبان‌های دیگر) و یک هدر YAML (که راهنمای فرمت‌بندی خروجی‌ها مانند PDF است) در یک سند Markdown تعریف کرد. بنابراین، این یک چارچوب نمونه برای نگارش در علوم داده است چون به شما امکان می‌دهد کد خود، خروجی آن و افکارتان را با نوشتن به فرمت Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML یا Word تبدیل شوند.

یک یادداشت درباره آزمون‌ها: تمام آزمون‌ها در پوشه برنامه Quiz قرار دارند، مجموعاً ۵۲ آزمون با سه سؤال هر کدام. آن‌ها از داخل درس‌ها لینک شده‌اند اما برنامه آزمون به صورت محلی نیز قابل اجرا است؛ دستورالعمل‌های میزبانی محلی یا استقرار روی Azure را در پوشه quiz-app دنبال کنید.

شماره درس	موضوع	گروه‌بندی درس	اهداف یادگیری	درس مرتبط	نویسنده
۰۱	معرفی به یادگیری ماشین	معرفی	یادگیری مفاهیم پایه یادگیری ماشین	درس	محمد
۰۲	تاریخچه یادگیری ماشین	معرفی	یادگیری تاریخچه این حوزه	درس	جن و امی
۰۳	عدالت و یادگیری ماشین	معرفی	مسائل فلسفی مهم پیرامون عدالت که دانش‌آموزان باید هنگام ساخت و بکارگیری مدل‌های ML مدنظر داشته باشند؟	درس	تومومی
۰۴	تکنیک‌های یادگیری ماشین	معرفی	پژوهشگران ML از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟	درس	کریس و جن
۰۵	معرفی به رگرسیون	رگرسیون	شروع کار با پایتون و Scikit-learn برای مدل‌های رگرسیون	پایتون • R	جن • اریک وانژو
۰۶	قیمت‌های کدوحلوایی آمریکای شمالی 🎃	رگرسیون	مصورسازی و پاکسازی داده‌ها در آماده‌سازی برای یادگیری ماشین	پایتون • R	جن • اریک وانژو
۰۷	قیمت‌های کدوحلوایی آمریکای شمالی 🎃	رگرسیون	ساخت مدل‌های رگرسیون خطی و چندجمله‌ای	پایتون • R	جن و دیمیتری • اریک وانژو
۰۸	قیمت‌های کدوحلوایی آمریکای شمالی 🎃	رگرسیون	ساخت مدل رگرسیون لجستیک	پایتون • R	جن • اریک وانژو
۰۹	یک برنامه وب 🔌	برنامه وب	ساخت یک برنامه وب برای استفاده از مدل آموزش دیده	پایتون	جن
۱۰	معرفی به دسته‌بندی	دسته‌بندی	پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ معرفی به دسته‌بندی	پایتون • R	جن و کاسی • اریک وانژو
۱۱	غذاهای خوشمزه آسیایی و هندی 🍜	دسته‌بندی	معرفی دسته‌بندها	پایتون • R	جن و کاسی • اریک وانژو
۱۲	غذاهای خوشمزه آسیایی و هندی 🍜	دسته‌بندی	دسته‌بندهای بیشتر	پایتون • R	جن و کاسی • اریک وانژو
۱۳	غذاهای خوشمزه آسیایی و هندی 🍜	دسته‌بندی	ساخت اپلیکیشن وب توصیه‌گر با استفاده از مدل خود	پایتون	جن
۱۴	معرفی به خوشه‌بندی	خوشه‌بندی	پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ معرفی به خوشه‌بندی	پایتون • R	جن • اریک وانژو
۱۵	کشف سلیقه‌های موسیقی نیجریه‌ای 🎧	خوشه‌بندی	کاوش روش خوشه‌بندی K-Means	پایتون • R	جن • اریک وانژو
۱۶	معرفی به پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	یادگیری اصول اولیه NLP با ساخت یک بات ساده	پایتون	استفن
۱۷	وظایف رایج NLP ☕️	پردازش زبان طبیعی	تعمیق دانش NLP با درک وظایف رایج هنگام کار با ساختارهای زبان	پایتون	استفن
۱۸	ترجمه و تحلیل احساسات ♥️	پردازش زبان طبیعی	ترجمه و تحلیل احساسات با جین آستین	پایتون	استفن
۱۹	هتل‌های عاشقانه اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نظرات هتل 1	پایتون	استفن
۲۰	هتل‌های عاشقانه اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نظرات هتل 2	پایتون	استفن
۲۱	معرفی به پیش‌بینی سری‌های زمانی	سری زمانی	معرفی به پیش‌بینی سری‌های زمانی	پایتون	فرانچسکا
۲۲	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA	سری زمانی	پیش‌بینی سری‌های زمانی با ARIMA	پایتون	فرانچسکا
۲۳	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری‌های زمانی با SVR	سری زمانی	پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان	پایتون	آنیر بن
۲۴	معرفی به یادگیری تقویتی	یادگیری تقویتی	معرفی به یادگیری تقویتی با Q-Learning	پایتون	دیمیتری
۲۵	کمک به پیتر برای فرار از گرگ! 🐺	یادگیری تقویتی	یادگیری تقویتی Gym	پایتون	دیمیتری
پست‌اسکریپت	سناریوها و کاربردهای دنیای واقعی ML	یادگیری ماشین در جهان واقعی	کاربردهای جالب و آشکار یادگیری ماشین کلاسیک در دنیای واقعی	درس	تیم
پست‌اسکریپت	اشکال‌زدایی مدل در ML با استفاده از داشبورد RAI	یادگیری ماشین در جهان واقعی	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI	درس	راث یاکوبو

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

دسترسی آفلاین

می‌توانید این مستندات را به صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را روی دستگاه محلی خود نصب کنید، سپس در پوشه ریشه این مخزن تایپ کنید docsify serve. سایت روی پورت ۳۰۰۰ در لوکال‌هاست شما سرو خواهد شد: localhost:3000.

فایل‌های PDF

نسخه PDF برنامه درسی با لینک‌های مرتبط را اینجا بیابید.

🎒 دوره‌های دیگر

تیم ما دوره‌های دیگر هم تولید می‌کند! بررسی کنید:

LangChain

Azure / Edge / MCP / Agents

---

سری آموزش هوش مصنوعی مولد

---

یادگیری اساسی

---

سری کوپایلت

دریافت کمک

اگر در یادگیری یادگیری ماشین یا ساخت برنامه‌های هوش مصنوعی به مشکل برخوردید یا سوالی داشتید، نگران نباشید — کمک در دسترس است.

می‌توانید در بحث‌ها با دیگر یادگیرندگان و توسعه‌دهندگان شرکت کنید، سوالات خود را بپرسید و ایده‌هایتان را با جامعه به اشتراک بگذارید.

• به جامعه بپیوندید تا سوالات خود را مطرح کنید و همراه با دیگران یاد بگیرید
• درباره مفاهیم یادگیری ماشین و ایده‌های پروژه بحث کنید
• از توسعه‌دهندگان باتجربه راهنمایی بگیرید

یک جامعه حمایت‌گرانه راهی عالی برای رشد مهارت‌ها و حل سریع‌تر مشکلات است.

Microsoft Foundry Discord Community

اگر با اشکال، خطا یا پیشنهاد بهبود مواجه شدید، می‌توانید یک Issue در این مخزن باز کنید تا مشکل را گزارش دهید.

برای بازخورد درباره محصول یا جستجوی پست‌های موجود در جامعه، به فروم توسعه‌دهندگان مراجعه کنید:

نکات اضافی برای یادگیری

• پس از هر درس، دفترچه‌های یادداشت را مرور کنید تا بهتر متوجه شوید.
• الگوریتم‌ها را خودتان تمرین کنید.
• مجموعه داده‌های واقعی را با مفاهیم آموخته‌شده بررسی کنید.

---

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه ماشینی 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 نواقص باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هر گونه سوءتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.