ML-For-Beginners/translations/fa

🌐 پشتیبانی چندزبانه

پشتیبانی از طریق عملیات گیت‌هاب (خودکار و همیشه به‌روز)

عربی | بنگالی | بلغاری | برمه‌ای (میانمار) | چینی (ساده‌شده) | چینی (سنتی، هنگ کنگ) | چینی (سنتی، ماکائو) | چینی (سنتی، تایوان) | کرواتی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کانادا | خمر | کره‌ای | لیتوانیایی | مالایی | مالایالام | مراتی | نپالی | پیدجین نیجریه‌ای | نروژی | فارسی (پارسی) | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورمخی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحلی | سوئدی | تاگالوگ (فیلیپینی) | تامیلی | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

ترجیح می‌دهید به‌صورت محلی کلون کنید؟

این مخزن شامل بیش از ۵۰ ترجمه زبان است که اندازه دانلود را به‌طور قابل توجهی افزایش می‌دهد. برای کلون کردن بدون ترجمه‌ها، از روش sparse checkout استفاده کنید:

بش / 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 تمام چیزهای مورد نیاز برای تکمیل دوره با دانلود بسیار سریع‌تر را می‌دهد.

به جامعه ما بپیوندید

ما سری آموزشی Discord با موضوع یادگیری با هوش مصنوعی را برگزار می‌کنیم؛ برای اطلاعات بیشتر و پیوستن به ما در سری یادگیری با هوش مصنوعی در بازه زمانی ۱۸ تا ۳۰ سپتامبر ۲۰۲۵، مراجعه کنید. نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را دریافت خواهید کرد.

یادگیری ماشین برای مبتدیان - یک دوره آموزشی

🌍 در سراسر جهان سفر کنیم در حالی که یادگیری ماشین را از طریق فرهنگ‌های جهانی کاوش می‌کنیم 🌍

مدافعان فضای ابری در مایکروسافت خوشحال‌اند دوره‌ای ۱۲ هفته‌ای و ۲۶ درس درباره یادگیری ماشین ارائه دهند. در این دوره، درباره چیزی که گاهی یادگیری ماشین کلاسیک خوانده می‌شود، به‌خصوص استفاده از کتابخانه Scikit-learn، یاد خواهید گرفت و از یادگیری عمیق که در دوره هوش مصنوعی برای مبتدیان پوشش داده شده، اجتناب می‌شود. این درس‌ها را با دوره 'علم داده برای مبتدیان' نیز همراه کنید!

با ما در این سفر جهانی همراه باشید تا این تکنیک‌های کلاسیک را بر داده‌های مناطق مختلف جهان اعمال کنیم. هر درس شامل آزمون‌های قبل و بعد درس، دستورالعمل‌های نوشتاری برای تکمیل درس، راه‌حل، تکلیف و غیره است. روش آموزش مبتنی بر پروژه ما به شما این امکان را می‌دهد که در حین ساختن، یاد بگیرید؛ روشی اثبات شده برای درگیر شدن مهارت‌های جدید.

✍️ قدردانی ویژه از نویسندگان ما جن لوپر، استیفن هاول، فرانسسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روث یاکوبو و امی بوید

🎨 قدردانی از تصویرسازان ما تومومی ایمورا، داسانی مادپالی، و جن لوپر

🙏 تشکر ویژه 🙏 از نویسندگان، بازبین‌ها و مشارکت‌کنندگان محتوای سفیران دانشجویی مایکروسافت، به ویژه ریشیت دگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، ناورین طبسم، ایوان سامویلا، و اسنیگده آگاروال

🤩 سپاسگذاری اضافی از سفیران دانشجویی مایکروسافت اریک وانژاو، جاسلین سوندی، و ویدوشی گوپتا برای درس‌های R ما!

شروع به کار

این مراحل را دنبال کنید:

1. انشعاب مخزن: روی دکمه «فورک» در گوشه بالا سمت راست این صفحه کلیک کنید.
2. کلون کردن مخزن: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 نکته شروع سریع: می‌خواهید بدون راه‌اندازی محلی پایتون در مرورگر شروع کنید؟ از GitHub Codespaces برای ایجاد محیط توسعه ابری برای فورک خود استفاده کنید. منوی سبز Code را باز کنید، Codespaces را انتخاب کرده و یک کدسپیس بسازید؛ بسته‌های مورد نیاز هر درس را در صورت لزوم داخل آن نصب کنید.

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

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

دانشجویان، برای استفاده از این دوره، کل مخزن را به حساب گیت‌هاب خود فورک کرده و تمرین‌ها را به تنهایی یا در گروه کامل کنید:

• با آزمون پیش‌درس شروع کنید.
• درس را بخوانید و فعالیت‌ها را انجام دهید، در هر چک‌پوینت دانش توقف کرده و تأمل کنید.
• سعی کنید پروژه‌ها را با درک درس‌ها ایجاد کنید تا فقط اجرای کد راه‌حل؛ البته کد راه‌حل در پوشه‌های /solution هر درس پروژه‌محور موجود است.
• آزمون پایان‌درس را انجام دهید.
• چالش را کامل کنید.
• تکلیف را انجام دهید.
• پس از اتمام یک گروه درسی، به تابلو بحث مراجعه کنید و با پر کردن معیار PAT مربوطه «با صدای بلند یاد بگیرید». PAT یک ابزار ارزیابی پیشرفت است که با پر کردن آن، یادگیری خود را پیش می‌برید. همچنین می‌توانید به PATهای دیگر واکنش 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 دوره ارائه داده‌ایم.

---

فیلم‌های راهنمای درس

برخی از درس‌ها به صورت ویدیوهای کوتاه موجود هستند. می‌توانید همه آنها را درون درس‌ها بیابید یا در فهرست پخش ML for Beginners در کانال YouTube توسعه‌دهندگان مایکروسافت با کلیک روی تصویر زیر مشاهده کنید.

---

تیم ما را بشناسید

گیف توسط Mohit Jaisal

🎥 برای دیدن ویدیو درباره پروژه و افراد سازنده آن، روی تصویر بالا کلیک کنید!

---

روش‌شناسی آموزشی

در طراحی این دوره دو اصل آموزشی را انتخاب کرده‌ایم: تضمین اینکه دست‌به‌کار و مبتنی بر پروژه باشد و شامل آزمون‌های متداول باشد. علاوه بر این، این دوره دارای یک موضوع مشترک است تا انسجام ایجاد کند.

با اطمینان از تطابق محتوا با پروژه‌ها، فرآیند برای دانش‌آموزان جذاب‌تر شده و حفظ مفاهیم افزایش می‌یابد. همچنین، یک آزمون کم‌ریسک پیش از کلاس، نیت دانش‌آموز برای یادگیری موضوع را تنظیم می‌کند، و آزمون دوم پس از کلاس حفظ بیشتر را تضمین می‌کند. این دوره طوری طراحی شده که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان کل آن یا بخش‌هایی از آن را استفاده کرد. پروژه‌ها از کوچک شروع شده و به تدریج در پایان ۱۲ هفته پیچیده‌تر می‌شوند. این دوره همچنین یک ضمیمه درباره کاربردهای واقعی یادگیری ماشین دارد که می‌توان به عنوان اعتبار اضافی یا پایه‌ای برای بحث استفاده کرد.

در اینجا دستورالعمل رفتار، چگونه مشارکت کنیم، ترجمه‌ها و راهنمای عیب‌یابی را بیابید. بازخورد سازنده شما را می‌پذیریم!

هر درس شامل

• یادداشت تصویری اختیاری
• ویدیوی مکمل اختیاری
• ویدیو راهنما (فقط بعضی درس‌ها)
• آزمون گرم‌کردن پیش‌درس
• درس نوشتاری
• برای درس‌های مبتنی بر پروژه، راهنمای گام به گام ساخت پروژه
• چک‌پوینت‌های دانش
• یک چالش
• مطالعه تکمیلی
• تکلیف
• آزمون پس از درس

یادداشتی درباره زبان‌ها: این درس‌ها عمدتاً به زبان پایتون نوشته شده‌اند، اما بسیاری نیز به زبان R موجودند. برای تکمیل یک درس R، به پوشه /solution رفته و درس‌های R را جستجو کنید. آنها پسوند .rmd دارند که نمایانگر فایلی از نوع R Markdown است، که می‌توان آن را به‌سادگی به‌عنوان تعبیه بلوک‌های 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، یک چارچوب نمونه برای تولید محتوا در علم داده است چون به شما اجازه می‌دهد کد خود، خروجی آن و افکارتان را با نوشتن در Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML یا Word رندر شوند.

یادداشتی درباره آزمون‌ها: همه آزمون‌ها در پوشه برنامه آزمون موجودند، مجموعاً ۵۲ آزمون سه سوالی. آن‌ها از داخل درس‌ها لینک شده‌اند اما برنامه آزمون می‌تواند به‌صورت محلی اجرا شود؛ دستورالعمل‌های میزبانی محلی یا استقرار روی Azure را در پوشه quiz-app دنبال کنید.

شماره درس	موضوع	گروه درس	اهداف یادگیری	درس مرتبط	نویسنده
01	مقدمه‌ای بر یادگیری ماشین	Introduction	مفاهیم پایه‌ای پشت یادگیری ماشین را بیاموزید	Lesson	محمد
02	تاریخچه یادگیری ماشین	Introduction	تاریخچه این حوزه را بیاموزید	Lesson	جن و اِمی
03	عدالت و یادگیری ماشین	Introduction	مسائل فلسفی مهم مربوط به عدالت که دانش‌آموزان باید هنگام ساخت و اجرای مدل‌های یادگیری ماشین در نظر بگیرند چیست؟	Lesson	تومومی
04	تکنیک‌های یادگیری ماشین	Introduction	پژوهشگران یادگیری ماشین چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟	Lesson	کریس و جن
05	مقدمه‌ای بر رگرسیون	Regression	شروع کار با پایتون و اسکی‌کت-لرن برای مدل‌های رگرسیونی	Python • R	جن • اریک ونجو
06	قیمت‌های کدو تنبل در آمریکای شمالی 🎃	Regression	داده‌ها را برای آماده‌سازی جهت یادگیری ماشین بصری‌سازی و پاک‌سازی کنید	Python • R	جن • اریک ونجو
07	قیمت‌های کدو تنبل در آمریکای شمالی 🎃	Regression	مدل‌های رگرسیون خطی و چندجمله‌ای بسازید	Python • R	جن و دیمیتری • اریک ونجو
08	قیمت‌های کدو تنبل در آمریکای شمالی 🎃	Regression	یک مدل رگرسیون لجستیک بسازید	Python • R	جن • اریک ونجو
09	یک اپ وب 🔌	Web App	یک اپ وب بسازید تا از مدل آموزش‌دیده خود استفاده کنید	Python	جن
10	مقدمه‌ای بر دسته‌بندی	Classification	داده‌های خود را پاک کنید، آماده کنید و بصری‌سازی کنید؛ مقدمه‌ای بر دسته‌بندی	Python • R	جن و کَسی • اریک ونجو
11	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	مقدمه‌ای بر دسته‌بندها	Python • R	جن و کَسی • اریک ونجو
12	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	دسته‌بندهای بیشتر	Python • R	جن و کَسی • اریک ونجو
13	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	ساخت یک اپ وب پیشنهاددهنده با استفاده از مدل خود	Python	جن
14	مقدمه‌ای بر خوشه‌بندی	Clustering	داده‌های خود را پاک کنید، آماده کنید و بصری‌سازی کنید؛ مقدمه‌ای بر خوشه‌بندی	Python • R	جن • اریک ونجو
15	کاوش سلیقه‌های موسیقی نیجریه‌ای 🎧	Clustering	روش خوشه‌بندی K-Means را کاوش کنید	Python • R	جن • اریک ونجو
16	مقدمه‌ای بر پردازش زبان طبیعی ☕️	Natural language processing	اصول اولیه NLP را با ساخت یک ربات ساده بیاموزید	Python	استفان
17	وظایف رایج NLP ☕️	Natural language processing	دانش NLP خود را با درک وظایف رایج مورد نیاز در برخورد با ساختارهای زبانی عمیق‌تر کنید	Python	استفان
18	ترجمه و تحلیل احساسات ♥️	Natural language processing	ترجمه و تحلیل احساسات با جین آستن	Python	استفان
19	هتل‌های رمانتیک اروپا ♥️	Natural language processing	تحلیل احساسات با بررسی نظرات هتل 1	Python	استفان
20	هتل‌های رمانتیک اروپا ♥️	Natural language processing	تحلیل احساسات با بررسی نظرات هتل 2	Python	استفان
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	آنیربان
24	مقدمه‌ای بر یادگیری تقویتی	Reinforcement learning	مقدمه‌ای بر یادگیری تقویتی با Q-Learning	Python	دیمیتری
25	کمک به پیتر برای اجتناب از گرگ! 🐺	Reinforcement learning	یادگیری تقویتی با Gym	Python	دیمیتری
پس‌نویس	سناریوها و کاربردهای یادگیری ماشین در دنیای واقعی	ML in the Wild	کاربردهای جالب و آموزنده یادگیری ماشین کلاسیک در دنیای واقعی	Lesson	تیم
پس‌نویس	رفع اشکال مدل در یادگیری ماشین با داشبورد RAI	ML in the Wild	رفع اشکال مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئول	Lesson	روث یاکوبو

تمام منابع اضافی برای این دوره را در مجموعه یادگیری مایکروسافت ما بیابید

دسترسی آفلاین

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 ریشه این مخزن، دستور docsify serve را تایپ کنید. وب‌سایت روی پورت ۳۰۰۰ روی localhost شما سرو خواهد شد: localhost:3000.

PDFها

فایل pdf برنامه آموزشی با لینک‌ها را اینجا بیابید.

🎒 دوره‌های دیگر

تیم ما دوره‌های دیگری نیز تولید می‌کند! بررسی کنید:

LangChain

Azure / Edge / MCP / Agents

---

مجموعه هوش مصنوعی تولیدی

---

آموزش‌های پایه

---

مجموعه Copilot

دریافت کمک

اگر هنگام یادگیری یادگیری ماشین یا ساخت برنامه‌های هوش مصنوعی دچار مشکل یا سوال شدید نگران نباشید — کمک موجود است.

شما می‌توانید در بحث‌ها با سایر یادگیرندگان و توسعه‌دهندگان شرکت کنید، سوالات بپرسید و ایده‌های خود را با جامعه به اشتراک بگذارید.

• به جامعه بپیوندید تا سوال بپرسید و همراه با دیگران یاد بگیرید
• مفاهیم یادگیری ماشین و ایده‌های پروژه را بحث کنید
• از توسعه‌دهندگان باتجربه راهنمایی بگیرید

یک جامعه حمایتگر راه بسیار خوبی برای رشد مهارت‌هایتان و حل سریع‌تر مشکلات است.

Microsoft Foundry Discord Community

اگر با اشکال، خطا یا پیشنهاداتی برای بهبود برخورد کردید، می‌توانید یک Issue در این مخزن باز کنید تا مشکل را گزارش دهید.

برای بازخورد محصول یا جستجوی پست‌های قبلی جامعه، به انجمن توسعه‌دهندگان مراجعه کنید:

نکات بیشتر برای یادگیری

• پس از هر درس دفترچه‌ها را مرور کنید تا بهتر درک کنید.
• الگوریتم‌ها را خودتان تمرین پیاده‌سازی کنید.
• داده‌های واقعی را با مفاهیم آموخته شده کاوش کنید.

---

سلب مسئولیت: این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.