localizeflow[bot]
6dbf9c2555
|
2 months ago | |
|---|---|---|
| .. | ||
| 1-Introduction | 5 months ago | |
| 2-Regression | 5 months ago | |
| 3-Web-App | 5 months ago | |
| 4-Classification | 5 months ago | |
| 5-Clustering | 5 months ago | |
| 6-NLP | 5 months ago | |
| 7-TimeSeries | 5 months ago | |
| 8-Reinforcement | 5 months ago | |
| 9-Real-World | 5 months ago | |
| docs | 5 months ago | |
| quiz-app | 5 months ago | |
| sketchnotes | 5 months ago | |
| AGENTS.md | 4 months ago | |
| CODE_OF_CONDUCT.md | 5 months ago | |
| CONTRIBUTING.md | 5 months ago | |
| PyTorch_Fundamentals.ipynb | 5 months ago | |
| README.md | 2 months ago | |
| SECURITY.md | 5 months ago | |
| SUPPORT.md | 4 months ago | |
| TROUBLESHOOTING.md | 4 months ago | |
| for-teachers.md | 5 months ago | |
README.md
🌐 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 | کرهای | لیتوانیایی | مالایی | مالایالام | مراتی | نپالی | پیدجین نیجریهای | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورمخی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیل | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی
به جامعه ما بپیوندید
ما یک سری آموزش Discord با موضوع یادگیری با هوش مصنوعی داریم، برای اطلاعات بیشتر و پیوستن به ما به سری یادگیری با هوش مصنوعی از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ مراجعه کنید. شما نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را دریافت خواهید کرد.
یادگیری ماشین برای مبتدیان - یک برنامه درسی
🌍 سفر در سراسر جهان در حالی که یادگیری ماشین را از طریق فرهنگهای جهانی کاوش میکنیم 🌍
مدافعان ابر در مایکروسافت خوشحالند که یک برنامه درسی ۱۲ هفتهای با ۲۶ درس درباره یادگیری ماشین ارائه دهند. در این برنامه درسی، شما با چیزی که گاهی اوقات به آن یادگیری ماشین کلاسیک گفته میشود آشنا خواهید شد، که عمدتاً از کتابخانه Scikit-learn استفاده میکند و از یادگیری عمیق که در برنامه درسی هوش مصنوعی برای مبتدیان پوشش داده شده است، اجتناب میکند. این دروس را با برنامه درسی 'علم داده برای مبتدیان' نیز ترکیب کنید!
با ما در سراسر جهان سفر کنید در حالی که این تکنیکهای کلاسیک را روی دادههای مناطق مختلف جهان اعمال میکنیم. هر درس شامل آزمونهای قبل و بعد از درس، دستورالعملهای مکتوب برای تکمیل درس، راهحل، تمرین و موارد دیگر است. روش آموزش مبتنی بر پروژه ما به شما اجازه میدهد در حین ساختن یاد بگیرید، روشی اثبات شده برای تثبیت مهارتهای جدید.
✍️ از نویسندگان ما صمیمانه سپاسگزاریم جن لوپر، استیفن هاول، فرانچسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روث یاکوبو و امی بوید
🎨 همچنین از تصویرگران ما تشکر میکنیم تومومی ایمورا، داسانی مادپالی و جن لوپر
🙏 تشکر ویژه 🙏 از نویسندگان، بازبینان و مشارکتکنندگان محتوای سفیران دانشجویی مایکروسافت، به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، نوورین طبسم، ایوان سامویلا و اسنیگدها آگاروال
🤩 قدردانی ویژه از سفیران دانشجویی مایکروسافت اریک وانجاو، جاسلین سوندی و ویدوشی گوپتا برای دروس R ما!
شروع کار
این مراحل را دنبال کنید:
- فورک کردن مخزن: روی دکمه "Fork" در گوشه بالا سمت راست این صفحه کلیک کنید.
- 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؟ راهنمای عیبیابی ما را برای حل مشکلات رایج نصب، راهاندازی و اجرای دروس بررسی کنید.
دانشآموزان، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرینها را به تنهایی یا با گروه انجام دهید:
- با یک آزمون پیشدرس شروع کنید.
- درس را بخوانید و فعالیتها را انجام دهید، در هر بررسی دانش توقف کرده و تأمل کنید.
- سعی کنید پروژهها را با درک دروس ایجاد کنید نه فقط اجرای کد راهحل؛ البته آن کد در پوشههای
/solutionدر هر درس پروژهمحور موجود است. - آزمون پس از درس را انجام دهید.
- چالش را کامل کنید.
- تمرین را انجام دهید.
- پس از اتمام یک گروه درسی، به تابلوی بحث مراجعه کنید و با پر کردن فرم PAT مربوطه «بلند یاد بگیرید». PAT یک ابزار ارزیابی پیشرفت است که با پر کردن آن یادگیری خود را عمیقتر 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 درباره نحوه استفاده از این برنامه درسی ارائه دادهایم.
ویدیوهای راهنما
برخی از دروس به صورت ویدیوهای کوتاه موجود هستند. میتوانید همه آنها را درون دروس یا در فهرست پخش ML for Beginners در کانال YouTube توسعهدهندگان مایکروسافت با کلیک روی تصویر زیر بیابید.
آشنایی با تیم
گیف توسط Mohit Jaisal
🎥 برای دیدن ویدیو درباره پروژه و افرادی که آن را ساختهاند روی تصویر بالا کلیک کنید!
روش آموزش
ما دو اصل آموزشی را هنگام ساخت این برنامه درسی انتخاب کردهایم: اطمینان از اینکه برنامه به صورت عملی و مبتنی بر پروژه است و شامل آزمونهای مکرر میباشد. علاوه بر این، این برنامه دارای یک تم مشترک است تا انسجام آن حفظ شود.
با اطمینان از اینکه محتوا با پروژهها همسو است، فرآیند برای دانشآموزان جذابتر شده و حفظ مفاهیم افزایش مییابد. همچنین، یک آزمون کمفشار قبل از کلاس نیت دانشآموز را برای یادگیری موضوع تنظیم میکند، در حالی که 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 بخشی از آن را گذراند. پروژهها از کوچک شروع شده و تا پایان چرخه ۱۲ هفتهای به تدریج پیچیدهتر میشوند. این برنامه همچنین شامل یک پسنوشت درباره کاربردهای واقعی یادگیری ماشین است که میتواند به عنوان اعتبار اضافی یا پایهای برای بحث استفاده شود.
دستورالعملهای رفتار حرفهای، مشارکت، ترجمه و عیبیابی ما را بیابید. ما از بازخورد سازنده شما استقبال میکنیم!
هر درس شامل
- یادداشت اختیاری
- ویدیوی مکمل اختیاری
- ویدیوی راهنما (فقط برخی دروس)
- آزمون گرمکننده پیشدرس
- درس مکتوب
- برای دروس مبتنی بر پروژه، راهنمای گام به گام ساخت پروژه
- بررسی دانش
- چالش
- مطالعه تکمیلی
- تمرین
- آزمون پس از درس
نکتهای درباره زبانها: این دروس عمدتاً به زبان پایتون نوشته شدهاند، اما بسیاری از آنها به زبان R نیز موجود است. برای تکمیل یک درس R، به پوشه
/solutionبروید و به دنبال دروس R بگردید. آنها دارای پسوند .rmd هستند که نمایانگر یک فایل R Markdown است که به سادگی میتوان آن را به عنوان ترکیبی ازبخشهای کد(از R یا زبانهای دیگر) و یکهدر YAML(که نحوه قالببندی خروجیها مانند PDF را هدایت میکند) در یکسند Markdownتعریف کرد. بنابراین، این چارچوبی نمونه برای نویسندگی در علم داده است زیرا به شما اجازه میدهد کد، 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 تبدیل شوند.
نکتهای درباره آزمونها: همه آزمونها در پوشه Quiz App قرار دارند، در مجموع ۵۲ آزمون با سه سوال هر کدام. آنها از داخل دروس لینک شدهاند اما اپلیکیشن آزمون میتواند به صورت محلی اجرا شود؛ دستورالعملهای میزبانی محلی یا استقرار در Azure را در پوشه
quiz-appدنبال کنید.
| شماره درس | موضوع | گروه درس | اهداف یادگیری | درس مرتبط | نویسنده |
|---|---|---|---|---|---|
| ۰۱ | مقدمهای بر یادگیری ماشین | Introduction | مفاهیم پایهای پشت یادگیری ماشین را بیاموزید | Lesson | محمد |
| ۰۲ | تاریخچه یادگیری ماشین | Introduction | تاریخچه زمینه یادگیری ماشین را بیاموزید | Lesson | جن و ایمی |
| ۰۳ | عدالت و یادگیری ماشین | Introduction | مسائل فلسفی مهم پیرامون عدالت که دانشآموزان باید هنگام ساخت و بهکارگیری مدلهای یادگیری ماشین در نظر بگیرند چیست؟ | Lesson | تومومی |
| ۰۴ | تکنیکهای یادگیری ماشین | Introduction | پژوهشگران یادگیری ماشین از چه تکنیکهایی برای ساخت مدلهای یادگیری ماشین استفاده میکنند؟ | Lesson | کریس و جن |
| ۰۵ | مقدمهای بر رگرسیون | Regression | شروع کار با پایتون و Scikit-learn برای مدلهای رگرسیون | Python • R | جن • اریک وانجاو |
| ۰۶ | قیمتهای کدو تنبل آمریکای شمالی 🎃 | Regression | دادهها را برای یادگیری ماشین پاکسازی و مصورسازی کنید | Python • R | جن • اریک وانجاو |
| ۰۷ | قیمتهای کدو تنبل آمریکای شمالی 🎃 | Regression | مدلهای رگرسیون خطی و چندجملهای بسازید | Python • R | جن و دیمیتری • اریک وانجاو |
| ۰۸ | قیمتهای کدو تنبل آمریکای شمالی 🎃 | Regression | مدل رگرسیون لجستیک بسازید | Python • R | جن • اریک وانجاو |
| ۰۹ | یک برنامه وب 🔌 | Web App | یک برنامه وب بسازید تا از مدل آموزشدیده خود استفاده کنید | Python | جن |
| ۱۰ | مقدمهای بر طبقهبندی | Classification | دادههای خود را پاکسازی، آماده و مصورسازی کنید؛ مقدمهای بر طبقهبندی | Python • R | جن و کاسی • اریک وانجاو |
| ۱۱ | غذاهای خوشمزه آسیایی و هندی 🍜 | Classification | مقدمهای بر طبقهبندها | Python • R | جن و کاسی • اریک وانجاو |
| ۱۲ | غذاهای خوشمزه آسیایی و هندی 🍜 | Classification | طبقهبندهای بیشتر | Python • R | جن و کاسی • اریک وانجاو |
| ۱۳ | غذاهای خوشمزه آسیایی و هندی 🍜 | Classification | ساخت یک برنامه وب توصیهگر با استفاده از مدل خود | Python | جن |
| ۱۴ | مقدمهای بر خوشهبندی | Clustering | دادههای خود را پاکسازی، آماده و مصورسازی کنید؛ مقدمهای بر خوشهبندی | Python • R | جن • اریک وانجاو |
| ۱۵ | کاوش در سلیقههای موسیقی نیجریهای 🎧 | Clustering | روش خوشهبندی K-Means را کاوش کنید | Python • R | جن • اریک وانجاو |
| ۱۶ | مقدمهای بر پردازش زبان طبیعی ☕️ | Natural language processing | اصول اولیه پردازش زبان طبیعی را با ساخت یک ربات ساده بیاموزید | Python | استفن |
| ۱۷ | وظایف رایج پردازش زبان طبیعی ☕️ | Natural language processing | دانش خود را در پردازش زبان طبیعی با درک وظایف رایج مورد نیاز هنگام کار با ساختارهای زبانی عمیقتر کنید | Python | استفن |
| ۱۸ | ترجمه و تحلیل احساسات ♥️ | Natural language processing | ترجمه و تحلیل احساسات با جین آستن | Python | استفن |
| ۱۹ | هتلهای رمانتیک اروپا ♥️ | Natural language processing | تحلیل احساسات با بررسیهای هتل ۱ | Python | استفن |
| ۲۰ | هتلهای رمانتیک اروپا ♥️ | Natural language processing | تحلیل احساسات با بررسیهای هتل ۲ | Python | استفن |
| ۲۱ | مقدمهای بر پیشبینی سریهای زمانی | Time series | مقدمهای بر پیشبینی سریهای زمانی | Python | فرانچسکا |
| ۲۲ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سریهای زمانی با ARIMA | Time series | پیشبینی سریهای زمانی با ARIMA | Python | فرانچسکا |
| ۲۳ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سریهای زمانی با SVR | Time series | پیشبینی سریهای زمانی با رگرسیون بردار پشتیبان | Python | آنیران |
| 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 | یادگیری تقویتی با Gym | Python | دیمیتری |
| پسنوشت | سناریوها و کاربردهای دنیای واقعی یادگیری ماشین | ML in the Wild | کاربردهای جالب و روشنگر دنیای واقعی یادگیری ماشین کلاسیک | Lesson | تیم |
| پسنوشت | اشکالزدایی مدل در یادگیری ماشین با داشبورد RAI | ML in the Wild | اشکالزدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI | Lesson | راث 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 دستگاه محلی خود، و سپس در پوشه ریشه این مخزن، دستور docsify serve را تایپ کنید. وبسایت روی پورت ۳۰۰۰ در لوکالهاست شما سرو خواهد شد: localhost:3000.
فایلهای PDF
یک فایل PDF از برنامه درسی با لینکها را اینجا بیابید.
🎒 دورههای دیگر
تیم ما دورههای دیگری نیز تولید میکند! بررسی کنید:
LangChain
Azure / Edge / MCP / Agents
Generative AI Series
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
یادگیری اصلی
سری کوپایلوت
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 در آن سوالات پذیرفته میشوند و دانش بهصورت آزاد به اشتراک گذاشته میشود.
اگر بازخورد محصول یا خطاهایی هنگام ساخت دارید، به اینجا مراجعه 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 حاوی خطاها یا نواقصی 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 مسئول هیچ گونه سوءتفاهم یا تفسیر نادرستی که از استفاده این ترجمه ناشی شود، نیستیم.