msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from '77d4d7bc8b'
${ noResults }
ML-For-Beginners/translations/fa/README.md

182 lines
32 KiB
Raw Blame History Escape

This file contains invisible Unicode characters!

This file contains invisible Unicode characters that may be processed differently from what appears below. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to reveal hidden characters.

This file contains ambiguous Unicode characters that may be confused with others in your current locale. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to highlight these characters.

<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a54f98da7bbee99ddc62a9e490eef7dc",
"translation_date": "2025-09-29T21:40:27+00:00",
"source_file": "README.md",
"language_code": "fa"
}
-->
[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 پشتیبانی چندزبانه
#### پشتیبانی شده از طریق GitHub Action (خودکار و همیشه به‌روز)
[فرانسوی](../fr/README.md) | [اسپانیایی](../es/README.md) | [آلمانی](../de/README.md) | [روسی](../ru/README.md) | [عربی](../ar/README.md) | [فارسی](./README.md) | [اردو](../ur/README.md) | [چینی (ساده‌شده)](../zh/README.md) | [چینی (سنتی، ماکائو)](../mo/README.md) | [چینی (سنتی، هنگ‌کنگ)](../hk/README.md) | [چینی (سنتی، تایوان)](../tw/README.md) | [ژاپنی](../ja/README.md) | [کره‌ای](../ko/README.md) | [هندی](../hi/README.md) | [بنگالی](../bn/README.md) | [مراتی](../mr/README.md) | [نپالی](../ne/README.md) | [پنجابی (گرمخی)](../pa/README.md) | [پرتغالی (پرتغال)](../pt/README.md) | [پرتغالی (برزیل)](../br/README.md) | [ایتالیایی](../it/README.md) | [لهستانی](../pl/README.md) | [ترکی](../tr/README.md) | [یونانی](../el/README.md) | [تایلندی](../th/README.md) | [سوئدی](../sv/README.md) | [دانمارکی](../da/README.md) | [نروژی](../no/README.md) | [فنلاندی](../fi/README.md) | [هلندی](../nl/README.md) | [عبری](../he/README.md) | [ویتنامی](../vi/README.md) | [اندونزیایی](../id/README.md) | [مالایی](../ms/README.md) | [تاگالوگ (فیلیپینی)](../tl/README.md) | [سواحیلی](../sw/README.md) | [مجاری](../hu/README.md) | [چکی](../cs/README.md) | [اسلواکی](../sk/README.md) | [رومانیایی](../ro/README.md) | [بلغاری](../bg/README.md) | [صربی (سیریلیک)](../sr/README.md) | [کرواتی](../hr/README.md) | [اسلوونیایی](../sl/README.md) | [اوکراینی](../uk/README.md) | [برمه‌ای (میانمار)](../my/README.md)
#### به جامعه ما بپیوندید
[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://aka.ms/ml4beginners/discord)
ما یک سری یادگیری با هوش مصنوعی در Discord داریم. برای اطلاعات بیشتر و پیوستن به ما، به [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ مراجعه کنید. شما نکات و ترفندهایی برای استفاده از GitHub Copilot در علم داده دریافت خواهید کرد.
![سری یادگیری با هوش مصنوعی](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.fa.png)
# یادگیری ماشین برای مبتدیان - یک برنامه درسی
> 🌍 با ما به سراسر جهان سفر کنید و یادگیری ماشین را از طریق فرهنگ‌های جهانی 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 به عنوان **یادگیری ماشین کلاسیک** شناخته می‌شود، یاد خواهید گرفت، عمدتاً با استفاده از کتابخانه Scikit-learn و اجتناب از یادگیری عمیق که در برنامه درسی [هوش مصنوعی برای مبتدیان](https://aka.ms/ai4beginners) پوشش داده شده است. این درس‌ها را با برنامه درسی ['علم داده برای مبتدیان'](https://aka.ms/ds4beginners) ترکیب کنید!
با ما به سراسر جهان سفر کنید و این تکنیک‌های کلاسیک را به داده‌هایی از مناطق مختلف جهان اعمال کنید. هر درس شامل آزمون‌های قبل و بعد از درس، دستورالعمل‌های نوشتاری برای تکمیل درس، راه‌حل، تکلیف و موارد دیگر است. روش آموزشی مبتنی بر پروژه ما به شما امکان می‌دهد در حین ساختن یاد بگیرید، روشی اثبات‌شده 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 اضافی از Microsoft Student Ambassadors Eric Wanjau، Jasleen Sondhi و Vidushi Gupta برای درس‌های R ما!**
# شروع به 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](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
**[دانش‌آموزان](https://aka.ms/student-page)**، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرین‌ها را به صورت فردی یا گروهی تکمیل کنید:
- با آزمون قبل از درس شروع کنید.
- درس را بخوانید و فعالیت‌ها را تکمیل کنید، در هر بررسی دانش توقف 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 تکمیل کنید.
- تکلیف را انجام دهید.
- پس از تکمیل یک گروه درس، به [تابلوی بحث](https://github.com/microsoft/ML-For-Beginners/discussions) مراجعه کنید و با پر کردن ابزار ارزیابی پیشرفت مناسب (PAT) "بلند یاد بگیرید". PAT یک ابزار ارزیابی پیشرفت است که یک معیار است که شما برای پیشبرد یادگیری خود پر می‌کنید. شما همچنین می‌توانید به PAT‌های دیگر واکنش نشان دهید تا با هم یاد بگیریم.
> برای مطالعه بیشتر، ما توصیه می‌کنیم این [ماژول‌ها و مسیرهای یادگیری Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
**معلمان**، ما [برخی پیشنهادات](for-teachers.md) در مورد نحوه استفاده از این برنامه درسی را درج کرده‌ایم.
---
## راهنمای ویدئویی
برخی از درس‌ها به صورت ویدئوی کوتاه در دسترس هستند. شما می‌توانید همه این‌ها را در درس‌ها پیدا کنید یا در [لیست پخش ML برای مبتدیان در کانال YouTube توسعه‌دهنده مایکروسافت](https://aka.ms/ml-beginners-videos) با کلیک بر روی تصویر زیر مشاهده کنید.
[![بنر ML برای مبتدیان](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.fa.png)](https://aka.ms/ml-beginners-videos)
---
## تیم را ملاقات کنید
[![ویدئوی تبلیغاتی](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU)
**Gif توسط** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
> 🎥 برای مشاهده ویدئویی درباره پروژه و افرادی که آن را ایجاد کرده‌اند، روی تصویر بالا کلیک کنید!
---
## روش آموزشی
ما دو اصل آموزشی را هنگام ساخت این برنامه درسی انتخاب کرده‌ایم: اطمینان از اینکه این برنامه مبتنی بر پروژه **عملی** است و شامل **آزمون‌های مکرر** می‌شود. علاوه بر این، این برنامه درسی دارای یک **تم 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 هدایت 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 می‌تواند به عنوان اعتبار اضافی یا به عنوان پایه‌ای برای بحث استفاده شود.
> [قوانین رفتاری](CODE_OF_CONDUCT.md)، [مشارکت](CONTRIBUTING.md)، و [راهنمای ترجمه](TRANSLATIONS.md) 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](https://ff-quizzes.netlify.app/en/ml/)
- درس نوشتاری
- برای درس‌های مبتنی بر پروژه، راهنمای گام‌به‌گام برای ساخت پروژه
- بررسی دانش
- یک چالش
- مطالعه تکمیلی
- تکلیف
- [آزمون بعد از درس](https://ff-quizzes.netlify.app/en/ml/)
> **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 پسوند .rmd هستند که نشان‌دهنده یک فایل **R Markdown** است که می‌توان آن را به سادگی به عنوان ترکیبی از `قطعات 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 Quiz App](../../quiz-app) 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](1-Introduction/README.md) | یادگیری مفاهیم پایه‌ای پشت یادگیری ماشین | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاریخچه یادگیری ماشین | [مقدمه](1-Introduction/README.md) | یادگیری تاریخچه زمینه این حوزه | [درس](1-Introduction/2-history-of-ML/README.md) | جن و ایمی |
| 03 | عدالت و یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مسائل فلسفی مهم در مورد عدالت که دانشجویان باید هنگام ساخت و استفاده از مدل‌های یادگیری ماشین در نظر بگیرند چیست؟ | [درس](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | تکنیک‌های یادگیری ماشین | [مقدمه](1-Introduction/README.md) | چه تکنیک‌هایی توسط محققان یادگیری ماشین برای ساخت مدل‌های یادگیری ماشین استفاده می‌شود؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | Chris و Jen |
| 05 | مقدمه‌ای بر رگرسیون | [رگرسیون](2-Regression/README.md) | شروع کار با پایتون و Scikit-learn برای مدل‌های رگرسیون | [پایتون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | قیمت کدو تنبل در آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | تجسم و پاکسازی داده‌ها برای آماده‌سازی یادگیری ماشین | [پایتون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | قیمت کدو تنبل در آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت مدل‌های رگرسیون خطی و چندجمله‌ای | [پایتون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen و Dmitry • Eric Wanjau |
| 08 | قیمت کدو تنبل در آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت مدل رگرسیون لجستیک | [پایتون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | یک اپلیکیشن وب 🔌 | [اپلیکیشن وب](3-Web-App/README.md) | ساخت یک اپلیکیشن وب برای استفاده از مدل آموزش‌دیده‌شده | [پایتون](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | مقدمه‌ای بر طبقه‌بندی | [طبقه‌بندی](4-Classification/README.md) | پاکسازی، آماده‌سازی و تجسم داده‌ها؛ مقدمه‌ای بر طبقه‌بندی | [پایتون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen و Cassie • Eric Wanjau |
| 11 | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقه‌بندی](4-Classification/README.md) | مقدمه‌ای بر طبقه‌بندها | [پایتون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen و Cassie • Eric Wanjau |
| 12 | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقه‌بندی](4-Classification/README.md) | طبقه‌بندهای بیشتر | [پایتون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen و Cassie • Eric Wanjau |
| 13 | غذاهای خوشمزه آسیایی و هندی 🍜 | [طبقه‌بندی](4-Classification/README.md) | ساخت یک اپلیکیشن وب توصیه‌گر با استفاده از مدل شما | [پایتون](4-Classification/4-Applied/README.md) | Jen |
| 14 | مقدمه‌ای بر خوشه‌بندی | [خوشه‌بندی](5-Clustering/README.md) | پاکسازی، آماده‌سازی و تجسم داده‌ها؛ مقدمه‌ای بر خوشه‌بندی | [پایتون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | بررسی سلیقه‌های موسیقی نیجریه 🎧 | [خوشه‌بندی](5-Clustering/README.md) | بررسی روش خوشه‌بندی K-Means | [پایتون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | مقدمه‌ای بر پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | یادگیری اصول اولیه پردازش زبان طبیعی با ساخت یک ربات ساده | [پایتون](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | وظایف رایج در NLP ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | تعمیق دانش پردازش زبان طبیعی با درک وظایف رایج در برخورد با ساختارهای زبانی | [پایتون](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | ترجمه و تحلیل احساسات ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | ترجمه و تحلیل احساسات با آثار جین آستن | [پایتون](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | هتل‌های عاشقانه اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با بررسی نظرات هتل‌ها 1 | [پایتون](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | هتل‌های عاشقانه اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با بررسی نظرات هتل‌ها 2 | [پایتون](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | مقدمه‌ای بر پیش‌بینی سری‌های زمانی | [سری‌های زمانی](7-TimeSeries/README.md) | مقدمه‌ای بر پیش‌بینی سری‌های زمانی | [پایتون](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA | [سری‌های زمانی](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با ARIMA | [پایتون](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با SVR | [سری‌های زمانی](7-TimeSeries/README.md) | پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان | [پایتون](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | مقدمه‌ای بر یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | مقدمه‌ای بر یادگیری تقویتی با Q-Learning | [پایتون](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | کمک به پیتر برای فرار از گرگ! 🐺 | [یادگیری تقویتی](8-Reinforcement/README.md) | یادگیری تقویتی با Gym | [پایتون](8-Reinforcement/2-Gym/README.md) | Dmitry |
| پس‌نوشت | سناریوها و کاربردهای واقعی یادگیری ماشین | [یادگیری ماشین در دنیای واقعی](9-Real-World/README.md) | کاربردهای جالب و آشکار یادگیری ماشین کلاسیک | [درس](9-Real-World/1-Applications/README.md) | تیم |
| پس‌نوشت | اشکال‌زدایی مدل در یادگیری ماشین با داشبورد RAI | [یادگیری ماشین در دنیای واقعی](9-Real-World/README.md) | اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئولانه | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## دسترسی آفلاین
شما می‌توانید این مستندات را به صورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) 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](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) پیدا کنید.
## 🎒 دوره‌های دیگر
تیم ما دوره‌های دیگری تولید می‌کند! بررسی کنید:
- [Edge AI برای مبتدیان](https://aka.ms/edgeai-for-beginners)
- [عامل‌های هوش مصنوعی برای مبتدیان](https://aka.ms/ai-agents-beginners)
- [هوش مصنوعی مولد برای مبتدیان](https://aka.ms/genai-beginners)
- [هوش مصنوعی مولد برای مبتدیان .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
- [هوش مصنوعی مولد با جاوااسکریپت](https://github.com/microsoft/generative-ai-with-javascript)
- [هوش مصنوعی مولد با جاوا](https://github.com/microsoft/Generative-AI-for-beginners-java)
- [هوش مصنوعی برای مبتدیان](https://aka.ms/ai-beginners)
- [علم داده برای مبتدیان](https://aka.ms/datascience-beginners)
- [یادگیری ماشین برای مبتدیان](https://aka.ms/ml-beginners)
- [امنیت سایبری برای مبتدیان](https://github.com/microsoft/Security-101)
- [توسعه وب برای مبتدیان](https://aka.ms/webdev-beginners)
- [اینترنت اشیا برای مبتدیان](https://aka.ms/iot-beginners)
- [توسعه XR برای مبتدیان](https://github.com/microsoft/xr-development-for-beginners)
- [تسلط بر GitHub Copilot برای برنامه‌نویسی جفتی](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
- [تسلط بر GitHub Copilot برای توسعه‌دهندگان C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
- [ماجراجویی Copilot خود را انتخاب کنید](https://github.com/microsoft/CopilotAdventures)
---
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.
Reference in new issue View Git Blame Copy Permalink