33 KiB

Raw Blame History Unescape Escape

🌐 پشتیبانی چندزبانه

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

به جامعه ما بپیوندید

ما یک سری یادگیری با هوش مصنوعی در Discord داریم که از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ برگزار می‌شود. برای یادگیری نکات و ترفندهای استفاده از GitHub Copilot برای علم داده، به ما بپیوندید: Learn with AI Series.

یادگیری ماشین برای مبتدیان - یک برنامه درسی

🌍 با ما به سفری در سراسر جهان بروید و یادگیری ماشین را از طریق فرهنگ‌های جهانی کشف کنید 🌍

تیم Cloud Advocates در مایکروسافت با افتخار یک برنامه درسی ۱۲ هفته‌ای و ۲۶ درس درباره یادگیری ماشین ارائه می‌دهد. در این برنامه درسی، شما با آنچه که گاهی اوقات به عنوان یادگیری ماشین کلاسیک شناخته 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 درس‌ها را با برنامه درسی 'علم داده برای مبتدیان' ترکیب کنید!

با ما در 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، یک راه‌حل، یک تکلیف و موارد دیگر است. روش آموزشی مبتنی بر پروژه ما به شما امکان می‌دهد در حین ساختن یاد بگیرید، که یک روش اثبات‌شده برای تثبیت مهارت‌های جدید است.

✍️ تشکر ویژه از نویسندگان ما: جن لوپر، استفن هاول، فرانچسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، انیر‌بان موکرجی، اورنلا آلتونیان، روث یاکوبو و ایمی بوید

🎨 تشکر از تصویرگران ما: تومومی ایمورا، داسانی مادپالی و جن لوپر

🙏 تشکر ویژه 🙏 از نویسندگان، بازبینان و مشارکت‌کنندگان محتوای Microsoft Student Ambassador، به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتراسکو، آبیشک جایسوال، نوورین تاباسم، ایوان سامویلا و اسنیگدا آگاروال

🤩 سپاسگزاری ویژه از Microsoft Student Ambassadors اریک وانجاو، جاسلین سوندی و ویدوشی گوپتا برای درس‌های R ما!

شروع به کار

این مراحل را دنبال کنید:

مخزن را فورک کنید: روی دکمه "Fork" در گوشه بالا-راست این صفحه کلیک کنید.
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 تنهایی یا با یک گروه کامل کنید:

با یک آزمون قبل از درس شروع کنید.
درس را بخوانید و فعالیت‌ها را تکمیل کنید، در هر بررسی دانش مکث کنید و تأمل کنید.
سعی کنید پروژه‌ها را با درک درس‌ها ایجاد کنید، نه با 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 درسی، به تابلوی بحث مراجعه کنید و با پر کردن ابزار ارزیابی پیشرفت (PAT) مناسب، "بلند بیاموزید". PAT یک ابزار ارزیابی پیشرفت است که یک جدول 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، ما توصیه می‌کنیم این ماژول‌ها و مسیرهای یادگیری Microsoft Learn را دنبال کنید.

معلمان، ما برخی پیشنهادات در مورد نحوه استفاده از این برنامه درسی ارائه کرده‌ایم.

ویدیوهای راهنما

برخی از درس‌ها به صورت ویدیوهای کوتاه در دسترس هستند. می‌توانید همه این‌ها را درون درس‌ها یا در لیست پخش ML برای مبتدیان در کانال YouTube توسعه‌دهنده مایکروسافت پیدا کنید. برای مشاهده، روی تصویر زیر کلیک کنید.

با تیم آشنا شوید

گیف توسط محیت جایسال

🎥 برای مشاهده ویدیویی 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 و 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 همسو است، فرآیند برای دانش‌آموزان جذاب‌تر می‌شود و حفظ مفاهیم تقویت می‌شود. علاوه بر این، یک آزمون کم‌فشار قبل از کلاس، نیت 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 می‌تواند به عنوان اعتبار اضافی یا به عنوان مبنایی برای بحث استفاده شود.

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

هر درس شامل می‌شود

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

یادداشتی درباره زبان‌ها: این درس‌ها عمدتاً به زبان Python نوشته شده‌اند، اما بسیاری از آن‌ها به زبان R نیز 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 تکه‌های کد (از R یا زبان‌های دیگر) و یک سربرگ YAML (که نحوه قالب‌بندی خروجی‌ها مانند PDF را راهنمایی می‌کند) 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 ارائه شوند.

یادداشتی درباره آزمون‌ها: تمام آزمون‌ها در پوشه Quiz App قرار دارند، برای مجموع ۵۲ آزمون که هر کدام شامل سه سؤال هستند. آن‌ها از درون درس‌ها لینک شده‌اند، اما برنامه آزمون می‌تواند به صورت محلی اجرا شود؛ دستورالعمل‌های موجود در پوشه quiz-app را برای میزبانی محلی یا استقرار در Azure دنبال کنید.

شماره درس	موضوع	گروه‌بندی درس	اهداف یادگیری	درس مرتبط	نویسنده
01	مقدمه‌ای بر یادگیری ماشین	مقدمه	یادگیری مفاهیم پایه‌ای پشت یادگیری ماشین	درس	محمد
02	تاریخچه یادگیری ماشین	مقدمه	آشنایی با تاریخچه این حوزه	درس	جن و ایمی
03	عدالت و یادگیری ماشین	مقدمه	مسائل فلسفی مهم پیرامون عدالت که دانشجویان باید هنگام ساخت و استفاده از مدل‌های یادگیری ماشین در نظر بگیرند چیست؟	درس	Tomomi
04	تکنیک‌های یادگیری ماشین	مقدمه	چه تکنیک‌هایی توسط محققان یادگیری ماشین برای ساخت مدل‌های یادگیری ماشین استفاده می‌شود؟	درس	Chris و Jen
05	مقدمه‌ای بر رگرسیون	رگرسیون	شروع کار با پایتون و Scikit-learn برای مدل‌های رگرسیون	پایتون • R	Jen • Eric Wanjau
06	قیمت کدو تنبل در آمریکای شمالی 🎃	رگرسیون	مصورسازی و پاکسازی داده‌ها برای آماده‌سازی یادگیری ماشین	پایتون • R	Jen • Eric Wanjau
07	قیمت کدو تنبل در آمریکای شمالی 🎃	رگرسیون	ساخت مدل‌های رگرسیون خطی و چندجمله‌ای	پایتون • R	Jen و Dmitry • Eric Wanjau
08	قیمت کدو تنبل در آمریکای شمالی 🎃	رگرسیون	ساخت مدل رگرسیون لجستیک	پایتون • R	Jen • Eric Wanjau
09	یک اپلیکیشن وب 🔌	اپلیکیشن وب	ساخت یک اپلیکیشن وب برای استفاده از مدل آموزش‌دیده	پایتون	Jen
10	مقدمه‌ای بر طبقه‌بندی	طبقه‌بندی	پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ مقدمه‌ای بر طبقه‌بندی	پایتون • R	Jen و Cassie • Eric Wanjau
11	غذاهای خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	مقدمه‌ای بر طبقه‌بندها	پایتون • R	Jen و Cassie • Eric Wanjau
12	غذاهای خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	طبقه‌بندهای بیشتر	پایتون • R	Jen و Cassie • Eric Wanjau
13	غذاهای خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	ساخت یک اپلیکیشن وب توصیه‌گر با استفاده از مدل شما	پایتون	Jen
14	مقدمه‌ای بر خوشه‌بندی	خوشه‌بندی	پاکسازی، آماده‌سازی و مصورسازی داده‌ها؛ مقدمه‌ای بر خوشه‌بندی	پایتون • R	Jen • Eric Wanjau
15	بررسی سلیقه‌های موسیقی نیجریه 🎧	خوشه‌بندی	بررسی روش خوشه‌بندی K-Means	پایتون • R	Jen • Eric Wanjau
16	مقدمه‌ای بر پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	یادگیری اصول اولیه پردازش زبان طبیعی با ساخت یک ربات ساده	پایتون	Stephen
17	وظایف رایج پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	تعمیق دانش پردازش زبان طبیعی با درک وظایف رایج مورد نیاز هنگام کار با ساختارهای زبانی	پایتون	Stephen
18	ترجمه و تحلیل احساسات ♥️	پردازش زبان طبیعی	ترجمه و تحلیل احساسات با آثار جین آستن	پایتون	Stephen
19	هتل‌های عاشقانه اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با بررسی‌های هتل 1	پایتون	Stephen
20	هتل‌های عاشقانه اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با بررسی‌های هتل 2	پایتون	Stephen
21	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	سری‌های زمانی	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	پایتون	Francesca
22	⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA	سری‌های زمانی	پیش‌بینی سری‌های زمانی با ARIMA	پایتون	Francesca
23	⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با SVR	سری‌های زمانی	پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان	پایتون	Anirban
24	مقدمه‌ای بر یادگیری تقویتی	یادگیری تقویتی	مقدمه‌ای بر یادگیری تقویتی با Q-Learning	پایتون	Dmitry
25	کمک به پیتر برای فرار از گرگ! 🐺	یادگیری تقویتی	یادگیری تقویتی با Gym	پایتون	Dmitry
پس‌نوشت	سناریوها و کاربردهای واقعی یادگیری ماشین	یادگیری ماشین در دنیای واقعی	کاربردهای جالب و آشکار یادگیری ماشین کلاسیک	درس	تیم
پس‌نوشت	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از داشبورد RAI	یادگیری ماشین در دنیای واقعی	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئول	درس	Ruth Yakubu

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 ارائه 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:

دریافت کمک

اگر گیر کردید یا سوالی درباره ساخت اپلیکیشن‌های هوش مصنوعی دارید، به اینجا بپیوندید:

اگر بازخورد محصول دارید یا هنگام ساخت خطاهایی 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 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، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.

33 KiB Raw Blame History Unescape Escape