31 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. برای اطلاعات بیشتر و پیوستن به ما از Learn with AI Series از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ دیدن کنید. شما نکات و ترفندهایی برای استفاده از GitHub Copilot برای علم داده دریافت خواهید کرد.

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 در مورد یادگیری ماشین ارائه می‌دهند. در این برنامه درسی، شما با آنچه گاهی اوقات یادگیری ماشین کلاسیک نامیده می‌شود آشنا خواهید شد، که عمدتاً از کتابخانه Scikit-learn استفاده می‌کند و از یادگیری عمیق که در برنامه درسی AI for Beginners پوشش داده شده است، اجتناب می‌کند. این درس‌ها را با برنامه درسی 'Data Science for Beginners' ما ترکیب کنید!

با ما به سراسر جهان سفر کنید و این تکنیک‌های کلاسیک را بر روی 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 تدریس 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، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، انیر‌بان موکرجی، اورنلا آلتونیان، روث یاکوبو و امی بوید

🎨 همچنین از تصویرگران ما تشکر می‌کنیم تومومی ایمورا، داسانی مادیپالی 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 پتروسکو، آبیشک جایسوال، ناورین تاباسوم، 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 سمت 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

دانشجویان، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرین‌ها را به تنهایی یا با یک گروه تکمیل کنید:

با یک آزمون قبل از درس شروع کنید.
درس را بخوانید و فعالیت‌ها را تکمیل کنید، در هر بررسی دانش مکث کرده 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 تکمیل کنید.
تکلیف را انجام دهید.
پس از تکمیل یک گروه درسی، به تابلوی بحث مراجعه کنید و با پر کردن ابزار ارزیابی پیشرفت (PAT) مناسب، "بلند فکر کنید". یک 'PAT' ابزاری برای ارزیابی پیشرفت است که یک معیار 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 پیشنهاد می‌کنیم این ماژول‌ها و مسیرهای یادگیری Microsoft Learn را دنبال کنید.

معلمان، ما برخی پیشنهادات در مورد نحوه استفاده از این برنامه درسی را گنجانده‌ایم.

ویدیوهای راهنما

برخی از درس‌ها به صورت ویدیوهای کوتاه در دسترس هستند. می‌توانید همه این‌ها را در درس‌ها یا در لیست پخش ML for Beginners در کانال YouTube Microsoft Developer پیدا کنید. برای مشاهده، روی تصویر زیر کلیک کنید.

با تیم آشنا شوید

Gif توسط موهیت جایسال

🎥 برای مشاهده ویدیویی درباره پروژه و افرادی که آن را ایجاد کرده‌اند، روی تصویر بالا کلیک کنید!

روش تدریس

ما در هنگام ساخت این برنامه درسی دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از اینکه این برنامه مبتنی بر پروژه‌های عملی است و شامل آزمون‌های مکرر می‌شود. علاوه بر این، این برنامه درسی دارای یک موضوع مشترک است که به آن انسجام می‌بخشد.

با اطمینان از اینکه محتوا با پروژه‌ها همسو است، فرآیند برای دانشجویان جذاب‌تر می‌شود و حفظ مفاهیم تقویت می‌شود. علاوه بر این، یک آزمون کم‌فشار قبل از کلاس، نیت دانشجو 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 گذراند. پروژه‌ها کوچک شروع می‌شوند و تا پایان چرخه ۱۲ هفته‌ای به طور فزاینده‌ای پیچیده می‌شوند. این برنامه درسی همچنین شامل یک پس‌نوشت در مورد کاربردهای واقعی یادگیری ماشین است که می‌تواند به عنوان اعتبار اضافی یا به عنوان مبنایی برای بحث استفاده شود.

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

هر درس شامل

اسکچ‌نوت اختیاری
ویدیوی تکمیلی اختیاری
ویدیوی راهنما (فقط برخی درس‌ها)
آزمون گرم‌آپ قبل از درس
درس نوشتاری
برای درس‌های مبتنی بر پروژه، راهنمای 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 یک 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.

یادداشتی درباره آزمون‌ها: تمام آزمون‌ها در پوشه Quiz App قرار دارند، برای مجموع ۵۲ آزمون که هر کدام شامل سه سؤال هستند. آن‌ها از داخل 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 یادگیری ماشین	درس	محمد
02	تاریخچه یادگیری ماشین	مقدمه	یادگیری تاریخچه این حوزه	درس	جن و امی
03	عدالت و یادگیری ماشین	Introduction	مسائل فلسفی مهم پیرامون عدالت که دانشجویان باید هنگام ساخت و استفاده از مدل‌های یادگیری ماشین در نظر بگیرند چیست؟	Lesson	Tomomi
04	تکنیک‌های یادگیری ماشین	Introduction	محققان یادگیری ماشین از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟	Lesson	Chris and Jen
05	مقدمه‌ای بر رگرسیون	Regression	شروع کار با پایتون و Scikit-learn برای مدل‌های رگرسیون	Python • R	Jen • Eric Wanjau
06	قیمت کدو تنبل در آمریکای شمالی 🎃	Regression	تجسم و پاکسازی داده‌ها برای آماده‌سازی یادگیری ماشین	Python • R	Jen • Eric Wanjau
07	قیمت کدو تنبل در آمریکای شمالی 🎃	Regression	ساخت مدل‌های رگرسیون خطی و چندجمله‌ای	Python • R	Jen and Dmitry • Eric Wanjau
08	قیمت کدو تنبل در آمریکای شمالی 🎃	Regression	ساخت مدل رگرسیون لجستیک	Python • R	Jen • Eric Wanjau
09	یک اپلیکیشن وب 🔌	Web App	ساخت یک اپلیکیشن وب برای استفاده از مدل آموزش‌دیده	Python	Jen
10	مقدمه‌ای بر طبقه‌بندی	Classification	پاکسازی، آماده‌سازی و تجسم داده‌ها؛ مقدمه‌ای بر طبقه‌بندی	Python • R	Jen and Cassie • Eric Wanjau
11	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	مقدمه‌ای بر طبقه‌بندها	Python • R	Jen and Cassie • Eric Wanjau
12	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	طبقه‌بندهای بیشتر	Python • R	Jen and Cassie • Eric Wanjau
13	غذاهای خوشمزه آسیایی و هندی 🍜	Classification	ساخت یک اپلیکیشن وب توصیه‌گر با استفاده از مدل شما	Python	Jen
14	مقدمه‌ای بر خوشه‌بندی	Clustering	پاکسازی، آماده‌سازی و تجسم داده‌ها؛ مقدمه‌ای بر خوشه‌بندی	Python • R	Jen • Eric Wanjau
15	بررسی سلیقه‌های موسیقی نیجریه‌ای 🎧	Clustering	بررسی روش خوشه‌بندی K-Means	Python • R	Jen • Eric Wanjau
16	مقدمه‌ای بر پردازش زبان طبیعی ☕️	Natural language processing	یادگیری اصول اولیه پردازش زبان طبیعی با ساخت یک ربات ساده	Python	Stephen
17	وظایف رایج پردازش زبان طبیعی ☕️	Natural language processing	تعمیق دانش پردازش زبان طبیعی با درک وظایف رایج مورد نیاز هنگام کار با ساختارهای زبانی	Python	Stephen
18	ترجمه و تحلیل احساسات ♥️	Natural language processing	ترجمه و تحلیل احساسات با آثار جین آستن	Python	Stephen
19	هتل‌های عاشقانه اروپا ♥️	Natural language processing	تحلیل احساسات با بررسی نظرات هتل‌ها 1	Python	Stephen
20	هتل‌های عاشقانه اروپا ♥️	Natural language processing	تحلیل احساسات با بررسی نظرات هتل‌ها 2	Python	Stephen
21	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	Time series	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	Python	Francesca
22	⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA	Time series	پیش‌بینی سری‌های زمانی با ARIMA	Python	Francesca
23	⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با SVR	Time series	پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان	Python	Anirban
24	مقدمه‌ای بر یادگیری تقویتی	Reinforcement learning	مقدمه‌ای بر یادگیری تقویتی با Q-Learning	Python	Dmitry
25	کمک به پیتر برای فرار از گرگ! 🐺	Reinforcement learning	یادگیری تقویتی با Gym	Python	Dmitry
Postscript	سناریوها و کاربردهای واقعی یادگیری ماشین	ML in the Wild	کاربردهای جالب و آشکار یادگیری ماشین کلاسیک	Lesson	Team
Postscript	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از داشبورد RAI	ML in the Wild	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئولانه	Lesson	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 نیز تولید می‌کند! بررسی کنید:

31 KiB Raw Blame History Unescape Escape