ML-For-Beginners/translations/fa

🌐 پشتیبانی چند زبانه

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

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

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 sparse checkout استفاده کنید:

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 همه چیز لازم برای تکمیل دوره را با سرعت دانلود بسیار سریع‌تر می‌دهد.

به جامعه ما بپیوندید

ما یک سری آموزش Discord با موضوع یادگیری همراه با هوش مصنوعی برگزار می‌کنیم، اطلاعات بیشتر و پیوستن به ما را در Learn with AI Series از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ بیابید. در این دوره نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را خواهید گرفت.

یادگیری ماشین برای مبتدیان - یک برنامه درسی

🌍 در حالی که یادگیری ماشین را از طریق فرهنگ‌های جهانی کاوش می‌کنیم، به دور دنیا سفر کنید 🌍

حمایت‌کنندگان ابری مایکروسافت خوشحالند که یک برنامه درسی ۱۲ هفته‌ای، شامل ۲۶ درس را درباره یادگیری ماشین ارائه دهند. در این برنامه درسی، درباره چیزی که گاهی اوقات به آن «یادگیری ماشین کلاسیک» گفته می‌شود، آموزش خواهید دید، که عمدتاً از کتابخانه Scikit-learn استفاده می‌کند و از یادگیری عمیق که در برنامه درسی هوش مصنوعی برای مبتدیان ما پوشش داده شده است، اجتناب می‌کند. این دروس را با برنامه درسی ما 'علم داده برای مبتدیان' نیز جفت کنید!

با ما در طول جهان سفر کنید در حالی که این تکنیک‌های کلاسیک را روی داده‌های مناطق مختلف دنیا اعمال می‌کنیم. هر درس شامل کوییزهای قبل و بعد از درس، دستورات مکتوب برای تکمیل درس، یک راه‌حل، یک تمرین و بیشتر است. روش آموزش مبتنی بر پروژه ما به شما اجازه می‌دهد در حالی که می‌سازید یاد بگیرید، روشی اثبات شده برای تثبیت مهارت‌های جدید.

✍️ قدردانی فراوان از نویسندگان ما جن لوپر، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کاسی برویو، دمیتری سوشنیکوف، کریس نورینگ، آنربان موخرجی، اورنلا آلتونین، روث یاکوبو و اِمی بوید

🎨 همچنین از تصویرگران ما متشکریم تومومی ایمورا، داسانی مادینپالی، و جن لوپر

🙏 تشکر ویژه 🙏 از سفیران دانشجویی مایکروسافت، نویسندگان، بازبین‌ها، و مشارکت‌کنندگان محتوا به ویژه ریشیت داغلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، ناورین طبسوم، ایوان سامویلا، و اسنیگدا آگاروال

🤩 قدردانی اضافی از سفیران دانشجویی مایکروسافت اریک وانجو، جاسلین سوندی، و ویدوشی گوپتا به خاطر درس‌های R ما!

شروع به کار

این مراحل را دنبال کنید:

1. فورک کردن مخزن: روی دکمه "Fork" در گوشه بالا-راست صفحه کلیک کنید.
2. 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 رفع اشکال ما را برای حل مشکلات رایج نصب، راه‌اندازی و اجرای درس‌ها بررسی کنید.

دانشجویان، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرین‌ها را به‌صورت جداگانه یا گروهی کامل کنید:

• با کوییز پیش‌کلاس شروع کنید.
• متن درس را بخوانید و فعالیت‌ها را انجام دهید، در هر بررسی دانش توقف و تأمل کنید.
• سعی کنید پروژه‌ها را با درک دروس بسازید نه فقط با اجرای کد راه‌حل؛ البته کد راه‌حل در پوشه‌های /solution در هر درس مبتنی بر پروژه در دسترس است.
• کوییز پس از درس را انجام دهید.
• چالش را کامل کنید.
• تمرین را انجام دهید.
• پس از تکمیل یک گروه درس، به صفحه بحث مراجعه کنید و با پر کردن فرم ارزیابی پیشرفت مناسب (PAT) "با صدای بلند بیاموزید". 'PAT' یک ابزار ارزیابی پیشرفت است که به شما کمک می‌کند یادگیری خود را عمیق‌تر کنید. همچنین می‌توانید به سایر PAT ها واکنش نشان دهید تا با هم یاد بگیریم.

برای مطالعه بیشتر، ما پیشنهاد می‌کنیم این ماژول‌ها و مسیرهای یادگیری Microsoft Learn را دنبال کنید.

اساتید، ما چند پیشنهاد در مورد نحوه استفاده از این برنامه درسی ارائه کرده‌ایم.

---

راهنمای ویدیویی

برخی از دروس به صورت ویدیوهای کوتاه در دسترس هستند. می‌توانید همه آن‌ها را در داخل درس‌ها یا در لیست پخش ML for Beginners در کانال یوتیوب Microsoft Developer با کلیک روی تصویر زیر بیابید.

---

آشنایی با تیم

گیف توسط Mohit Jaisal

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

---

روش آموزش

ما دو اصل آموزشی را در ساخت این برنامه درسی انتخاب کرده‌ایم: اطمینان از اینکه به صورت عملی و مبتنی بر پروژه باشد و شامل کوییزهای مکرر باشد. همچنین این برنامه درسی یک موضوع کلی مشترک دارد تا انسجام داشته باشد.

با اطمینان از انطباق محتوا با پروژه‌ها، فرایند برای دانشجویان جذاب‌تر شده و نگهداری مفاهیم افزایش می‌یابد. علاوه بر این، یک کوییز کم ریسک قبل از کلاس قصد دانشجو را برای یادگیری موضوع تنظیم می‌کند، در حالی که کوییز دوم پس از کلاس اطمینان می‌دهد که مطلب بهتر در ذهن باقی می‌ماند. این برنامه به گونه‌ای طراحی شده است که قابل انعطاف و لذت‌بخش باشد و می‌توان آن را کامل یا بخش به بخش اخذ کرد. پروژه‌ها از کوچک شروع شده و تا پایان چرخه ۱۲ هفته‌ای به تدریج پیچیده‌تر می‌شوند. این برنامه درسی همچنین شامل بخشی درباره کاربردهای واقعی یادگیری ماشین است که می‌تواند به عنوان امتیاز اضافی یا پایه بحث استفاده شود.

دستورالعمل‌های رفتار حرفه‌ای، سهیم شدن، ترجمه، و رفع اشکال ما را بیابید. بازخورد سازنده شما را استقبال می‌کنیم!

هر درس شامل

• یادداشت اختیاری طرح‌کشی شده
• ویدیوی مکمل اختیاری
• راهنمای ویدئویی (فقط برخی دروس)
• کوییز گرم‌کننده پیش از درس
• درس مکتوب
• برای دروس مبتنی بر پروژه، راهنمای گام‌به‌گام ساخت پروژه
• بررسی‌های دانش
• یک چالش
• مطالعه تکمیلی
• تمرین
• کوییز پس از درس

نکته‌ای درباره زبان‌ها: این دروس عمدتاً در زبان پایتون نوشته شده‌اند، اما بسیاری نیز به زبان R موجود هستند. برای کامل کردن درس R، به پوشه /solution رفته و درس‌های R را جستجو کنید. این فایل‌ها دارای پسوند .rmd هستند که نمایانگر یک فایل R Markdown است، که به سادگی می‌توان آن را یک چارچوب نویسندگی نمونه برای علم داده تعریف کرد، زیرا به شما اجازه می‌دهد کد، خروجی آن، و فکر خود را با نوشتن آن‌ها در Markdown ترکیب کنید. همچنین، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML، یا Word صادر شوند. یادداشتی درباره آزمون‌ها: تمام آزمون‌ها در پوشه Quiz App قرار دارند، مجموعاً ۵۲ آزمون که هر کدام شامل سه سوال است. این آزمون‌ها درون دروس لینک شده‌اند اما اپلیکیشن آزمون می‌تواند به صورت محلی اجرا شود؛ برای میزبانی محلی یا پیاده‌سازی در Azure دستورالعمل‌های موجود در پوشه quiz-app را دنبال کنید.

شماره درس	موضوع	دسته‌بندی درس	اهداف یادگیری	درس مرتبط	نویسنده
۰۱	مقدمه‌ای بر یادگیری ماشین	مقدمه	مفاهیم پایه پشت یادگیری ماشین را بیاموزید	درس	محمد
۰۲	تاریخچه یادگیری ماشین	مقدمه	تاریخچه زمینه این حوزه را یاد بگیرید	درس	جن و اِمی
۰۳	عدالت و یادگیری ماشین	مقدمه	مسائل فلسفی مهم پیرامون عدالت که دانش‌آموزان باید هنگام ساخت و استفاده از مدل‌های یادگیری ماشین مدنظر داشته باشند چیست؟	درس	تومومی
۰۴	تکنیک‌های یادگیری ماشین	مقدمه	پژوهشگران یادگیری ماشین از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟	درس	کریس و جن
۰۵	مقدمه‌ای بر رگرسیون	رگرسیون	با پایتون و Scikit-learn برای مدل‌های رگرسیون شروع کنید	پایتون • R	جن • اریک وانجاو
۰۶	قیمت‌های کدو تنبل آمریکای شمالی 🎃	رگرسیون	داده‌ها را جهت آماده‌سازی برای یادگیری ماشین تجسم و پاکسازی کنید	پایتون • R	جن • اریک وانجاو
۰۷	قیمت‌های کدو تنبل آمریکای شمالی 🎃	رگرسیون	مدل‌های رگرسیون خطی و چندجمله‌ای بسازید	پایتون • R	جن و دیمیتری • اریک وانجاو
۰۸	قیمت‌های کدو تنبل آمریکای شمالی 🎃	رگرسیون	مدل رگرسیون لجستیک بسازید	پایتون • R	جن • اریک وانجاو
۰۹	یک اپ وب 🔌	اپ وب	یک اپ وب بسازید تا از مدل آموزش دیده خود استفاده کنید	پایتون	جن
۱۰	مقدمه‌ای بر طبقه‌بندی	طبقه‌بندی	داده‌های خود را پاکسازی، آماده‌سازی و تجسم کنید؛ مقدمه‌ای بر طبقه‌بندی	پایتون • R	جن و کَسی • اریک وانجاو
۱۱	غذاهای خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	مقدمه‌ای بر طبقه‌بندها	پایتون • R	جن و کَسی • اریک وانجاو
۱۲	غذاهای خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	طبقه‌بندهای بیشتر	پایتون • R	جن و کَسی • اریک وانجاو
۱۳	غذاهای خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	اپ وب توصیه‌گر با استفاده از مدل خود بسازید	پایتون	جن
۱۴	مقدمه‌ای بر خوشه‌بندی	خوشه‌بندی	داده‌های خود را پاکسازی، آماده‌سازی و تجسم کنید؛ مقدمه‌ای بر خوشه‌بندی	پایتون • R	جن • اریک وانجاو
۱۵	بررسی سلیقه‌های موسیقی نیجریه‌ای 🎧	خوشه‌بندی	روش خوشه‌بندی K-Means را کاوش کنید	پایتون • R	جن • اریک وانجاو
۱۶	مقدمه‌ای بر پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	اصول پردازش زبان طبیعی را با ساخت یک ربات ساده بیاموزید	پایتون	استیفن
۱۷	وظایف رایج پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	دانش خود را با درک وظایف متداول مورد نیاز هنگام کار با ساختارهای زبانی عمیق‌تر کنید	پایتون	استیفن
۱۸	ترجمه و تحلیل احساسات ♥️	پردازش زبان طبیعی	ترجمه و تحلیل احساسات با جین آستن	پایتون	استیفن
۱۹	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نقدهای هتل ۱	پایتون	استیفن
۲۰	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نقدهای هتل ۲	پایتون	استیفن
۲۱	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	سری‌های زمانی	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	پایتون	فرانچسکا
۲۲	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری زمانی با ARIMA	سری‌های زمانی	پیش‌بینی سری زمانی با ARIMA	پایتون	فرانچسکا
۲۳	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری زمانی با SVR	سری‌های زمانی	پیش‌بینی سری زمانی با رگرسیون بردار پشتیبان	پایتون	آنیربان
۲۴	مقدمه‌ای بر یادگیری تقویتی	یادگیری تقویتی	مقدمه‌ای بر یادگیری تقویتی با Q-Learning	پایتون	دیمیتری
۲۵	کمک به پیتر برای فرار از گرگ! 🐺	یادگیری تقویتی	یادگیری تقویتی در Gym	پایتون	دیمیتری
پس‌نویس	سناریوها و کاربردهای دنیای واقعی یادگیری ماشین	یادگیری ماشین در دنیای واقعی	کاربردهای جالب و روشنگر یادگیری ماشین کلاسیک در دنیای واقعی	درس	تیم
پس‌نویس	عیب‌یابی مدل در یادگیری ماشین با داشبورد RAI	یادگیری ماشین در دنیای واقعی	عیب‌یابی مدل در یادگیری ماشین با استفاده از مولفه‌های داشبورد Responsible AI	درس	روث یا کوبو

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. مخزن را فورک کنید، Docsify را روی دستگاه محلی خود نصب کنید، سپس در پوشه اصلی این مخزن، دستور docsify serve را تایپ کنید. وب‌سایت روی پورت ۳۰۰۰ در localhost شما با آدرس localhost:3000 میزبانی می‌شود.

فایل‌های PDF

نسخه پی‌دی‌اف 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

---

آموزش‌های اصلی

---

سری کوپایلوت

دریافت کمک

اگر در ساخت برنامه‌های هوش مصنوعی گیر کرده‌اید یا سوالی دارید. به جمع زبان‌آموزان و توسعه‌دهندگان با تجربه در بحث‌های پیرامون MCP بپیوندید. این یک جامعه پشتیبان است که در آن سوالات خوش‌آمد گفته می‌شود و دانش آزادانه به اشتراک گذاشته می‌شود.

اگر بازخورد محصول یا خطایی هنگام ساخت برنامه مشاهده کردید به اینجا مراجعه کنید:

---

توضیح مسئولیت: این سند با استفاده از سرویس ترجمه مبتنی بر 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 اشتباهات یا نابه‌دقتی‌هایی باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، استفاده از ترجمه حرفه‌ای انسانی توصیه می‌شود. ما مسئول هیچ‌گونه سوءتفاهم یا برداشت نادرستی که ناشی از استفاده از این ترجمه باشد، نیستیم.