ML-For-Beginners/translations/fa

🌐 پشتیبانی چندزبانه

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

فرانسوی | اسپانیایی | آلمانی | روسی | عربی | فارسی | اردو | چینی (ساده‌شده) | چینی (سنتی، ماکائو) | چینی (سنتی، هنگ‌کنگ) | چینی (سنتی، تایوان) | ژاپنی | کره‌ای | هندی | بنگالی | مراتی | نپالی | پنجابی (گرمخی) | پرتغالی (پرتغال) | پرتغالی (برزیل) | ایتالیایی | لهستانی | ترکی | یونانی | تایلندی | سوئدی | دانمارکی | نروژی | فنلاندی | هلندی | عبری | ویتنامی | اندونزیایی | مالایی | تاگالوگ (فیلیپینی) | سواحیلی | مجاری | چکی | اسلواکی | رومانیایی | بلغاری | صربی (سیریلیک) | کرواتی | اسلوونیایی | اوکراینی | برمه‌ای (میانمار)

به جامعه ما بپیوندید

ما یک سری یادگیری با هوش مصنوعی در Discord 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 ترفندهایی برای استفاده از GitHub Copilot در 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 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 پوشش داده شده است. این درس‌ها را با برنامه درسی 'علم داده برای مبتدیان' 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

دانش‌آموزان، 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 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 را دنبال کنید.

معلمان، ما برخی پیشنهادات 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 با کلیک بر روی تصویر زیر مشاهده کنید.

---

تیم را ملاقات کنید

Gif توسط Mohit Jaisal

🎥 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، مشارکت، و راهنمای ترجمه 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
• درس نوشتاری
• برای درس‌های مبتنی بر پروژه، راهنمای گام‌به‌گام برای ساخت پروژه
• بررسی دانش
• یک چالش
• مطالعه تکمیلی
• تکلیف
• آزمون بعد از درس

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 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	یادگیری مفاهیم پایه‌ای پشت یادگیری ماشین	درس	محمد
02	تاریخچه یادگیری ماشین	مقدمه	یادگیری تاریخچه زمینه این حوزه	درس	جن و ایمی
03	عدالت و یادگیری ماشین	مقدمه	مسائل فلسفی مهم در مورد 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	تجسم 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 آموزش‌دیده‌شده	پایتون	Jen
10	مقدمه‌ای بر طبقه‌بندی	طبقه‌بندی	پاکسازی، آماده‌سازی و تجسم 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 تجسم 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 در NLP ☕️	پردازش زبان طبیعی	تعمیق دانش پردازش زبان طبیعی با درک وظایف رایج در برخورد 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 بررسی نظرات هتل‌ها 1	پایتون	Stephen
20	هتل‌های عاشقانه اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با بررسی نظرات هتل‌ها 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 داشبورد RAI	یادگیری ماشین در دنیای واقعی	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئولانه	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 اجرا 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:

• Edge AI برای مبتدیان
• عامل‌های هوش مصنوعی برای مبتدیان
• هوش مصنوعی مولد برای مبتدیان
• هوش مصنوعی مولد برای مبتدیان .NET
• هوش مصنوعی مولد با جاوااسکریپت
• هوش مصنوعی مولد با جاوا
• هوش مصنوعی برای مبتدیان
• علم داده برای مبتدیان
• یادگیری ماشین برای مبتدیان
• امنیت سایبری برای مبتدیان
• توسعه وب برای مبتدیان
• اینترنت اشیا برای مبتدیان
• توسعه XR برای مبتدیان
• تسلط بر GitHub Copilot برای برنامه‌نویسی جفتی
• تسلط بر GitHub Copilot برای توسعه‌دهندگان C#/.NET
• ماجراجویی Copilot خود را انتخاب 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، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.