ML-For-Beginners/translations/fa

🌐 پشتیبانی چندزبانه

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

عربی | بنگالی | بلغاری | برمه‌ای (میانمار) | چینی (ساده‌شده) | چینی (سنتی، هنگ‌کنگ) | چینی (سنتی، ماکائو) | چینی (سنتی، تایوان) | کرواتی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجاری | اندونزیایی | ایتالیایی | ژاپنی | کانادا | کره‌ای | لیتوانیایی | مالایی | مالایالام | ماراتی | نپالی | پدجین نیجریه‌ای | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورموخی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکیایی | اسلوونیایی | اسپانیایی | سواہیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیل | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

به جامعه ما بپیوندید

ما یک مجموعه فعال در دیسکورد با عنوان «یادگیری با هوش مصنوعی» داریم؛ برای کسب اطلاعات بیشتر و پیوستن به ما از 18 تا 30 سپتامبر 2025 به سری یادگیری با هوش مصنوعی مراجعه کنید. در این رویداد نکات و ترفندهایی برای استفاده از GitHub Copilot در علم داده دریافت خواهید کرد.

یادگیری ماشین برای مبتدیان - برنامه درسی

🌍 با ما به اطراف جهان سفر کنید تا یادگیری ماشین را از منظر فرهنگ‌های مختلف بررسی کنیم 🌍

Cloud Advocates در مایکروسافت مفتخر است یک برنامه درسی 12 هفته‌ای و شامل 26 درس در زمینهٔ یادگیری ماشین ارائه دهد. در این برنامه، شما با آنچه گاهی «یادگیری ماشین کلاسیک» نامیده می‌شود آشنا می‌شوید، که عمدتاً با استفاده از کتابخانهٔ Scikit-learn انجام می‌شود و از یادگیری عمیق که در برنامه درسی AI برای مبتدیان ما پوشش داده شده است اجتناب می‌کند. این دروس را با برنامه درسی «علم داده برای مبتدیان» نیز همراه کنید!

با ما در سفر به دور دنیا همراه شوید تا این تکنیک‌های کلاسیک را روی داده‌هایی از مناطق مختلف جهان اعمال کنیم. هر درس شامل آزمون‌های قبل و بعد از درس، دستورالعمل‌های مکتوب برای تکمیل درس، یک راه‌حل، یک تکلیف و موارد دیگر است. روش آموزشی پروژه‌محور ما به شما اجازه می‌دهد در حین ساختن یاد بگیرید، که راهی اثبات‌شده برای تثبیت مهارت‌های جدید است.

✍️ از نویسندگان عزیزمان صمیمانه سپاسگزاریم Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd

🎨 همچنین از تصویرگران‌مان سپاسگزاریم Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 سپاس ویژه 🙏 از نویسندگان، بازبین‌ها و مشارکت‌کنندگان محتوای Microsoft Student Ambassador ما، به‌ویژه Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal

🤩 سپاس اضافی از Microsoft Student Ambassadors اریک ونجاو، جاسلین سوندی، و ویدوشی گپتا برای دروس R ما!

شروع

این مراحل را دنبال کنید:

1. فورک کردن مخزن: روی دکمهٔ "Fork" در گوشهٔ بالا-راست این 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 پیدا کنید

🔧 نیاز به کمک دارید؟ راهنمای عیب‌یابی ما را برای راه‌حل‌های مشکلات رایج در نصب، پیکربندی و اجرای دروس بررسی کنید.

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

• با یک آزمون گرم قبل از کلاس شروع کنید.
• مبحث را بخوانید و فعالیت‌ها را کامل کنید، در هر بررسی دانش مکث و تأمل کنید.
• سعی کنید پروژه‌ها را با درک دروس ایجاد کنید نه فقط با اجرای کد راه‌حل؛ با این حال آن کد در پوشه‌های /solution در هر درس پروژه‌محور در دسترس است.
• آزمون پس از کلاس را بدهید.
• چالش را کامل کنید.
• تکلیف را انجام دهید.
• پس از تکمیل یک گروه درسی، به تابلو گفتگو سر بزنید و با پر کردن قالب PAT مناسب «بلند بیاموزید». PAT یک ابزار ارزیابی پیشرفت است که قالبی است که شما برای پیشبرد یادگیری خود آن را پر می‌کنید. شما همچنین می‌توانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.

برای مطالعهٔ بیشتر، توصیه می‌کنیم این ماژول‌ها و مسیرهای یادگیری Microsoft Learn را دنبال کنید.

معلمان، ما چند پیشنهاد دربارهٔ نحوهٔ استفاده از این برنامه درسی گنجانده‌ایم.

---

ویدئوهای راهنما

بعضی از دروس به‌صورت ویدئوی کوتاه در دسترس هستند. می‌توانید همهٔ این ویدئوها را در داخل دروس پیدا کنید، یا در فهرست پخش ML for Beginners در کانال Microsoft Developer در یوتیوب با کلیک روی تصویر زیر ببینید.

---

اعضای تیم

گیف توسط Mohit Jaisal

🎥 برای دیدن ویدئویی دربارهٔ پروژه و افرادی که آن را ساخته‌اند، روی تصویر بالا کلیک کنید!

---

روش آموزشی

در ساخت این برنامهٔ درسی دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از اینکه برنامه دست‌ورزی و «پروژه‌محور» است و اینکه شامل آزمون‌های «مکرر» باشد. علاوه بر این، این برنامهٔ درسی یک «تم» مشترک دارد تا انسجام ایجاد کند.

با همسو کردن محتوا با پروژه‌ها، فرآیند برای دانشجویان جذاب‌تر می‌شود و حفظ مفاهیم افزایش می‌یابد. علاوه بر این، یک آزمون کم‌فشار قبل از کلاس، نیت یادگیری دانشجو را معطوف موضوع می‌کند و یک آزمون دیگر پس از کلاس باعث حفظ بیشتر مطلب می‌شود. این برنامهٔ درسی طوری طراحی شده است که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را به‌صورت کامل یا بخشی گذراند. پروژه‌ها کوچک شروع می‌شوند و تا پایان دورهٔ 12 هفته‌ای به‌تدریج پیچیده‌تر می‌شوند. این برنامهٔ درسی همچنین خاتمه‌ای دربارهٔ کاربردهای دنیای واقعی یادگیری ماشین دارد که می‌تواند به‌عنوان امتیاز اضافی یا مبنایی برای بحث استفاده شود.

راهنمای ضوابط رفتار، مشارکت، ترجمه، و عیب‌یابی ما را پیدا کنید. ما از بازخورد سازندهٔ شما استقبال می‌کنیم!

هر درس شامل

• یادداشت تصویری اختیاری
• ویدئوی تکمیلی اختیاری
• راهنمای ویدئویی (فقط برخی دروس)
• آزمون گرم‌کننده پیش از درس
• درس مکتوب
• برای دروس پروژه‌محور، راهنماهای گام‌به‌گام برای ساخت پروژه
• سنجش دانش
• یک چالش
• مطالعهٔ تکمیلی
• تکلیف
• آزمون پس از درس

تذکری دربارهٔ زبان‌ها: این دروس عمدتاً به زبان Python نوشته شده‌اند، اما بسیاری از آن‌ها نیز به زبان R در دسترس‌اند. برای تکمیل یک درس R، به پوشهٔ /solution بروید و به دنبال دروس R بگردید. آن‌ها دارای پسوند .rmd هستند که نمایانگر یک فایل R Markdown است که می‌توان آن را به‌سادگی چنین تعریف کرد: جاسازی code chunks (از R یا زبان‌های دیگر) و یک YAML header (که هدایت می‌کند خروجی‌ها چگونه قالب‌بندی شوند مثل PDF) در یک Markdown document. از این رو، این ساختار به‌عنوان یک چهارچوب نمونه برای نویسندگی در علم داده عمل می‌کند زیرا به شما اجازه می‌دهد کد، خروجی آن و افکار خود را با نوشتن در Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML یا Word رندر شوند.

تذکری دربارهٔ آزمون‌ها: همهٔ آزمون‌ها در پوشهٔ برنامه آزمون قرار دارند، در مجموع 52 آزمون که هر کدام سه سؤال دارند. آن‌ها از داخل دروس لینک شده‌اند اما برنامهٔ آزمون را می‌توان به‌صورت محلی اجرا کرد؛ دستورالعمل‌ها را در پوشهٔ quiz-app دنبال کنید تا به‌صورت محلی میزبانی یا در Azure مستقر کنید.

شمارهٔ درس	موضوع	گروه‌بندی درس	اهداف یادگیری	درس مرتبط	نویسنده
01	مقدمه‌ای بر یادگیری ماشین	مقدمه	مفاهیم پایه‌ای پشت یادگیری ماشین را بیاموزید	درس	Muhammad
02	تاریخچهٔ یادگیری ماشین	مقدمه	تاریخچهٔ زمینهٔ این حوزه را بیاموزید	درس	Jen and Amy
03	عدالت و یادگیری ماشین	مقدمه	مسائل فلسفی مهم پیرامون عدالت که دانشجویان باید هنگام ساخت و به‌کارگیری مدل‌های یادگیری ماشین در نظر بگیرند کدام‌اند؟	درس	Tomomi
04	تکنیک‌های یادگیری ماشین	مقدمه	پژوهشگران یادگیری ماشین برای ساخت مدل‌ها از چه تکنیک‌هایی استفاده می‌کنند؟	درس	Chris and Jen
05	مقدمه‌ای بر رگرسیون	رگرسیون	با Python و Scikit-learn برای مدل‌های رگرسیون شروع کنید	Python • R	Jen • Eric Wanjau
06	قیمت کدو حلوایی در آمریکای شمالی 🎃	رگرسیون	داده‌ها را برای یادگیری ماشین مصورسازی و پاک‌سازی کنید	Python • R	Jen • Eric Wanjau
07	قیمت کدو حلوایی در آمریکای شمالی 🎃	رگرسیون	مدل‌های رگرسیون خطی و چندجمله‌ای بسازید	Python • R	Jen and Dmitry • Eric Wanjau
08	قیمت کدو حلوایی در آمریکای شمالی 🎃	رگرسیون	یک مدل رگرسیون لجستیک بسازید	Python • R	Jen • Eric Wanjau
09	یک برنامه وب 🔌	وب‌اپ	یک برنامه وب بسازید تا از مدل آموزش‌دیدهٔ خود استفاده کنید	Python	Jen
10	مقدمه‌ای بر طبقه‌بندی	طبقه‌بندی	داده‌های خود را پاک، آماده و مصورسازی کنید؛ مقدمه‌ای بر طبقه‌بندی	Python • R	Jen and Cassie • Eric Wanjau
11	غذاهای لذیذ آسیایی و هندی 🍜	طبقه‌بندی	مقدمه‌ای بر طبقه‌بندها	Python • R	Jen and Cassie • Eric Wanjau
12	غذاهای لذیذ آسیایی و هندی 🍜	طبقه‌بندی	طبقه‌بندهای بیشتر	Python • R	Jen and Cassie • Eric Wanjau
13	غذاهای لذیذ آسیایی و هندی 🍜	طبقه‌بندی	با استفاده از مدل خود یک برنامه وب پیشنهاددهنده بسازید	Python	Jen
14	مقدمه‌ای بر خوشه‌بندی	خوشه‌بندی	داده‌های خود را پاک، آماده و مصورسازی کنید؛ مقدمه‌ای بر خوشه‌بندی	Python • R	Jen • Eric Wanjau
15	کاوش سلیقه‌های موسیقی نیجریه‌ای 🎧	خوشه‌بندی	روش خوشه‌بندی K-Means را کاوش کنید	Python • R	Jen • Eric Wanjau
16	مقدمه‌ای بر پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	مبانی NLP را با ساخت یک ربات ساده بیاموزید	Python	Stephen
17	وظایف معمول NLP ☕️	پردازش زبان طبیعی	دانش خود در NLP را با درک وظایف رایجی که هنگام کار با ساختارهای زبانی لازم است، عمیق‌تر کنید	Python	Stephen
18	ترجمه و تحلیل احساسات ♥️	پردازش زبان طبیعی	ترجمه و تحلیل احساسات با آثار جین آستین	Python	Stephen
19	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نظرات هتل 1	Python	Stephen
20	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نظرات هتل 2	Python	Stephen
21	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	سری‌های زمانی	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	Python	Francesca
22	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA	سری‌های زمانی	پیش‌بینی سری‌های زمانی با ARIMA	Python	Francesca
23	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری‌های زمانی با SVR	سری‌های زمانی	پیش‌بینی سری‌های زمانی با Support Vector Regressor	Python	Anirban
24	مقدمه‌ای بر یادگیری تقویتی	یادگیری تقویتی	مقدمه‌ای بر یادگیری تقویتی با Q-Learning	Python	Dmitry
25	به پیتر کمک کنید از گرگ اجتناب کند! 🐺	یادگیری تقویتی	یادگیری تقویتی با Gym	Python	Dmitry
پیوست	سناریوها و کاربردهای یادگیری ماشین در دنیای واقعی	یادگیری ماشین در دنیای واقعی	کاربردهای جالب و روشنگرانهٔ دنیای واقعی از یادگیری ماشین کلاسیک	درس	تیم
پیوست	اشکال‌زدایی مدل در ML با استفاده از داشبورد RAI	یادگیری ماشین در دنیای واقعی	اشکال‌زدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI	درس	Ruth Yakubu

تمام منابع اضافی برای این دوره را در مجموعه Microsoft Learn ما پیدا کنید

دسترسی آفلاین

می‌توانید این مستندات را به‌صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را نصب کنید روی ماشین محلی خود، و سپس در پوشه ریشهٔ این مخزن، تایپ کنید docsify serve. وب‌سایت در پورت 3000 روی localhost شما سرو می‌شود: localhost:3000.

فایل‌های PDF

نسخهٔ PDF برنامه درسی همراه با لینک‌ها را اینجا پیدا کنید.

🎒 دوره‌های دیگر

تیم ما دوره‌های دیگری تولید می‌کند! آن‌ها را ببینید:

LangChain

---

Azure / Edge / MCP / Agents

---

سری هوش مولد

---

یادگیری اصلی

---

مجموعه Copilot

دریافت کمک

اگر گیر کردید یا دربارهٔ ساخت اپلیکیشن‌های هوش مصنوعی سؤالی داشتید، به گفتگوها با دیگر یادگیرندگان و توسعه‌دهندگان باتجربه دربارهٔ MCP بپیوندید. این یک جامعهٔ پشتیبان است که در آن سؤال‌ها پذیرفته می‌شوند و دانش به‌صورت آزاد به اشتراک گذاشته می‌شود.

اگر بازخورد دربارهٔ محصول دارید یا هنگام ساخت با خطا مواجه شدید، به:

---

سلب مسئولیت: این سند با استفاده از سرویس ترجمهٔ هوش مصنوعی Co-op Translator (https://github.com/Azure/co-op-translator) ترجمه شده است. اگرچه ما در پی دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است حاوی خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان بومی خود باید به‌عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس یا حیاتی، توصیه می‌شود از ترجمهٔ حرفه‌ای انسانی استفاده نمایید. ما در برابر هرگونه سوءتفاهم، برداشت نادرست یا تفسیر ناصحیح ناشی از استفاده از این ترجمه مسئولیتی نداریم.