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، هنگ کنگ) | چینی (سنتی، ماکائو) | چینی (سنتی، تایوان) | کرواسی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کانّادا | کره‌ای | لیتوانیایی | مالایی | مالایالامی | مراتی | نپالی | پیدجین نیجریه‌ای | نروژی | فارسی (Farsi) | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورموخی) | رومانیایی | روسی | صربستانی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیلی | تلگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

به جامعه ما بپیوندید

ما یک سری «یادگیری با هوش مصنوعی» در Discord داریم؛ بیشتر بدانید و از 18 تا 30 سپتامبر 2025 به ما در سری یادگیری با هوش مصنوعی بپیوندید. در این سری نکات و ترفندهایی برای استفاده از GitHub Copilot در علم داده دریافت خواهید کرد.

یادگیری ماشین برای مبتدیان - یک برنامه درسی

🌍 با ما در سفری به دور جهان همراه شوید در حالی که یادگیری ماشین را از خلال فرهنگ‌های گوناگون جهان کاوش می‌کنیم 🌍

پشتیبانان ابری در مایکروسافت خوشحال‌اند که یک برنامه درسی 12 هفته‌ای، شامل 26 درس، تماماً دربارهٔ یادگیری ماشین ارائه دهند. در این برنامه درسی، شما با چیزی که گاهی «یادگیری ماشین کلاسیک» نامیده می‌شود آشنا خواهید شد، عمدتاً با استفاده از کتابخانه Scikit-learn و بدون پوشش یادگیری عمیق، که در برنامه درسی «هوش مصنوعی برای مبتدیان» ما پوشش داده شده است. این دروس را با برنامه درسی «علوم داده برای مبتدیان» ما نیز جفت کنید.

با ما در گردش جهانی همراه شوید در حالی که این تکنیک‌های کلاسیک را روی داده‌هایی از مناطق مختلف جهان اعمال می‌کنیم. هر درس شامل آزمون‌های پیش و پس از درس، دستورالعمل‌های مکتوب برای تکمیل درس، یک راه‌حل، یک تکلیف، و موارد دیگر است. روش آموزشی مبتنی بر پروژهٔ ما به شما اجازه می‌دهد هم‌زمان که می‌سازید یاد بگیرید — روشی امتحان‌شده برای تثبیت مهارت‌های جدید.

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

🎨 همچنین تشکر از تصویرسازان ما Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 تشکر 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

🤩 تشکر اضافی از Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta برای دروس R ما!

شروع کنید

این مراحل را دنبال کنید:

1. Fork کردن مخزن: روی دکمه "Fork" در گوشه بالای سمت 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 بیابید

🔧 نیاز به کمک دارید؟ برای راه‌حل‌هایی برای مشکلات رایج نصب، راه‌اندازی و اجرای دروس، به راهنمای عیب‌یابی ما مراجعه کنید.

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

• با یک آزمون پیش‌درس شروع کنید.
• درس را بخوانید و فعالیت‌ها را کامل کنید و در هر بررسی دانش متوقف شده و تأمل کنید.
• سعی کنید پروژه‌ها را با درک دروس بسازید به‌جای اینکه صرفاً کد راه‌حل را اجرا کنید؛ با این حال آن کد در پوشه‌های /solution در هر درس مبتنی بر پروژه در دسترس است.
• آزمون پس‌از-درس را بدهید.
• چالش را کامل کنید.
• تکلیف را کامل کنید.
• پس از تکمیل یک گروه از دروس، به تخته بحث سر بزنید و با پر کردن معیار PAT مناسب «با صدای بلند یاد بگیرید». PAT یک ابزار ارزیابی پیشرفت است که یک چک‌لیست است که شما آن را پر می‌کنید تا یادگیریتان را بیشتر کنید. شما همچنین می‌توانید به PATهای دیگر واکنش نشان دهید تا با هم بیاموزیم.

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

معلمین، ما چند پیشنهاد در مورد نحوهٔ استفاده از این برنامه درسی گنجانده‌ایم.

---

راهنمایی‌های ویدیویی

برخی از دروس به‌صورت ویدیوی کوتاه در دسترس‌اند. شما می‌توانید همهٔ آن‌ها را در درون دروس بیابید، یا در فهرست پخش ML برای مبتدیان در کانال یوتیوب توسعه‌دهندگان مایکروسافت با کلیک روی تصویر زیر.

---

با تیم آشنا شوید

GIF توسط Mohit Jaisal

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

---

روش آموزشی

در هنگام ساخت این برنامه درسی دو اصل آموزشی را انتخاب کردیم: تضمین اینکه آموزش‌ها به‌صورت عملی و مبتنی بر پروژه باشند و اینکه شامل آزمون‌های مکرر باشند. علاوه بر این، این برنامه درسی یک «قالب» مشترک دارد تا انسجام ایجاد کند.

با اطمینان از اینکه محتوا با پروژه‌ها هم‌راستا است، فرایند برای دانش‌آموزان جذاب‌تر می‌شود و تثبیت مفاهیم افزایش می‌یابد. علاوه بر این، یک آزمون کم‌فشار قبل از کلاس نیت دانش‌آموز را برای یادگیری موضوع معین می‌کند، در حالی که آزمون دوم پس از کلاس تثبیت بیشتری را تضمین می‌کند. این برنامه درسی طوری طراحی شده که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را به‌طور کامل یا جزئی گذراند. پروژه‌ها از اندازهٔ کوچک شروع می‌شوند و تا پایان دورهٔ 12 هفته‌ای به‌تدریج پیچیده‌تر می‌شوند. این برنامه درسی همچنین یک پی‌نوشت دربارهٔ کاربردهای دنیای واقعی یادگیری ماشین دارد که می‌توان از آن به‌عنوان امتیاز اضافی یا پایه‌ای برای بحث استفاده کرد.

دستورالعمل‌های قانون رفتار، مشارکت، ترجمه، و عیب‌یابی ما را بیابید. ما از بازخورد سازندهٔ شما استقبال می‌کنیم!

هر درس شامل

• نوشتهٔ تصویری (اسکتچ‌نوت) اختیاری
• ویدیوی تکمیلی اختیاری
• راهنمای ویدیویی (فقط برخی دروس)
• آزمون گرم‌کنندهٔ پیش‌درس
• درس مکتوب
• برای دروس مبتنی بر پروژه، راهنمای گام‌به‌گام ساخت پروژه
• سنجش‌های دانشی
• یک چالش
• مطالعهٔ تکمیلی
• تکلیف
• آزمون پس‌از-درس

توضیحی دربارهٔ زبان‌ها: این دروس عمدتاً با Python نوشته شده‌اند، اما بسیاری نیز به‌صورت R موجودند. برای تکمیل یک درس R، به پوشهٔ /solution بروید و به‌دنبال دروس R بگردید. آن‌ها دارای پسوند .rmd هستند که نمایانگر یک فایل R Markdown است که می‌توان آن را به سادگی به‌عنوان جاسازی code chunks (از R یا زبان‌های دیگر) و یک YAML header (که نشان می‌دهد چگونه خروجی‌ها مانند PDF قالب‌بندی شوند) در یک Markdown document تعریف کرد. از این‌رو، این قالب به‌عنوان چارچوبی نمونه برای نویسندگی در علم داده عمل می‌کند چون به شما اجازه می‌دهد کد، خروجی آن و افکارتان را ترکیب کرده و در Markdown بنویسید. علاوه بر این، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML یا Word رندر شوند.

توضیحی دربارهٔ آزمون‌ها: همهٔ آزمون‌ها در پوشهٔ Quiz App قرار دارند، در مجموع 52 آزمون که هرکدام شامل سه سؤال هستند. آن‌ها از داخل دروس لینک شده‌اند اما اپلیکیشن آزمون می‌تواند به‌صورت محلی اجرا شود؛ دستورالعمل‌های مربوط به میزبانی محلی یا استقرار در Azure را در پوشهٔ quiz-app دنبال 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	تاریخچه یادگیری ماشین	مقدمه	تاریخچه این حوزه را بیاموزید	درس	Jen and Amy
03	عدالت و یادگیری ماشین	مقدمه	چه مسائل فلسفی مهمی درباره عدالت وجود دارند که دانش‌آموزان هنگام ساخت و به‌کارگیری مدل‌های یادگیری ماشین باید در نظر بگیرند؟	درس	Tomomi
04	تکنیک‌های یادگیری ماشین	مقدمه	محققان یادگیری ماشین از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟	درس	Chris and Jen
05	مقدمه‌ای بر رگرسیون	رگرسیون	با Python و Scikit-learn برای مدل‌های رگرسیونی شروع به کار کنید	Python • R	Jen • Eric Wanjau
06	قیمت‌های کدوحلوایی آمریکای شمالی 🎃	رگرسیون	داده‌ها را برای یادگیری ماشین مصور و پاک‌سازی کنید	Python • R	Jen • Eric Wanjau
07	قیمت‌های کدوحلوایی آمریکای شمالی 🎃	رگرسیون	ساخت مدل‌های رگرسیون خطی و چندجمله‌ای	Python • R	Jen and Dmitry • Eric Wanjau
08	قیمت‌های کدوحلوایی آمریکای شمالی 🎃	رگرسیون	ساخت یک مدل رگرسیون لجستیک	Python • R	Jen • Eric Wanjau
09	یک برنامه وب 🔌	برنامه وب	ساخت یک برنامه وب برای استفاده از مدل آموزش‌دیده‌شده‌تان	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 دسته‌بندها	Python • R	Jen and Cassie • Eric Wanjau
12	غذاهای لذیذ آسیایی و هندی 🍜	طبقه‌بندی	دسته‌بندهای بیشتر	Python • R	Jen and Cassie • Eric Wanjau
13	غذاهای لذیذ آسیایی و هندی 🍜	طبقه‌بندی	ساخت یک برنامه وب توصیه‌گر با استفاده از مدل‌تان	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 در نیجریه 🎧	خوشه‌بندی	کاوش روش خوشه‌بندی K-Means	Python • R	Jen • Eric Wanjau
16	مقدمه‌ای بر پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	با ساخت یک بات ساده، اصول پایه‌ای پردازش زبان طبیعی را بیاموزید	Python	Stephen
17	وظایف متداول پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	دانش خود در پردازش زبان طبیعی را با درک وظایف متداول هنگام کار با ساختارهای زبان تعمیق ببخشید	Python	Stephen
18	ترجمه و تحلیل احساسات ♥️	پردازش زبان طبیعی	ترجمه و تحلیل احساسات با آثار Jane Austen	Python	Stephen
19	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نقدهای هتل 1	Python	Stephen
20	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نقدهای هتل 2	Python	Stephen
21	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	سری‌های زمانی	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	Python	Francesca
22	⚡️ مصرف برق جهانی ⚡️ - پیش‌بینی سری‌های زمانی با ARIMA	سری‌های زمانی	پیش‌بینی سری‌های زمانی با ARIMA	Python	Francesca
23	⚡️ مصرف برق جهانی ⚡️ - 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 تا از گرگ اجتناب کند! 🐺	یادگیری تقویتی	یادگیری تقویتی در Gym	Python	Dmitry
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	اشکال‌زدایی مدل‌های 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

همه منابع اضافی این دوره را در مجموعه Microsoft Learn ما بیابید

دسترسی آفلاین

می‌توانید این مستندات را به‌صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را نصب کنید روی رایانه محلی خود، و سپس در پوشه ریشه این مخزن، عبارت docsify serve را تایپ کنید. وب‌سایت روی پورت 3000 در میزبان محلی شما سرو خواهد شد: localhost:3000.

فایل‌های PDF

یک فایل PDF از برنامه درسی با لینک‌ها را اینجا بیابید.

🎒 دوره‌های دیگر

تیم ما دوره‌های دیگری نیز تولید می‌کند! نگاهی بیندازید:

LangChain

---

Azure / Edge / MCP / Agents

---

سری هوش مولد

---

یادگیری اصلی

---

سری کوپایلوت

دریافت کمک

اگر گیر کردید یا سؤالی درباره ساخت اپلیکیشن‌های هوش مصنوعی داشتید، به بحث‌ها با سایر یادگیرندگان و توسعه‌دهندگان باتجربه دربارهٔ MCP بپیوندید. این یک جامعهٔ حمایت‌کننده است که در آن سوالات خوش‌آمد گفته می‌شوند و دانش به‌طور آزاد به اشتراک گذاشته می‌شود.

اگر هنگام ساخت بازخوردی دربارهٔ محصول یا خطاهایی مشاهده کردید، به این مراجعه کنید:

---

سلب‌مسئولیت: این سند با استفاده از سرویس ترجمهٔ هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما در پی دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. نسخهٔ اصلی سند به زبانِ اصلی آن باید به‌عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمهٔ حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوء‌تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.