31 KiB
🌐 پشتیبانی چندزبانه
پشتیبانی شده از طریق GitHub Action (خودکار و همیشه به‌روز)
French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)
به جامعه بپیوندید
یادگیری ماشین برای مبتدیان - یک برنامه آموزشی
🌍 با ما به دور دنیا سفر کنید و یادگیری ماشین را از طریق فرهنگ‌های جهانی کشف کنید 🌍
مدافعان ابری در مایکروسافت خوشحال هستند که یک برنامه آموزشی ۱۲ هفته‌ای و ۲۶ درس درباره یادگیری ماشین ارائه دهند. در این برنامه آموزشی، 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 آموزشی AI for Beginners پوشش داده شده است. این درس‌ها را با برنامه آموزشی 'Data Science for Beginners' ترکیب کنید!
با ما به دور دنیا 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، 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 ویژه از Microsoft Student Ambassadors Eric Wanjau، Jasleen Sondhi و Vidushi Gupta برای درس‌های R ما!
شروع کار
این مراحل را دنبال کنید:
- مخزن را فورک کنید: روی دکمه "Fork" در گوشه بالا-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
دانش‌آموزان، برای استفاده از این برنامه آموزشی، کل مخزن را به حساب GitHub خود فورک کنید و تمرین‌ها را به صورت فردی یا گروهی انجام دهید:
- با آزمون قبل از درس شروع کنید.
- درس را بخوانید و فعالیت‌ها را انجام دهید، 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
/solutionدر هر درس مبتنی بر پروژه موجود است. - آزمون بعد از درس را انجام دهید.
- چالش را کامل کنید.
- تکلیف را انجام دهید.
- پس از تکمیل یک گروه درس، به تابلوی بحث مراجعه کنید و با پر کردن ابزار ارزیابی پیشرفت (PAT) مناسب، "بلند فکر کنید". PAT یک ابزار ارزیابی پیشرفت است که یک معیار است که شما برای پیشرفت یادگیری خود پر می‌کنید. همچنین می‌توانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.
برای مطالعه بیشتر، توصیه می‌کنیم این ماژول‌ها و مسیرهای یادگیری Microsoft Learn را دنبال کنید.
معلمان، ما برخی پیشنهادات در مورد نحوه استفاده از این برنامه آموزشی را درج کرده‌ایم.
راهنمای ویدئویی
برخی از درس‌ها به صورت ویدئوی کوتاه در دسترس هستند. می‌توانید همه این‌ها را در درس‌ها یا در لیست پخش ML برای مبتدیان در کانال YouTube Microsoft Developer پیدا کنید.
تیم را ملاقات کنید
Gif توسط Mohit Jaisal
🎥 روی تصویر بالا کلیک کنید تا ویدئویی درباره پروژه و افرادی که آن را ایجاد کرده‌اند ببینید!
روش آموزشی
ما دو اصل آموزشی را هنگام ساخت این برنامه آموزشی انتخاب کرده‌ایم: اطمینان از اینکه این برنامه مبتنی بر پروژه‌های عملی است و شامل آزمون‌های مکرر می‌شود. علاوه بر این، این برنامه آموزشی دارای یک موضوع 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 تنظیم می‌کند، در حالی که یک آزمون دوم پس از کلاس، حفظ بیشتر را تضمین می‌کند. این برنامه آموزشی 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 آموزشی 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
/solutionبروید 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 ازتکههای کد(از R یا زبان‌های دیگر) و یکهدر YAML(که راهنمایی می‌کند چگونه خروجی‌ها مانند PDF قالب‌بندی شوند) در یکسند Markdownتعریف 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-appرا 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 تاریخچه‌ای که زمینه این حوزه را تشکیل می‌دهد | درس | جن و ایمی |
| 03 | انصاف و یادگیری ماشین | مقدمه | مسائل فلسفی مهم پیرامون انصاف که دانش‌آموزان باید هنگام ساخت و اعمال مدل‌های یادگیری ماشین در نظر بگیرند چیست؟ | درس | تومومی |
| 04 | تکنیک‌های یادگیری ماشین | Introduction | محققان یادگیری ماشین از چه تکنیک‌هایی برای ساخت مدل‌های یادگیری ماشین استفاده می‌کنند؟ | Lesson | Chris و Jen |
| 05 | مقدمه‌ای بر رگرسیون | Regression | شروع کار با پایتون و Scikit-learn برای مدل‌های رگرسیون |
- [Python](2-Regression/1-Tools/README.md)
- [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/2-Data/README.md)
- [R](../../2-Regression/2-Data/solution/R/lesson_2.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/3-Linear/README.md)
- [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)
- Jen و Dmitry
- Eric Wanjau
- [Python](2-Regression/4-Logistic/README.md)
- [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)
- Jen
- Eric Wanjau
- [Python](4-Classification/1-Introduction/README.md)
- [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen و Cassie
- Eric Wanjau
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Jen و Cassie
- Eric Wanjau
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Jen و Cassie
- Eric Wanjau
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Jen
- Eric Wanjau
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Jen
- Eric Wanjau
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 Fork کنید، Docsify را نصب کنید روی دستگاه محلی خود، و سپس در پوشه اصلی این مخزن، دستور
docsify serveرا 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 نیز تولید می‌کند! بررسی کنید:
- Generative AI for Beginners
- Generative AI for Beginners .NET
- Generative AI with JavaScript
- Generative AI with Java
- AI for Beginners
- Data Science for Beginners
- ML for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
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، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.