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 | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کانادا | کره‌ای | لیتوانیایی | مالزیایی | مالایالام | مراتی | نپالی | زبان پیدجین نیجریه‌ای | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورموقی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تگالوگ (فیلیپینی) | تامیلی | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

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 چیزی را می‌دهد که برای تکمیل دوره لازم دارید با دانلود بسیار سریع‌تر.

به جامعه ما بپیوندید

ما یک سری آموزش در دیسکورد با عنوان یادگیری به همراه هوش مصنوعی 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 ترفندهای استفاده از GitHub Copilot برای علوم داده را دریافت خواهید کرد.

یادگیری ماشین برای مبتدیان - یک دوره آموزشی

🌍 با ما دور دنیا سفر کنید تا یادگیری ماشین را از طریق فرهنگ‌های جهانی کشف کنیم 🌍

مدافعان ابر در مایکروسافت مفتخرند دوره‌ای ۱۲ هفته‌ای با ۲۶ درس درباره یادگیری ماشین ارائه دهند. در این دوره، شما با چیزی که گاهی به آن یادگیری ماشین کلاسیک گفته می‌شود آشنا می‌شوید، که عمدتاً از کتابخانه Scikit-learn استفاده می‌کند و از یادگیری عمیق که در دوره هوش مصنوعی برای مبتدیان ما پوشش داده شده است، اجتناب می‌کند. این دروس را همراه با دوره 'علوم داده برای مبتدیان' ما نیز دنبال کنید!

با ما در سفر به نقاط مختلف جهان همراه شوید در حالی که این تکنیک‌های کلاسیک را روی داده‌هایی از مناطق مختلف جهان به کار می‌بریم. هر درس شامل آزمون‌های پیش و پس از درس، دستورالعمل‌های مکتوب برای تکمیل درس، یک راه‌حل، یک تمرین و موارد بیشتر است. آموزش مبتنی بر پروژه به شما امکان می‌دهد در حین ساخت، یاد بگیرید، روشی اثبات شده برای تثبیت مهارت‌های جدید.

✍️ از نویسندگان ما صمیمانه سپاسگزاریم جن لوپر، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کَسی برویو، دمیتری سوشنیکوف، کریس نورینگ، آنربان موخرجی، اورنلا آلتونیان، روث یاکوبو و ایمی بوید

🎨 همچنین سپاس از طراحان ما تومومی ایمورا، داسانی مادپالی، و جن لوپر

🙏 تشکر ویژه 🙏 از دانشجویان سفیر مایکروسافت، نویسندگان، مرورگران و مشارکت‌کنندگان محتوا، به ویژه ری شیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، ناورین طبسم، ایوان سامویلا، و سنیگدها آگاروال

🤩 قدردانی ویژه از سفیران دانشجوی مایکروسافت اریک وانژاو، جسلین سوندهی، و ویدوشی گوپتا برای دروس R ما!

شروع کار

این مراحل را دنبال کنید:

1. شعبه (Fork) مخزن را بسازید: روی دکمه "Fork" در گوشه بالا سمت 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 مایکروسافت لرن ما بیابید

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

دانشجویان، برای استفاده از این دوره، کل مخزن را در حساب GitHub خود فورک کرده و تمرین‌ها را به صورت فردی یا گروهی انجام دهید:

• با یک آزمون پیش از کلاس شروع کنید.
• درس را بخوانید و فعالیت‌ها را انجام دهید، در هر نقطه چک‌های دانش را متوقف شده و تأمل کنید.
• سعی کنید پروژه‌ها را با درک دروس بسازید و نه صرفاً کپی و اجرای کد راه‌حل؛ البته کد راه‌حل در پوشه‌های /solution در هر درس پروژه‌محور موجود است.
• آزمون پس از کلاس را انجام دهید.
• چالش را تکمیل کنید.
• تمرین را کامل کنید.
• پس از اتمام یک گروه درسی، به تخته بحث مراجعه کرده و با پر کردن فُرم PAT مربوطه «بلند یاد بگیرید». PAT ابزاری برای ارزیابی پیشرفت است که فرم پر می‌کنید تا یادگیری‌تان عمیق‌تر شود. همچنین می‌توانید به PATهای دیگر واکنش نشان دهید تا همه با هم یاد بگیریم.

برای مطالعه بیشتر، پیشنهاد می‌کنیم این ماژول‌ها و مسیرهای یادگیری مایکروسافت لرن را دنبال کنید.

اساتید، ما برخی پیشنهادات را اینجا درباره چگونگی استفاده از این دوره ارائه داده‌ایم.

---

ویدیوهای راهنمایی

برخی از دروس به صورت ویدیوی کوتاه در دسترس هستند. می‌توانید این‌ها را درون خود دروس بیابید یا در لیست پخش ML برای مبتدیان در کانال توسعه‌دهندگان مایکروسافت یوتیوب با کلیک روی تصویر زیر مشاهده کنید.

---

تیم را بشناسید

گیف از Mohit Jaisal

🎥 برای مشاهده ویدیو درباره پروژه و افرادی که آن را ساخته‌اند، روی تصویر بالا کلیک کنید!

---

آموزش

دو اصل آموزشی در ساخت این دوره انتخاب کرده‌ایم: تضمین اینکه دوره به صورت پروژه‌محور عملی است و شامل آزمون‌های متداول می‌شود. علاوه بر این، این دوره دارای یک تم مشترک است تا انسجام زیادی ایجاد کند.

با اطمینان از همسویی محتوا با پروژه‌ها، فرایند برای دانش‌آموزان جذاب‌تر می‌شود و ماندگاری مفاهیم افزایش می‌یابد. همچنین آزمون کم ریسک پیش از کلاس، نیت دانش‌آموز برای یادگیری موضوع را تنظیم می‌کند و آزمون دوم پس از کلاس حفظ بهتر موضوع را تضمین می‌کند. این دوره به گونه‌ای طراحی شده که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را به طور کامل یا بخشی از آن را دنبال کرد. پروژه‌ها از کوچک شروع شده و تا پایان چرخه ۱۲ هفته‌ای به تدریج پیچیده‌تر می‌شوند. این دوره همچنین شامل پس‌نوشت درباره کاربردهای واقعی یادگیری ماشین است که می‌تواند به عنوان اعتبار اضافی یا پایه‌ای برای بحث استفاده شود.

دستورالعمل‌های رفتار، مشارکت، ترجمه، و عیب‌یابی ما را بیابید. بازخورد سازنده شما را خوش‌آمد می‌گوییم!

هر درس شامل

• نوت اختیاری
• ویدیوی تکمیلی اختیاری
• ویدیوی راهنمائی (تنها برخی دروس)
• آزمون گرم کردن پیش از کلاس
• درس مکتوب
• در دروس پروژه‌محور، راهنمای گام‌به‌گام برای ساخت پروژه
• چک‌های دانش
• یک چالش
• خواندن تکمیلی
• تمرین
• آزمون پس از کلاس

توضیحی درباره زبان‌ها: این دروس عمدتاً به زبان پایتون نوشته شده‌اند، اما بسیاری نیز به زبان R موجود هستند. برای تکمیل یک درس R، به پوشه /solution مراجعه کرده و دنبال دروس R بگردید. این‌ها دارای پسوند .rmd هستند که نشان‌دهنده یک فایل R Markdown است که به سادگی می‌توان آن را به عنوان ترکیب بخش‌های کد (از R یا زبان‌های دیگر) و یک هدر YAML (که نحوه قالب‌بندی خروجی‌ها مانند PDF را راهنمایی می‌کند) در یک سند مارک‌داون تعریف کرد. به همین ترتیب، این یک چارچوب نمونه‌وار برای نویسندگی در علوم داده است، زیرا به شما اجازه می‌دهد کد، خروجی آن و افکارتان را بنویسید و در Markdown کنار هم قرار دهید. علاوه بر این، اسناد R Markdown می‌توانند به فرمت‌های خروجی مانند PDF، HTML، یا Word تبدیل شوند. یادداشتی درباره کوییزها: همه کوییزها در پوشه اپلیکیشن کوییز قرار دارند، در مجموع ۵۲ کوییز که هر کدام شامل سه سؤال هستند. آن‌ها از داخل درس‌ها لینک شده‌اند اما می‌توانید اپلیکیشن کوییز را به صورت محلی اجرا کنید؛ دستورالعمل‌ها را در پوشه quiz-app دنبال کنید تا به صورت محلی میزبانی کنید یا در Azure مستقر نمایید.

شماره درس	موضوع	گروه‌بندی درس	اهداف یادگیری	درس مرتبط	نویسنده
۰۱	مقدمه‌ای بر یادگیری ماشین	مقدمه	یادگیری مفاهیم پایه مربوط به یادگیری ماشین	درس	محمد
۰۲	تاریخچه یادگیری ماشین	مقدمه	آشنایی با تاریخچه این حوزه	درس	جن و امی
۰۳	عدالت و یادگیری ماشین	مقدمه	چه مسائل فلسفی مهمی درباره عدالت وجود دارد که دانش‌آموزان هنگام ساخت و استفاده از مدل‌های یادگیری ماشین باید در نظر بگیرند؟	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 وانجائو
۰۶	قیمت کدو تنبل آمریکای شمالی 🎃	رگرسیون	داده‌ها را به منظور آماده‌سازی برای یادگیری ماشین پاکسازی و مصورسازی کنید	پایتون • R	جن • اریک وانجائو
۰۷	قیمت کدو تنبل آمریکای شمالی 🎃	رگرسیون	مدل‌های رگرسیون خطی و چندجمله‌ای بسازید	پایتون • R	جن و دیمیتری • اریک وانجائو
۰۸	قیمت کدو تنبل آمریکای شمالی 🎃	رگرسیون	یک مدل رگرسیون لجستیک بسازید	پایتون • R	جن • اریک وانجائو
۰۹	یک اپ وب 🔌	اپ وب	ساخت اپ وب برای استفاده از مدل آموزش‌دیده	پایتون	جن
۱۰	مقدمه‌ای بر طبقه‌بندی	طبقه‌بندی	پاکسازی، آماده‌سازی و مصورسازی داده‌های خود؛ مقدمه‌ای بر طبقه‌بندی	پایتون • R	جن و کَسی • اریک وانجائو
۱۱	غذاهای لذیذ آسیایی و هندی 🍜	طبقه‌بندی	مقدمه‌ای بر طبقه‌بندها	پایتون • R	جن و کَسی • اریک وانجائو
۱۲	غذاهای لذیذ آسیایی و هندی 🍜	طبقه‌بندی	طبقه‌بندهای بیشتر	پایتون • R	جن و کَسی • اریک وانجائو
۱۳	غذاهای لذیذ آسیایی و هندی 🍜	طبقه‌بندی	ساخت اپ توصیه‌گر وب با استفاده از مدل شما	پایتون	جن
۱۴	مقدمه‌ای بر خوشه‌بندی	خوشه‌بندی	پاکسازی، آماده‌سازی و مصورسازی داده‌های خود؛ مقدمه‌ای بر خوشه‌بندی	پایتون • R	جن • اریک وانجائو
۱۵	کشف سلیقه‌های موسیقی نیجریه‌ای 🎧	خوشه‌بندی	روش خوشه‌بندی K-Means را بررسی کنید	پایتون • R	جن • اریک وانجائو
۱۶	مقدمه‌ای بر پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	اصول اولیه پردازش زبان طبیعی را با ساخت یک ربات ساده یاد بگیرید	پایتون	استفن
۱۷	وظایف رایج در پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	دانش خود را در پردازش زبان طبیعی با درک وظایف رایج لازم در ارتباط با ساختارهای زبانی تعمیق ببخشید	پایتون	استفن
۱۸	ترجمه و تحلیل احساسات ♥️	پردازش زبان طبیعی	ترجمه و تحلیل احساسات با جین آستن	پایتون	استفن
۱۹	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نقدهای هتل ۱	پایتون	استفن
۲۰	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نقدهای هتل ۲	پایتون	استفن
۲۱	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	سری زمانی	مقدمه‌ای بر پیش‌بینی سری‌های زمانی	پایتون	فرانچسکا
۲۲	⚡️ استفاده جهانی از نیرو ⚡️ - پیش‌بینی سری زمانی با ARIMA	سری زمانی	پیش‌بینی سری‌های زمانی با ARIMA	پایتون	فرانچسکا
۲۳	⚡️ استفاده جهانی از نیرو ⚡️ - پیش‌بینی سری زمانی با SVR	سری زمانی	پیش‌بینی سری‌های زمانی با رگرسیون بردار پشتیبان	پایتون	آنیربان
۲۴	مقدمه‌ای بر یادگیری تقویتی	یادگیری تقویتی	مقدمه‌ای بر یادگیری تقویتی با یادگیری Q	پایتون	دیمیتری
۲۵	کمک به پیتر برای فرار از گرگ! 🐺	یادگیری تقویتی	Gym یادگیری تقویتی	پایتون	دیمیتری
پس‌نویس	سناریوها و کاربردهای دنیای واقعی یادگیری ماشین	یادگیری ماشین در عمل	کاربردهای جالب و روشنگر دنیای واقعی یادگیری ماشین کلاسیک	درس	تیم
پس‌نویس	دیباگ مدل در یادگیری ماشین با داشبورد RAI	یادگیری ماشین در عمل	دیباگ مدل در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI	درس	راث یاكوبو

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

دسترسی آفلاین

می‌توانید این مستندات را به صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را روی دستگاه محلی خود نصب کنید و سپس در پوشه ریشه این مخزن، دستور docsify serve را تایپ کنید. وب‌سایت روی پورت ۳۰۰۰ در localhost شما اجرا خواهد شد: localhost:3000.

فایل‌های PDF

فایل پی‌دی‌اف برنامه درسی به همراه لینک‌ها را اینجا پیدا کنید.

🎒 دوره‌های دیگر

تیم ما دوره‌های دیگری تولید می‌کند! آن‌ها را بررسی کنید:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

آموزش‌های اصلی

---

سری آموزش‌های همیار کدنویس

دریافت کمک

اگر در ساخت برنامه‌های هوش مصنوعی گیر کردید یا سوالی داشتید. به جمع یادگیرندگان و توسعه‌دهندگان باتجربه در مباحث MCP بپیوندید. این یک جامعه حمایتی است که سوالات در آن خوش‌آمد گفته می‌شود و دانش به‌راحتی به اشتراک گذاشته می‌شود.

اگر بازخورد محصول یا خطاهای ساخت را دارید به اینجا مراجعه کنید:

---

سلب مسئولیت: این سند با استفاده از سرویس ترجمه خودکار Co-op Translator ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات مهم، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده شود. ما مسئول هیچگونه سو تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه نیستیم.