README.md

🌐 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 | کاننادا | کره‌ای | لیتوانیایی | مالزیایی | مالایالام | مراتی | نپالی | پیدجن نیجریه‌ای | نروژی | فارسی (Farsi) | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورمکی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحلی | سوئدی | تاگالوگ (فیلیپینی) | تامیل | تلوگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی

ترجیح می‌دهید به صورت محلی کلون کنید؟

این مخزن شامل بیش از ۵۰ ترجمه زبانی است که اندازه دانلود را به طور قابل توجهی افزایش می‌دهد. برای کلون بدون ترجمه‌ها، از sparse checkout استفاده کنید:

باش / macOS / لینوکس:

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'

CMD (ویندوز):

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 چیز مورد نیاز برای تکمیل دوره را با دانلود بسیار سریع‌تر می‌دهد.

به جامعه ما بپیوندید

ما یک سری آموزش در دیسکورد درباره یادگیری با هوش مصنوعی داریم، بیشتر بدانید و از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ به ما بپیوندید در سری یادگیری با هوش مصنوعی. در این دوره نکات و ترفندهایی برای استفاده از GitHub Copilot در علم داده دریافت خواهید کرد.

یادگیری ماشین برای مبتدیان - یک برنامه درسی

🌍 سفر در سراسر جهان در حالی که یادگیری ماشین را از منظر فرهنگ‌های مختلف جهان بررسی می‌کنیم 🌍

حامیان کلاد در مایکروسافت خوشحالند که یک برنامه درسی ۱۲ هفته‌ای، شامل ۲۶ درس در مورد یادگیری ماشین ارائه دهند. در این برنامه درسی، شما با آنچه گاهی اوقات به آن یادگیری ماشین کلاسیک گفته می‌شود آشنا خواهید شد، که عمدتاً از کتابخانه Scikit-learn استفاده می‌کند و از یادگیری عمیق اجتناب می‌کند، که در برنامه درسی ما برای مبتدیان هوش مصنوعی پوشش داده شده است. همچنین این دروس را با برنامه درسی ما در 'علم داده برای مبتدیان' جفت کنید!

با ما در سفری در سراسر جهان همراه شوید که این تکنیک‌های کلاسیک را روی داده‌هایی از مناطق مختلف دنیا اعمال می‌کنیم. هر درس شامل آزمون‌های پیش و پس از درس، دستورالعمل‌های مکتوب برای کامل‌کردن درس، راه‌حل، تکلیف و بیشتر است. روش آموزشی پروژه‌محور ما به شما امکان می‌دهد هنگام یادگیری، با ساختن مهارت‌ها را بهتر تثبیت کنید.

✍️ قدردانی صمیمانه از نویسندگان ما جن لوپر، استفن هاول، فرانسسکا لازری، تومومی ایمورا، کاسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روت یاكوبو و ایمی بوید

🎨 همچنین تشکر از تصویرسازان ما تومومی ایمورا، داسانی مادپالی و جن لوپر

🙏 تشکر ویژه 🙏 از سفرای دانشجویی مایکروسافت به‌عنوان نویسنده، بازبینی‌کننده و مشارکت‌کننده محتوایی به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتراسکو، آبیشک جایسوال، نوورین طباسم، ایوان سامویلا، و اسنیگدها آگاروال

🤩 سپاسگذاری اضافی از سفرای دانشجویی مایکروسافت اریک ونجاو، جاسلین سوندی و ویدوشی گوپتا برای دروس R ما!

شروع به کار

این مراحل را دنبال کنید:

1. شاخه چنگال (Fork) کردن مخزن: روی دکمه «Fork» در گوشه بالا سمت راست این صفحه کلیک کنید.
2. کلون کردن مخزن: git clone https://github.com/microsoft/ML-For-Beginners.git

برای یافتن تمام منابع اضافی این دوره، به مجموعه یادگیری مایکروسافت ما مراجعه کنید

🔧 به کمک نیاز دارید؟ راهنمای رفع اشکال ما را برای حل مسائل رایج در نصب، تنظیم، و اجرای دروس بررسی کنید.

دانشجویان، برای استفاده از این برنامه درسی، کل مخزن را در حساب GitHub خود فورک کرده و تمرین‌ها را به تنهایی یا با گروه انجام دهید:

• با یک آزمون پیش‌درس شروع کنید.
• درس را بخوانید و فعالیت‌ها را انجام دهید، در هر بررسی دانش توقف کرده و تأمل کنید.
• سعی کنید پروژه‌ها را با درک دروس بسازید تا فقط اجرای کد راه‌حل؛ البته کد راه‌حل در پوشه‌های /solution در هر درس پروژه‌محور موجود است.
• آزمون پس از درس را بگیرید.
• چالش را کامل کنید.
• تکلیف را انجام دهید.
• پس از تکمیل یک گروه درسی، به تخته بحث مراجعه کنید و با پر کردن ارزیابی PAT مناسب، «بلند یادگیری» کنید. PAT یک ابزار ارزیابی پیشرفت است که با پر کردن آن یادگیری خود را عمیق‌تر می‌کنید. همچنین می‌توانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.

برای مطالعه بیشتر، ما توصیه می‌کنیم این ماژول‌ها و مسیرهای یادگیری مایکروسافت را دنبال کنید.

اساتید، ما برخی پیشنهادات درباره نحوه استفاده از این برنامه درسی ارائه داده‌ایم.

---

راهنمای ویدیویی

برخی از دروس به صورت ویدیوهای کوتاه موجود هستند. می‌توانید همه آن‌ها را درون دروس پیدا کنید یا در فهرست پخش ML برای مبتدیان در کانال مایکروسافت توسعه‌دهنده یوتیوب با کلیک روی تصویر زیر مشاهده کنید.

---

با تیم آشنا شوید

گیف ساخته شده توسط Mohit Jaisal

🎥 برای دیدن ویدیو درباره پروژه و افراد سازنده آن روی تصویر بالا کلیک کنید!

---

روش آموزشی

ما دو اصل آموزشی را در ساخت این برنامه درسی انتخاب کرده‌ایم: اطمینان از اینکه دست‌به‌کار و پروژه‌محور است و همچنین شامل آزمون‌های مکرر باشد. علاوه بر این، این برنامه درسی یک موضوع مشترک دارد تا انسجام ایجاد کند.

با اطمینان از هم‌راستایی محتوا با پروژه‌ها، روند یادگیری برای دانش‌آموزان جذاب‌تر شده و حفظ مفاهیم افزایش می‌یابد. علاوه بر این، یک آزمون پیش از کلاس با سطح استرس پایین، هدف دانش‌آموز را برای یادگیری موضوع تنظیم می‌کند، در حالی که آزمون دوم پس از کلاس باعث تثبیت بیشتر می‌شود. این برنامه درسی به گونه‌ای طراحی شده که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان همه یا بخشی از آن را گذراند. پروژه‌ها از ابتدا کوچک هستند و تا پایان چرخه ۱۲ هفته‌ای به تدریج پیچیده‌تر می‌شوند. این برنامه همچنین شامل یک نکته پایانی درباره کاربردهای واقعی یادگیری ماشین است که می‌توان به عنوان اعتبار اضافی یا پایه‌ای برای بحث از آن استفاده کرد.

کد رفتار ما را در Code of Conduct، راهنمای مشارکت در Contributing، ترجمه‌ها در Translations و راهنمای رفع اشکال در Troubleshooting ببینید. ما از بازخورد سازنده شما استقبال می‌کنیم!

هر درس شامل

• یادداشت اختیاری به صورت طرح کلی (sketchnote)
• ویدیوی مکمل اختیاری
• راهنمای ویدیویی (فقط برخی از دروس)
• آزمون گرم کردن پیش از درس
• درس مکتوب
• برای دروس پروژه‌محور، راهنماهای گام‌به‌گام برای ساخت پروژه
• بررسی دانش
• چالش
• مطالعه تکمیلی
• تکلیف
• آزمون پایان درس

توضیحی درباره زبان‌ها: این دروس عمدتاً به زبان پایتون هستند، اما بسیاری از آن‌ها همچنین به زبان R موجود است. برای تکمیل یک درس R، به پوشه /solution بروید و به دنبال دروس R بگردید. این‌ها یک پسوند .rmd دارند 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 نحوه قالب‌بندی خروجی‌ها مانند PDF را راهنمایی می‌کند) در یک سند Markdown تعریف کرد. به این ترتیب، یک چارچوب نمونه برای نویسندگی در داده‌کاوی است چون به شما اجازه می‌دهد کد خود، خروجی آن و افکارتان را با نوشتن در Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown را می‌توان به فرمت‌های خروجی مانند PDF، HTML یا Word تبدیل کرد. یک یادداشت درباره آزمون‌ها: همه آزمون‌ها در پوشه Quiz App قرار دارند، در مجموع ۵۲ آزمون که هر کدام شامل سه سوال هستند. این آزمون‌ها از داخل درس‌ها لینک شده‌اند اما برنامه آزمون می‌تواند به صورت محلی اجرا شود؛ دستورالعمل‌های داخل پوشه quiz-app را دنبال کنید تا به صورت محلی میزبان شوید یا در Azure مستقر کنید.

شماره درس	موضوع	گروه‌بندی درس	اهداف یادگیری	درس مرتبط	نویسنده
۰۱	معرفی یادگیری ماشین	مقدمه	مفاهیم پایه‌ای یادگیری ماشین را بیاموزید	درس	محمد
۰۲	تاریخچه یادگیری ماشین	مقدمه	تاریخچه این حوزه را بیاموزید	درس	جن و ایمی
۰۳	انصاف و یادگیری ماشین	مقدمه	مسائل فلسفی مهم‌ در مورد انصاف که دانش‌آموزان باید هنگام ساخت و استفاده از مدل‌های یادگیری ماشین مورد توجه قرار دهند چیست؟	درس	تومومی
۰۴	تکنیک‌های یادگیری ماشین	مقدمه	پژوهشگران یادگیری ماشین از چه تکنیک‌هایی برای ساخت مدل‌ها استفاده می‌کنند؟	درس	کریس و جن
۰۵	معرفی رگرسیون	رگرسیون	با پایتون و Scikit-learn برای مدل‌های رگرسیونی شروع کنید	پایتون • R	جن • اریک وانژاو
۰۶	قیمت‌های کدو حلوایی آمریکای شمالی 🎃	رگرسیون	داده‌ها را برای یادگیری ماشین پاک و بصری کنید	پایتون • R	جن • اریک وانژاو
۰۷	قیمت‌های کدو حلوایی آمریکای شمالی 🎃	رگرسیون	مدل‌های رگرسیون خطی و چند جمله‌ای بسازید	پایتون • R	جن و دیمیتری • اریک وانژاو
۰۸	قیمت‌های کدو حلوایی آمریکای شمالی 🎃	رگرسیون	مدل رگرسیون لجستیک بسازید	پایتون • R	جن • اریک وانژاو
۰۹	یک اپ وب 🔌	اپ وب	یک اپ وب بسازید تا از مدل آموزش دیده خود استفاده کنید	پایتون	جن
۱۰	معرفی طبقه‌بندی	طبقه‌بندی	داده‌های خود را پاک، آماده و بصری کنید؛ معرفی طبقه‌بندی	پایتون • R	جن و کَسیه • اریک وانژاو
۱۱	آشپزی خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	معرفی طبقه‌بندها	پایتون • R	جن و کَسیه • اریک وانژاو
۱۲	آشپزی خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	طبقه‌بندهای بیشتر	پایتون • R	جن و کَسیه • اریک وانژاو
۱۳	آشپزی خوشمزه آسیایی و هندی 🍜	طبقه‌بندی	ساخت یک اپ پیشنهادی وب با استفاده از مدل خود	پایتون	جن
۱۴	معرفی خوشه‌بندی	خوشه‌بندی	داده‌های خود را پاک، آماده و بصری کنید؛ معرفی خوشه‌بندی	پایتون • R	جن • اریک وانژاو
۱۵	کشف سلیقه‌های موسیقی نیجریه‌ای 🎧	خوشه‌بندی	روش خوشه‌بندی K-Means را کشف کنید	پایتون • R	جن • اریک وانژاو
۱۶	معرفی پردازش زبان طبیعی ☕️	پردازش زبان طبیعی	اصول اولیه پردازش زبان طبیعی را با ساخت یک ربات ساده بیاموزید	پایتون	استفان
۱۷	وظایف رایج NLP ☕️	پردازش زبان طبیعی	دانش پردازش زبان طبیعی خود را با درک وظایف رایج لازم برای کار با ساختارهای زبان تعمیق ببخشید	پایتون	استفان
۱۸	ترجمه و تحلیل احساسات ♥️	پردازش زبان طبیعی	ترجمه و تحلیل احساسات با جین آستین	پایتون	استفان
۱۹	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نظرات هتل ۱	پایتون	استفان
۲۰	هتل‌های رمانتیک اروپا ♥️	پردازش زبان طبیعی	تحلیل احساسات با نظرات هتل ۲	پایتون	استفان
۲۱	معرفی پیش‌بینی سری‌های زمانی	سری‌های زمانی	معرفی پیش‌بینی سری‌های زمانی	پایتون	فرانچسکا
۲۲	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری زمانی با ARIMA	سری‌های زمانی	پیش‌بینی سری زمانی با ARIMA	پایتون	فرانچسکا
۲۳	⚡️ مصرف برق جهان ⚡️ - پیش‌بینی سری زمانی با SVR	سری‌های زمانی	پیش‌بینی سری زمانی با بازگشت بردار پشتیبان	پایتون	آنیر بان
۲۴	معرفی یادگیری تقویتی	یادگیری تقویتی	معرفی یادگیری تقویتی با Q-Learning	پایتون	دیمیتری
۲۵	کمک به پیتر برای فرار از گرگ! 🐺	یادگیری تقویتی	یادگیری تقویتی با Gym	پایتون	دیمیتری
پس‌نوشت	سناریوها و کاربردهای واقعی یادگیری ماشین	ML در دنیای واقعی	کاربردهای جالب و تأمل‌برانگیز یادگیری ماشین کلاسیک در دنیای واقعی	درس	تیم
پس‌نوشت	اشکال‌زدایی مدل‌ها در یادگیری ماشین با داشبورد RAI	ML در دنیای واقعی	اشکال‌زدایی مدل‌ها در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI	درس	روت یاکوبو

تمام منابع اضافی این دوره را در مجموعه مایکروسافت لرن ما بیابید

دسترسی آفلاین

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، سپس در شاخه ریشه این مخزن تایپ کنید docsify serve. وب‌سایت روی پورت ۳۰۰۰ روی لوکال‌هاست شما اجرا خواهد شد: localhost:3000.

فایل‌های PDF

یک PDF از برنامه درسی با لینک‌ها را اینجا بیابید.

🎒 دوره‌های دیگر

تیم ما دوره‌های دیگری تولید می‌کند! نگاهی بیندازید به:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

یادگیری اصلی

---

سری کپایلوت

دریافت کمک

اگر گیر کردید یا سوالی درباره ساخت برنامه‌های هوش مصنوعی داشتید، در بحث‌ها با یادگیرندگان و توسعه‌دهندگان باتجربه MCP شرکت کنید. این یک جامعه پشتیبان است که در آن سوال‌ها پذیرفته می‌شوند و دانش آزادانه به اشتراک گذاشته می‌شود.

اگر بازخورد محصول دارید یا هنگام ساخت مشکلی پیش آمد به اینجا مراجعه کنید:

نکات تکمیلی یادگیری

• پس از هر درس نوت‌بوک‌ها را مرور کنید تا بهتر بفهمید.
• الگوریتم‌ها را خودتان تمرین و پیاده‌سازی کنید.
• داده‌های دنیای واقعی را با استفاده از مفاهیم یادگرفته شده بررسی کنید.

---

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. هرچند ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است حاوی خطا یا نادقتی باشند. سند اصلی به زبان بومی خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، استفاده از ترجمه حرفه‌ای و انسانی توصیه می‌شود. ما مسئول هیچ‌گونه سوءتفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه نیستیم.