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 | کرهای | لیتوانیایی | مالایی | مراتی | نپالی | پیجین نیجریهای | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گرمکی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیلی | تایلندی | ترکی | اوکراینی | اردو | ویتنامی
ما یک سری یادگیری با هوش مصنوعی در Discord داریم، بیشتر بدانید و از تاریخ ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ به ما بپیوندید. شما نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را یاد خواهید گرفت.
🌍 به دور دنیا سفر کنید و یادگیری ماشین را از طریق فرهنگهای جهانی کشف کنید 🌍
مدافعان ابری در مایکروسافت خوشحال هستند که یک برنامه درسی ۱۲ هفتهای و ۲۶ درس درباره یادگیری ماشین ارائه دهند. در این برنامه درسی، شما درباره چیزی که گاهی به عنوان یادگیری ماشین کلاسیک شناخته میشود، یاد خواهید گرفت، که عمدتاً از کتابخانه Scikit-learn استفاده میکند و از یادگیری عمیق که در برنامه درسی هوش مصنوعی برای مبتدیان پوشش داده شده است، اجتناب میکند. این درسها را با برنامه درسی 'علم داده برای مبتدیان' ترکیب کنید!
با ما به دور دنیا سفر کنید و این تکنیکهای کلاسیک را به دادههای مناطق مختلف جهان اعمال کنید. هر درس شامل آزمونهای قبل و بعد از درس، دستورالعملهای نوشته شده برای تکمیل درس، یک راهحل، یک تکلیف و موارد دیگر است. روش آموزشی مبتنی بر پروژه ما به شما امکان میدهد در حین ساختن یاد بگیرید، که یک روش اثبات شده برای تثبیت مهارتهای جدید است.
✍️ 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 تشکر از تصویرگران ما 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!
این مراحل را دنبال کنید:
- انشعاب مخزن: روی دکمه "Fork" در گوشه بالا سمت راست این صفحه کلیک کنید.
- کلون کردن مخزن:
git clone https://github.com/microsoft/ML-For-Beginners.git
تمام منابع اضافی برای این دوره را در مجموعه Microsoft Learn ما پیدا کنید
🔧 نیاز به کمک دارید؟ راهنمای رفع مشکلات ما را برای حل مشکلات رایج در نصب، راهاندازی و اجرای درسها بررسی کنید.
دانشآموزان، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود انشعاب دهید 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 با 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 کامل کنید.
- پس از تکمیل یک گروه درس، به تابلوی بحث مراجعه کنید و با پر کردن ابزار ارزیابی پیشرفت مناسب PAT، "بلند یاد بگیرید". یک 'PAT' ابزار ارزیابی پیشرفت است که یک معیار است که شما برای پیشرفت یادگیری خود پر میکنید. شما 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 درسی را گنجاندهایم.
برخی از درسها به صورت ویدئوی کوتاه در دسترس هستند. شما میتوانید همه اینها را در درسها یا در لیست پخش ML برای مبتدیان در کانال YouTube توسعهدهنده مایکروسافت پیدا کنید، با کلیک بر روی تصویر زیر.
گیف توسط Mohit Jaisal
🎥 برای مشاهده ویدئویی درباره پروژه و افرادی که آن را ایجاد کردهاند، روی تصویر بالا کلیک کنید!
ما دو اصل آموزشی را هنگام ساخت این برنامه درسی انتخاب کردهایم: اطمینان از اینکه این برنامه مبتنی بر پروژه عملی است و اینکه شامل آزمونهای مکرر میشود. علاوه بر این، این برنامه درسی 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 هدایت میکند، در حالی که یک آزمون دوم بعد از کلاس، حفظ بیشتر را تضمین میکند. این برنامه درسی 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 درسی همچنین شامل یک پسنوشت درباره کاربردهای واقعی یادگیری ماشین است که میتواند به عنوان اعتبار اضافی یا به عنوان پایهای برای بحث استفاده شود.
راهنمای رفتار، مشارکت، ترجمه، و رفع مشکلات ما را پیدا کنید. ما از بازخورد سازنده شما استقبال میکنیم!
- اسکچنوت اختیاری
- ویدئوی تکمیلی اختیاری
- راهنمای ویدئویی (فقط برخی درسها)
- آزمون گرمآپ قبل از درس
- درس نوشته شده
- برای درسهای مبتنی بر پروژه، راهنمای گام به گام برای ساخت پروژه
- بررسی دانش
- یک چالش
- مطالعه تکمیلی
- تکلیف
- آزمون بعد از درس
یادداشتی 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 یک 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 اجازه نوشتن آنها در Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown میتوانند به فرمتهای خروجی مانند PDF، HTML یا Word تبدیل شوند.
یادداشتی درباره آزمونها: همه آزمونها در پوشه برنامه آزمون قرار دارند، برای مجموع ۵۲ آزمون هر کدام شامل سه سوال. 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 | Introduction | مفاهیم پایهای یادگیری ماشین را بیاموزید | Lesson | محمد |
| 02 | تاریخچه یادگیری ماشین | Introduction | تاریخچه این حوزه را بیاموزید | Lesson | جن و ایمی |
| 03 | عدالت و یادگیری ماشین | Introduction | مسائل فلسفی مهم پیرامون عدالت که دانشجویان باید هنگام ساخت و استفاده از مدلهای یادگیری ماشین در نظر بگیرند چیست؟ | Lesson | تومومی |
| 04 | تکنیکهای یادگیری ماشین | Introduction | محققان یادگیری ماشین از چه تکنیکهایی برای ساخت مدلهای یادگیری ماشین استفاده میکنند؟ | Lesson | کریس و جن |
| 05 | مقدمهای بر رگرسیون | Regression | با پایتون و Scikit-learn برای مدلهای رگرسیون شروع کنید | Python • R | جن • اریک وانجا |
| 06 | قیمت کدو تنبل در آمریکای شمالی 🎃 | Regression | دادهها را برای آمادهسازی برای یادگیری ماشین تجسم و پاکسازی کنید | Python • R | جن • اریک وانجا |
| 07 | قیمت کدو تنبل در آمریکای شمالی 🎃 | Regression | مدلهای رگرسیون خطی و چندجملهای بسازید | Python • R | جن و دیمیتری • اریک وانجا |
| 08 | قیمت کدو تنبل در آمریکای شمالی 🎃 | Regression | یک مدل رگرسیون لجستیک بسازید | Python • R | جن • اریک وانجا |
| 09 | یک اپلیکیشن وب 🔌 | Web App | یک اپلیکیشن وب برای استفاده از مدل آموزشدیده خود بسازید | Python | جن |
| 10 | مقدمهای بر دستهبندی | Classification | دادههای خود را پاکسازی، آمادهسازی و تجسم کنید؛ مقدمهای بر دستهبندی | Python • R | جن و کاسی • اریک وانجا |
| 11 | غذاهای خوشمزه آسیایی و هندی 🍜 | Classification | مقدمهای بر دستهبندها | Python • R | جن و کاسی • اریک وانجا |
| 12 | غذاهای خوشمزه آسیایی و هندی 🍜 | Classification | دستهبندهای بیشتر | Python • R | جن و کاسی • اریک وانجا |
| 13 | غذاهای خوشمزه آسیایی و هندی 🍜 | Classification | یک اپلیکیشن وب توصیهگر با استفاده از مدل خود بسازید | Python | جن |
| 14 | مقدمهای بر خوشهبندی | Clustering | دادههای خود را پاکسازی، آمادهسازی و تجسم کنید؛ مقدمهای بر خوشهبندی | Python • R | جن • اریک وانجا |
| 15 | بررسی سلیقههای موسیقی نیجریهای 🎧 | Clustering | روش خوشهبندی K-Means را بررسی کنید | Python • R | جن • اریک وانجا |
| 16 | مقدمهای بر پردازش زبان طبیعی ☕️ | Natural language processing | اصول پایهای پردازش زبان طبیعی را با ساخت یک ربات ساده بیاموزید | Python | استیون |
| 17 | وظایف رایج پردازش زبان طبیعی ☕️ | Natural language processing | دانش خود را در زمینه پردازش زبان طبیعی با درک وظایف رایج مورد نیاز هنگام کار با ساختارهای زبانی عمیقتر کنید | Python | استیون |
| 18 | ترجمه و تحلیل احساسات |
Natural language processing | ترجمه و تحلیل احساسات با آثار جین آستن | Python | استیون |
| 19 | هتلهای عاشقانه اروپا |
Natural language processing | تحلیل احساسات با بررسیهای هتل 1 | Python | استیون |
| 20 | هتلهای عاشقانه اروپا |
Natural language processing | تحلیل احساسات با بررسیهای هتل 2 | Python | استیون |
| 21 | مقدمهای بر پیشبینی سریهای زمانی | Time series | مقدمهای بر پیشبینی سریهای زمانی | Python | فرانچسکا |
| 22 | ⚡️ مصرف برق جهانی ⚡️ - پیشبینی سریهای زمانی با ARIMA | Time series | پیشبینی سریهای زمانی با ARIMA | Python | فرانچسکا |
| 23 | ⚡️ مصرف برق جهانی ⚡️ - پیشبینی سریهای زمانی با SVR | Time series | پیشبینی سریهای زمانی با رگرسیون بردار پشتیبان | Python | انیربان |
| 24 | مقدمهای بر یادگیری تقویتی | Reinforcement learning | مقدمهای بر یادگیری تقویتی با Q-Learning | Python | دیمیتری |
| 25 | به پیتر کمک کنید تا از گرگ فرار کند! 🐺 | Reinforcement learning | یادگیری تقویتی Gym | Python | دیمیتری |
| Postscript | سناریوها و کاربردهای واقعی یادگیری ماشین | ML in the Wild | کاربردهای جالب و آشکار یادگیری ماشین کلاسیک | Lesson | تیم |
| Postscript | اشکالزدایی مدل در یادگیری ماشین با داشبورد RAI | ML in the Wild | اشکالزدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئول | Lesson | روث یاکوبو |
تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید
شما 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، و سپس در پوشه اصلی این مخزن، دستور docsify serve را تایپ کنید. وبسایت روی پورت 3000 در localhost شما اجرا خواهد شد: localhost:3000.
یک فایل PDF از برنامه درسی با لینکها را اینجا پیدا کنید.
تیم ما دورههای دیگری تولید میکند! بررسی کنید:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
اگر در ساخت برنامههای هوش مصنوعی گیر کردید یا سوالی دارید، به بحثهای MCP بپیوندید. این جامعهای حمایتی است که در آن سوالات پذیرفته میشوند و دانش به صورت آزادانه به اشتراک گذاشته میشود.
اگر بازخورد محصول دارید یا در هنگام ساخت خطاهایی مشاهده کردید، به اینجا مراجعه کنید:
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 حیاتی، ترجمه حرفهای انسانی توصیه میشود. ما مسئولیتی در قبال سوء تفاهمها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.