عربی | بنگالی | بلغاری | برمهای (میانمار) | چینی (سادهشده) | چینی (سنتی، هنگ کنگ) | چینی (سنتی، ماکائو) | چینی (سنتی، تایوان) | کرواتی | چکی | دانمارکی | هلندی | استونیایی | فنلاندی | فرانسوی | آلمانی | یونانی | عبری | هندی | مجارستانی | اندونزیایی | ایتالیایی | ژاپنی | کاننادا | کرهای | لیتوانیایی | مالایی | مالایالامی | مراتی | نپالی | پیدگین نیجریهای | نروژی | فارسی (Persian) | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورمخی) | رومانیایی | روسی | صربی (سیریلیک) | اسلواکی | اسلوونیایی | اسپانیایی | سواحیلی | سوئدی | تاگالوگ (فیلیپینی) | تامیلی | تلگو | تایلندی | ترکی | اوکراینی | اردو | ویتنامی
ترجیح میدهید به صورت محلی کلون کنید؟
این مخزن شامل ترجمههایی به بیش از ۵۰ زبان است که حجم دانلود را به طور قابل توجهی افزایش میدهد. برای کلون کردن بدون ترجمهها، از sparse checkout استفاده کنید:
Bash / 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 همه موارد مورد نیاز برای تکمیل دوره را با دانلودی بسیار سریعتر به شما میدهد.
ما یک سری آموزش Discord با محوریت یادگیری با هوش مصنوعی داریم، بیشتر بدانید و از ۱۸ تا ۳۰ سپتامبر ۲۰۲۵ به ما بپیوندید در Learn with AI Series. در این سری نکات و ترفندهای استفاده از GitHub Copilot برای علم داده را خواهید آموخت.
🌍 با ما در سفری به اطراف جهان در حالی که یادگیری ماشین را از طریق فرهنگهای مختلف جهان بررسی میکنیم 🌍
حمایتکنندگان ابری در مایکروسافت مفتخرند یک برنامه ۱۲ هفتهای با ۲۶ درس درباره یادگیری ماشین ارائه دهند. در این برنامه، شما با چیزی که گاهی «یادگیری ماشین کلاسیک» نامیده میشود، آشنا خواهید شد، عمدتاً با استفاده از کتابخانه Scikit-learn و به دور از یادگیری عمیق که در برنامه آموزشی هوش مصنوعی برای مبتدیان پوشش داده شده است. این درسها را همراه با برنامه 'علم داده برای مبتدیان' نیز بیاموزید!
با ما به سفر به اطراف جهان بپیوندید تا این تکنیکهای کلاسیک را بر دادههای از مناطق مختلف جهان اعمال کنیم. هر درس شامل سوالات قبل و بعد از درس، دستورالعملهای مکتوب برای انجام درس، راه حل، تمرین و موارد دیگر است. روش آموزشی پروژهمحور ما به شما این امکان را میدهد تا در حین ساختن یاد بگیرید؛ روشی اثبات شده برای چسبیدن مهارتهای جدید.
✍️ با تشکر فراوان از نویسندگان ما جن لوپر، استفان هاول، فرانچسکا لازری، تومومی ایمورا، کَسی برویو، دیمیتری سوشنیکوف، کریس نورینگ، آنیربان موخرجی، اورنلا آلتونیان، روث یاکوبو و ایمی بوید
🎨 همچنین تشکر از تصویرگران ما تومومی ایمورا، داسانی مادیپالی و جن لوپر
🙏 سپاس ویژه 🙏 از نویسندگان، بازبینان و مشارکتکنندگان مایکروسافت استیودنت امباسادور به ویژه ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشک جایسوال، نوورین طبسم، ایوان سامویلا و اسنیگدها آگرال
🤩 قدردانی ویژه به مایکروسافت استیودنت امباسادورهای اریک وانژاو، جَسلین سوندی و ویدوشی گپتا برای درسهای R ما!
این مراحل را دنبال کنید:
- شاخۀ مخزن را بسازید (Fork): روی دکمه «Fork» در گوشه بالا سمت 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 مایکروسافت لرن ما بیابید
🔧 نیاز به کمک دارید؟ راهنمای رفع مشکلات را برای حل مشکلات رایج نصب، پیکربندی و اجرای درسها بررسی کنید.
دانشجویان برای استفاده از این برنامه، کل مخزن را به حساب GitHub خود فورک کرده و تمرینها را بهصورت فردی یا گروهی انجام دهید:
- با یک آزمون پیش از درس شروع کنید.
- درس را بخوانید و فعالیتها را انجام دهید و در هر مرحلهای که سوال دانش مطرح است، توقف کرده و فکر کنید.
- سعی کنید پروژهها را با درک درسها ایجاد کنید نه صرفاً اجرای کد راهحل؛ هرچند کد راهحل در پوشههای
/solutionهر درس پروژهمحور موجود است. - آزمون پس از درس را انجام دهید.
- چالش را کامل کنید.
- تمرین را انجام دهید.
- پس از تکمیل گروه درسی، به تابلو بحث سر بزنید و با پر کردن فرم PAT مناسب، از یادگیری خود به صورت بلند بیاموزید. PAT یک ابزار ارزیابی پیشرفت است که شما پر میکنید تا یادگیری خود را عمیقتر کنید. همچنین میتوانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.
برای مطالعه بیشتر، توصیه میکنیم این ماژولها و مسیرهای یادگیری مایکروسافت لرن را دنبال کنید.
معلمان، ما برخی پیشنهادات را در فایل for-teachers.md گنجاندهایم برای چگونگی استفاده از این برنامه.
بعضی از درسها به صورت ویدیوهای کوتاه در دسترس هستند. میتوانید این ویدیوها را به صورت خطی در درسها پیدا کنید یا در لیست پخش ML for Beginners در کانال Microsoft Developer یوتیوب از طریق کلیک روی تصویر زیر مشاهده کنید.
گیف از Mohit Jaisal
🎥 برای دیدن ویدیویی درباره پروژه و افرادی که آن را ساختهاند، روی تصویر بالا کلیک کنید!
ما در ساخت این برنامه دو اصل آموزشی را انتخاب کردهایم: اطمینان از عملی بودن آن یعنی پروژهمحور بودن و داشتن آزمونهای مکرر. افزون بر این، این برنامه دارای تم مشترک است که یکپارچگی آن را فراهم میکند.
با اطمینان از همراستایی محتوا با پروژهها، فرایند برای دانشآموزان جذابتر شده و ماندگاری مفاهیم افزایش مییابد. همچنین وجود آزمون کم ریسک قبل از کلاس قصد یادگیری را در دانشآموز ایجاد کرده و آزمون دوم پس از کلاس باعث تثبیت بیشتر میشود. این برنامه به گونهای طراحی شده که انعطافپذیر و سرگرمکننده باشد و میتوان آن را به طور کامل یا قسمتی از آن را گذراند. پروژهها از کوچک شروع شده و تا پایان دوره ۱۲ هفتهای به تدریج پیچیدهتر میشوند. این برنامه همچنین شامل بخش پایانی در مورد کاربردهای واقعی یادگیری ماشین است که میتوان از آن به عنوان امتیاز اضافه یا پایهای برای بحث استفاده کرد.
دستورالعملهای کد رفتاری، همکاری، ترجمه و رفع مشکلات ما را بیابید. منتظر بازخورد سازنده شما هستیم!
- اسکیچنوت اختیاری
- ویدیوی تکمیلی اختیاری
- آموزش ویدیویی (فقط برخی درسها)
- آزمون گرمکننده پیش از درس
- درس مکتوب
- برای درسهای پروژهمحور، راهنمای گام به گام ساخت پروژه
- آزمونهای دانش
- یک چالش
- مطالعه تکمیلی
- تمرین
- آزمون پس از درس
یادداشتی درباره زبانها: این درسها عمدتاً به زبان پایتون نوشته شدهاند، اما بسیاری از آنها همچنین به زبان R نیز در دسترس هستند. برای تکمیل یک درس R، به پوشه
/solutionبروید و به دنبال درسهای R بگردید. آنها دارای پسوند .rmd هستند که نمایانگر یک فایل R Markdown است که میتوان آن را به سادگی بهعنوان یک جایگذاری ازقطعههای کد(از زبان R یا زبانهای دیگر) و یکسرصفحه YAML(که نحوه قالببندی خروجیها مانند PDF را راهنمایی میکند) در یکسند Markdownتعریف کرد. بنابراین، این یک چارچوب نمونهوار برای تولید محتوا در علم داده است زیرا به شما اجازه میدهد کد، خروجی آن و فکرهای خود را با نوشتن آنها در Markdown ترکیب کنید. همچنین، اسناد R Markdown میتوانند به فرمتهای خروجی مانند PDF، HTML یا Word تبدیل شوند.
یادداشتی درباره آزمونها: تمام آزمونها در پوشه Quiz App قرار دارند، که شامل مجموعاً ۵۲ آزمون، هر کدام با سه سوال است. این آزمونها از داخل درسها لینک شدهاند اما اپلیکیشن آزمون میتواند به صورت محلی اجرا شود؛ دستورالعملهای موجود در پوشه
quiz-appرا برای میزبانی محلی یا استقرار در Azure دنبال کنید.
| شماره درس | موضوع | دستهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
|---|---|---|---|---|---|
| ۰۱ | معرفی یادگیری ماشین | مقدمه | آشنایی با مفاهیم پایه یادگیری ماشین | درس | محمد |
| ۰۲ | تاریخچه یادگیری ماشین | مقدمه | یادگیری تاریخچه این حوزه | درس | جن و ایمی |
| ۰۳ | انصاف و یادگیری ماشین | مقدمه | مسائل فلسفی مهم درباره انصاف که دانشآموزان باید هنگام ساخت و پیادهسازی مدلهای یادگیری ماشین در نظر بگیرند چیست؟ | 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 | شروع کار با پایتون و Scikit-learn برای مدلهای رگرسیون | پایتون • R | جن • اریک وانجاو |
| ۰۶ | قیمت کدو حلوایی آمریکای شمالی 🎃 | رگرسیون | مصورسازی و پاکسازی دادهها برای آمادهسازی یادگیری ماشین | پایتون • R | جن • اریک وانجاو |
| ۰۷ | قیمت کدو حلوایی آمریکای شمالی 🎃 | رگرسیون | ساخت مدلهای رگرسیون خطی و چند جملهای | پایتون • R | جن و دیمیتری • اریک وانجاو |
| ۰۸ | قیمت کدو حلوایی آمریکای شمالی 🎃 | رگرسیون | ساخت مدل رگرسیون لجستیک | پایتون • R | جن • اریک وانجاو |
| ۰۹ | یک برنامه وب 🔌 | برنامه وب | ساخت یک برنامه وب برای استفاده از مدل آموزشدیده شده | پایتون | جن |
| ۱۰ | مقدمهای بر دستهبندی | دستهبندی | پاکسازی، آمادهسازی، و مصورسازی دادهها؛ مقدمهای بر دستهبندی | پایتون • R | جن و کِسی • اریک وانجاو |
| ۱۱ | غذاهای خوشمزه آسیایی و هندی 🍜 | دستهبندی | مقدمهای بر طبقهبندها | پایتون • R | جن و کِسی • اریک وانجاو |
| ۱۲ | غذاهای خوشمزه آسیایی و هندی 🍜 | دستهبندی | طبقهبندهای بیشتر | پایتون • R | جن و کِسی • اریک وانجاو |
| ۱۳ | غذاهای خوشمزه آسیایی و هندی 🍜 | دستهبندی | ساخت یک برنامه وب توصیهگر با استفاده از مدل خود | پایتون | جن |
| ۱۴ | مقدمهای بر خوشهبندی | خوشهبندی | پاکسازی، آمادهسازی و مصورسازی دادهها؛ مقدمهای بر خوشهبندی | پایتون • R | جن • اریک وانجاو |
| ۱۵ | بررسی سلیقههای موسیقی نیجریهای 🎧 | خوشهبندی | بررسی روش خوشهبندی K-Means | پایتون • R | جن • اریک وانجاو |
| ۱۶ | مقدمهای بر پردازش زبان طبیعی ☕️ | پردازش زبان طبیعی | آموزش مبانی NLP با ساخت یک ربات ساده | پایتون | استیفن |
| ۱۷ | وظایف رایج NLP ☕️ | پردازش زبان طبیعی | تعمیق دانش NLP با درک وظایف رایج مورد نیاز در برخورد با ساختارهای زبانی | پایتون | استیفن |
| ۱۸ | ترجمه و تحلیل احساسات |
پردازش زبان طبیعی | ترجمه و تحلیل احساسات با جین آستن | پایتون | استیفن |
| ۱۹ | هتلهای عاشقانه اروپا |
پردازش زبان طبیعی | تحلیل احساسات با بررسی هتلها ۱ | پایتون | استیفن |
| ۲۰ | هتلهای عاشقانه اروپا |
پردازش زبان طبیعی | تحلیل احساسات با بررسی هتلها ۲ | پایتون | استیفن |
| ۲۱ | مقدمهای بر پیشبینی سریهای زمانی | سریهای زمانی | مقدمهای بر پیشبینی سریهای زمانی | پایتون | فرانچسکا |
| ۲۲ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سری زمانی با ARIMA | سریهای زمانی | پیشبینی سریهای زمانی با ARIMA | پایتون | فرانچسکا |
| ۲۳ | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سری زمانی با SVR | سریهای زمانی | پیشبینی سریهای زمانی با رگرسیون بردار پشتیبان | پایتون | آنیربان |
| ۲۴ | مقدمهای بر یادگیری تقویتی | یادگیری تقویتی | مقدمهای بر یادگیری تقویتی با الگوریتم Q-Learning | پایتون | دیمیتری |
| ۲۵ | کمک به پیتر برای جلوگیری از گرگ! 🐺 | یادگیری تقویتی | یادگیری تقویتی در Gym | پایتون | دیمیتری |
| پستاسکریپت | موقعیتها و کاربردهای دنیای واقعی ML | ML در طبیعت | کاربردهای جالب و روشنگر یادگیری ماشین کلاسیک در دنیای واقعی | درس | تیم |
| پستاسکریپت | اشکالزدایی مدل در ML با استفاده از داشبورد RAI | ML در طبیعت | اشکالزدایی مدل در یادگیری ماشین با استفاده از المانهای داشبورد Responsible AI | درس | راث یاکوبو |
تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما بیابید
شما میتوانید این مستندات را به صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را فورک کنید، Docsify را نصب کنید روی کامپیوتر محلی خود، و سپس در پوشه ریشه این مخزن، دستور docsify serve را وارد کنید. سایت روی پورت ۳۰۰۰ در هاست محلی شما ارائه خواهد شد: localhost:3000.
یک فایل PDF از برنامه درسی به همراه لینکها را اینجا بیابید.
تیم ما دورههای دیگری نیز تولید میکند! نگاه کنید به:
-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 گیر کردید یا سوالی درباره ساخت برنامههای هوش مصنوعی داشتید، به جمع یادگیرندگان و توسعهدهندگان باتجربه در بحثهای MCP بپیوندید. این یک جامعه حمایتگر است که در آن سوالات خوشآمد گفته میشوند و دانش به صورت آزاد به اشتراک گذاشته میشود.
اگر بازخورد محصول یا خطا هنگام ساخت داشتید به موارد زیر مراجعه کنید:
- پس از هر درس دفترچهها را مرور کنید تا بهتر متوجه شوید.
- تمرین کنید الگوریتمها را خودتان پیادهسازی کنید.
- با استفاده از مفاهیم یادگرفته شده دادههای واقعی را کاوش کنید.
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی 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 اشتباهات یا نادرستیهایی باشند. سند اصلی به زبان مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات مهم و حیاتی، توصیه میشود از ترجمه حرفهای انسانی استفاده کنید. ما مسئول هیچگونه سوءتفاهم یا تفسیر نادرستی که ناشی از استفاده از این ترجمه باشد، نیستیم.