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 | نروژی | فارسی | لهستانی | پرتغالی (برزیل) | پرتغالی (پرتغال) | پنجابی (گورموکی) | 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، عمدتاً با استفاده از کتابخانه Scikit-learn و اجتناب از یادگیری عمیق، که در برنامه درسی هوش مصنوعی برای مبتدیان پوشش داده شده است. 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 دادههایی از مناطق مختلف جهان اعمال کنید. هر درس شامل آزمونهای پیش و پس از درس، دستورالعملهای نوشته شده برای تکمیل درس، یک راهحل، یک تکلیف و موارد دیگر است. روش تدریس مبتنی بر پروژه ما به شما امکان میدهد در حین ساختن یاد بگیرید، روشی اثبات شده 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 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
🤩 سپاس اضافی 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-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 Troubleshooting Guide ما را برای حل مشکلات رایج در نصب، تنظیم 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 تنهایی یا با گروهی کامل کنید:
- با آزمون پیش از درس شروع کنید.
- درس را بخوانید و فعالیتها را کامل کنید، 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 پس از درس را انجام دهید.
- چالش را کامل کنید.
- تکلیف را کامل کنید.
- پس از تکمیل یک گروه درس، به Discussion Board مراجعه کنید و با پر کردن ابزار ارزیابی پیشرفت (PAT) مناسب، "بلند یاد بگیرید". PAT یک 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، ما توصیه میکنیم این Microsoft Learn ماژولها و مسیرهای یادگیری 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 درون درسها پیدا کنید، یا در لیست پخش ML برای مبتدیان در کانال YouTube توسعهدهنده مایکروسافت با کلیک بر روی تصویر زیر.
Gif توسط Mohit Jaisal
🎥 روی تصویر بالا کلیک کنید تا ویدئویی درباره پروژه و افرادی که آن را ایجاد کردهاند ببینید!
ما دو اصل تدریس را هنگام ساخت این برنامه درسی انتخاب کردهایم: اطمینان از اینکه این برنامه مبتنی بر پروژه عملی است و 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 تنظیم میکند، در حالی که یک آزمون دوم پس 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 Code of Conduct، Contributing، Translation، و Troubleshooting ما را پیدا کنید. ما از بازخورد سازنده شما استقبال میکنیم!
- اسکچنوت اختیاری
- ویدئوی تکمیلی اختیاری
- راهنمای ویدئویی (برخی درسها فقط)
- آزمون گرمآپ پیش از درس
- درس نوشته شده
- برای درسهای مبتنی بر پروژه، راهنمای گامبهگام در مورد نحوه ساخت پروژه
- بررسی دانش
- یک چالش
- مطالعه تکمیلی
- تکلیف
- آزمون پس 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 یکسرصفحه 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 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 | با مفاهیم پایهای یادگیری ماشین آشنا شوید | درس | محمد |
| 02 | تاریخچه یادگیری ماشین | مقدمه | با تاریخچه این حوزه آشنا شوید | درس | جن و امی |
| 03 | عدالت و یادگیری ماشین | مقدمه | مسائل فلسفی مهم در مورد عدالت که دانشجویان باید هنگام ساخت و استفاده از مدلهای یادگیری ماشین در نظر بگیرند چیست؟ | درس | تومومی |
| 04 | تکنیکهای یادگیری ماشین | مقدمه | محققان یادگیری ماشین از چه تکنیکهایی برای ساخت مدلهای یادگیری ماشین استفاده میکنند؟ | درس | کریس و جن |
| 05 | مقدمهای بر رگرسیون | رگرسیون | شروع به کار با پایتون و Scikit-learn برای مدلهای رگرسیون | پایتون • R | جن • اریک وانژاو |
| 06 | قیمت کدو تنبل در آمریکای شمالی 🎃 | رگرسیون | تجسم و پاکسازی دادهها برای آمادهسازی برای یادگیری ماشین | پایتون • R | جن • اریک وانژاو |
| 07 | قیمت کدو تنبل در آمریکای شمالی 🎃 | رگرسیون | ساخت مدلهای رگرسیون خطی و چندجملهای | پایتون • R | جن و دیمیتری • اریک وانژاو |
| 08 | قیمت کدو تنبل در آمریکای شمالی 🎃 | رگرسیون | ساخت یک مدل رگرسیون لجستیک | پایتون • R | جن • اریک وانژاو |
| 09 | یک اپلیکیشن وب 🔌 | اپلیکیشن وب | ساخت یک اپلیکیشن وب برای استفاده از مدل آموزشدیده | پایتون | جن |
| 10 | مقدمهای بر طبقهبندی | طبقهبندی | پاکسازی، آمادهسازی و تجسم دادهها؛ مقدمهای بر طبقهبندی | پایتون • R | جن و کاسی • اریک وانژاو |
| 11 | غذاهای خوشمزه آسیایی و هندی 🍜 | طبقهبندی | مقدمهای بر طبقهبندها | پایتون • R | جن و کاسی • اریک وانژاو |
| 12 | غذاهای خوشمزه آسیایی و هندی 🍜 | طبقهبندی | طبقهبندهای بیشتر | پایتون • R | جن و کاسی • اریک وانژاو |
| 13 | غذاهای خوشمزه آسیایی و هندی 🍜 | طبقهبندی | ساخت یک اپلیکیشن وب توصیهگر با استفاده از مدل خود | پایتون | جن |
| 14 | مقدمهای بر خوشهبندی | خوشهبندی | پاکسازی، آمادهسازی و تجسم دادهها؛ مقدمهای بر خوشهبندی | پایتون • R | جن • اریک وانژاو |
| 15 | بررسی سلیقههای موسیقی نیجریه 🎧 | خوشهبندی | بررسی روش خوشهبندی K-Means | پایتون • R | جن • اریک وانژاو |
| 16 | مقدمهای بر پردازش زبان طبیعی ☕️ | پردازش زبان طبیعی | با اصول اولیه پردازش زبان طبیعی با ساخت یک ربات ساده آشنا شوید | پایتون | استیون |
| 17 | وظایف رایج پردازش زبان طبیعی ☕️ | پردازش زبان طبیعی | دانش خود را در مورد پردازش زبان طبیعی با درک وظایف رایج در برخورد با ساختارهای زبانی عمیقتر کنید | پایتون | استیون |
| 18 | ترجمه و تحلیل احساسات |
پردازش زبان طبیعی | ترجمه و تحلیل احساسات با آثار جین آستن | پایتون | استیون |
| 19 | هتلهای رمانتیک اروپا |
پردازش زبان طبیعی | تحلیل احساسات با بررسی نظرات هتلها 1 | پایتون | استیون |
| 20 | هتلهای رمانتیک اروپا |
پردازش زبان طبیعی | تحلیل احساسات با بررسی نظرات هتلها 2 | پایتون | استیون |
| 21 | مقدمهای بر پیشبینی سریهای زمانی | سریهای زمانی | مقدمهای بر پیشبینی سریهای زمانی | پایتون | فرانچسکا |
| 22 | ⚡️ مصرف برق جهانی ⚡️ - پیشبینی سریهای زمانی با ARIMA | سریهای زمانی | پیشبینی سریهای زمانی با استفاده از ARIMA | پایتون | فرانچسکا |
| 23 | ⚡️ مصرف برق جهانی ⚡️ - پیشبینی سریهای زمانی با SVR | سریهای زمانی | پیشبینی سریهای زمانی با استفاده از رگرسیون بردار پشتیبان | پایتون | انیربان |
| 24 | مقدمهای بر یادگیری تقویتی | یادگیری تقویتی | مقدمهای بر یادگیری تقویتی با استفاده از Q-Learning | پایتون | دیمیتری |
| 25 | به پیتر کمک کنید از گرگ فرار کند! 🐺 | یادگیری تقویتی | یادگیری تقویتی با استفاده از Gym | پایتون | دیمیتری |
| پسنوشت | سناریوها و کاربردهای واقعی یادگیری ماشین | یادگیری ماشین در دنیای واقعی | کاربردهای جالب و آموزنده یادگیری ماشین کلاسیک | درس | تیم |
| پسنوشت | اشکالزدایی مدل در یادگیری ماشین با استفاده از داشبورد RAI | یادگیری ماشین در دنیای واقعی | اشکالزدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد هوش مصنوعی مسئولیتپذیر | درس | روث یاکوبو |
تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید
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 در پورت 3000 روی localhost شما ارائه خواهد شد: localhost:3000.
یک فایل PDF از برنامه درسی با لینکها را اینجا پیدا کنید.
تیم ما دورههای دیگری نیز تولید میکند! بررسی کنید:
- هوش مصنوعی لبه برای مبتدیان
- عوامل هوش مصنوعی برای مبتدیان
- هوش مصنوعی مولد برای مبتدیان
- هوش مصنوعی مولد برای مبتدیان .NET
- هوش مصنوعی مولد با جاوااسکریپت
- هوش مصنوعی مولد با جاوا
- هوش مصنوعی برای مبتدیان
- علم داده برای مبتدیان
- یادگیری ماشین برای مبتدیان
- امنیت سایبری برای مبتدیان
- توسعه وب برای مبتدیان
- اینترنت اشیا برای مبتدیان
- توسعه XR برای مبتدیان
- تسلط بر GitHub Copilot برای برنامهنویسی جفتی
- تسلط بر GitHub Copilot برای توسعهدهندگان C#/.NET
- ماجراجویی خود را با Copilot انتخاب کنید
اگر گیر کردید یا سوالی در مورد ساخت برنامههای هوش مصنوعی دارید، به اینجا بپیوندید:
اگر بازخوردی در مورد محصول دارید یا در حین ساخت با خطا مواجه شدید، 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 برای دقت تلاش میکنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی خطاها یا نادرستیهایی 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 هرگونه سوءتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه نداریم.