|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "0f67a4139454816631526779a456b734",
|
|
|
"translation_date": "2025-09-06T18:36:01+00:00",
|
|
|
"source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
|
|
|
"language_code": "he"
|
|
|
}
|
|
|
-->
|
|
|
# מדע הנתונים בעולם האמיתי
|
|
|
|
|
|
|  ](../../sketchnotes/20-DataScience-RealWorld.png) |
|
|
|
| :--------------------------------------------------------------------------------------------------------------: |
|
|
|
| מדע הנתונים בעולם האמיתי - _סקיצה מאת [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
|
|
אנחנו כמעט בסוף מסע הלמידה הזה!
|
|
|
|
|
|
התחלנו עם הגדרות של מדע הנתונים ואתיקה, חקרנו כלים וטכניקות שונות לניתוח ויזואליזציה של נתונים, סקרנו את מחזור החיים של מדע הנתונים, ובחנו כיצד ניתן להרחיב ולייעל תהליכי עבודה של מדע הנתונים באמצעות שירותי מחשוב ענן. אז אתם בטח שואלים: _"איך בדיוק אני ממפה את כל הלמידות הללו להקשרים בעולם האמיתי?"_
|
|
|
|
|
|
בשיעור הזה, נחקור יישומים של מדע הנתונים בתעשייה ונצלול לדוגמאות ספציפיות במחקר, מדעי הרוח הדיגיטליים וקיימות. נבחן הזדמנויות לפרויקטים לסטודנטים ונסיים עם משאבים שימושיים שיעזרו לכם להמשיך את מסע הלמידה שלכם!
|
|
|
|
|
|
## שאלון לפני השיעור
|
|
|
|
|
|
## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ds/quiz/38)
|
|
|
|
|
|
## מדע הנתונים + תעשייה
|
|
|
|
|
|
הודות לדמוקרטיזציה של AI, מפתחים מוצאים כיום קל יותר לעצב ולשלב תובנות מונעות AI והחלטות מבוססות נתונים בחוויות משתמש ובתהליכי פיתוח. הנה כמה דוגמאות כיצד מדע הנתונים "מיושם" ביישומים בעולם האמיתי בתעשייה:
|
|
|
|
|
|
* [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) השתמש במדע הנתונים כדי לקשר בין מונחי חיפוש למגמות שפעת. למרות שהגישה הייתה פגומה, היא העלתה מודעות לאפשרויות (ולאתגרים) של תחזיות בריאות מבוססות נתונים.
|
|
|
|
|
|
* [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - מסביר כיצד UPS משתמשת במדע הנתונים ובלמידת מכונה כדי לחזות מסלולים אופטימליים למשלוח, תוך התחשבות בתנאי מזג אוויר, דפוסי תנועה, מועדי מסירה ועוד.
|
|
|
|
|
|
* [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - נתונים שנאספו באמצעות [חוקי חופש המידע](https://chriswhong.com/open-data/foil_nyc_taxi/) עזרו להמחיש יום בחיי המוניות בניו יורק, ועזרו לנו להבין כיצד הן מנווטות בעיר העמוסה, הכסף שהן מרוויחות, ומשך הנסיעות בכל תקופה של 24 שעות.
|
|
|
|
|
|
* [Uber Data Science Workbench](https://eng.uber.com/dsw/) - משתמש בנתונים (על מיקומי איסוף והורדה, משך נסיעה, מסלולים מועדפים וכו') שנאספו ממיליוני נסיעות יומיות באובר כדי לבנות כלי אנליטיקה נתונים המסייע בתמחור, בטיחות, זיהוי הונאות והחלטות ניווט.
|
|
|
|
|
|
* [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - מתמקד ב_אנליטיקה חזויה_ (ניתוח קבוצות ושחקנים - כמו [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - וניהול אוהדים) וב_ויזואליזציה של נתונים_ (לוחות מחוונים של קבוצות ואוהדים, משחקים וכו') עם יישומים כמו סקאוטינג כישרונות, הימורים ספורטיביים וניהול מלאי/מקומות.
|
|
|
|
|
|
* [מדע הנתונים בבנקאות](https://data-flair.training/blogs/data-science-in-banking/) - מדגיש את הערך של מדע הנתונים בתעשיית הפיננסים עם יישומים החל ממידול סיכונים וזיהוי הונאות, ועד פילוח לקוחות, תחזיות בזמן אמת ומערכות המלצה. אנליטיקה חזויה גם מניעה מדדים קריטיים כמו [ציוני אשראי](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).
|
|
|
|
|
|
* [מדע הנתונים בבריאות](https://data-flair.training/blogs/data-science-in-healthcare/) - מדגיש יישומים כמו הדמיה רפואית (למשל, MRI, רנטגן, CT-Scan), גנומיקה (ריצוף DNA), פיתוח תרופות (הערכת סיכונים, תחזית הצלחה), אנליטיקה חזויה (טיפול בחולים ולוגיסטיקה של אספקה), מעקב ומניעת מחלות וכו'.
|
|
|
|
|
|
 קרדיט תמונה: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
|
|
|
|
|
|
התרשים מציג תחומים ודוגמאות נוספים ליישום טכניקות מדע הנתונים. רוצים לחקור יישומים נוספים? בדקו את [סקירה ולימוד עצמי](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) למטה.
|
|
|
|
|
|
## מדע הנתונים + מחקר
|
|
|
|
|
|
|  ](../../sketchnotes/20-DataScience-Research.png) |
|
|
|
| :---------------------------------------------------------------------------------------------------------------: |
|
|
|
| מדע הנתונים ומחקר - _סקיצה מאת [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
|
|
בעוד שיישומים בעולם האמיתי מתמקדים לעיתים קרובות במקרי שימוש בתעשייה בקנה מידה גדול, יישומי _מחקר_ ופרויקטים יכולים להיות שימושיים משתי פרספקטיבות:
|
|
|
|
|
|
* _הזדמנויות חדשנות_ - חקר אב טיפוס מהיר של רעיונות מתקדמים ובדיקת חוויות משתמש ליישומים מהדור הבא.
|
|
|
* _אתגרי פריסה_ - חקר נזקים פוטנציאליים או השלכות בלתי צפויות של טכנולוגיות מדע הנתונים בהקשרים בעולם האמיתי.
|
|
|
|
|
|
עבור סטודנטים, פרויקטי מחקר יכולים לספק הזדמנויות למידה ושיתוף פעולה שיכולות לשפר את ההבנה שלכם בנושא, ולהרחיב את המודעות והמעורבות שלכם עם אנשים או צוותים רלוונטיים שעובדים בתחומי עניין. אז איך נראים פרויקטי מחקר וכיצד הם יכולים להשפיע?
|
|
|
|
|
|
בואו נבחן דוגמה אחת - [MIT Gender Shades Study](http://gendershades.org/overview.html) של ג'וי בואולמוויני (MIT Media Labs) עם [מאמר מחקר מוביל](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) שנכתב בשיתוף עם טימניט גברו (אז ב-Microsoft Research) שהתמקד ב:
|
|
|
|
|
|
* **מה:** מטרת פרויקט המחקר הייתה _להעריך הטיה קיימת באלגוריתמים ובמאגרי נתונים של ניתוח פנים אוטומטי_ בהתבסס על מגדר וסוג עור.
|
|
|
* **למה:** ניתוח פנים משמש בתחומים כמו אכיפת חוק, אבטחת שדות תעופה, מערכות גיוס ועוד - הקשרים שבהם סיווגים שגויים (למשל, עקב הטיה) יכולים לגרום לנזקים כלכליים וחברתיים פוטנציאליים לאנשים או קבוצות מושפעות. הבנת הטיות (והסרתן או צמצומן) היא מפתח להוגנות בשימוש.
|
|
|
* **איך:** החוקרים זיהו שמדדי הביצועים הקיימים השתמשו בעיקר בנבדקים בעלי עור בהיר יותר, ואספו מאגר נתונים חדש (1000+ תמונות) שהיה _מאוזן יותר_ לפי מגדר וסוג עור. מאגר הנתונים שימש להערכת דיוק של שלושה מוצרים לסיווג מגדר (מ-Microsoft, IBM ו-Face++).
|
|
|
|
|
|
התוצאות הראו שלמרות שהדיוק הכולל בסיווג היה טוב, הייתה הבחנה ניכרת בשיעורי השגיאות בין תתי קבוצות שונות - עם **סיווג שגוי** גבוה יותר לנשים או אנשים בעלי עור כהה יותר, מה שמעיד על הטיה.
|
|
|
|
|
|
**תוצאות מרכזיות:** העלאת מודעות לכך שמדע הנתונים זקוק ליותר _מאגרי נתונים מייצגים_ (תתי קבוצות מאוזנות) ויותר _צוותים מגוונים_ (רקע מגוון) כדי לזהות ולהסיר או לצמצם הטיות כאלה מוקדם יותר בפתרונות AI. מאמצי מחקר כמו זה גם תורמים להגדרת עקרונות ופרקטיקות ל_בינה מלאכותית אחראית_ בארגונים רבים, לשיפור ההוגנות במוצרים ותהליכים מבוססי AI.
|
|
|
|
|
|
**רוצים ללמוד על מאמצי מחקר רלוונטיים במיקרוסופט?**
|
|
|
|
|
|
* בדקו את [פרויקטי המחקר של מיקרוסופט](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) בתחום הבינה המלאכותית.
|
|
|
* חקרו פרויקטים לסטודנטים מ[בית הספר לקיץ במדע הנתונים של Microsoft Research](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/).
|
|
|
* בדקו את פרויקט [Fairlearn](https://fairlearn.org/) ואת יוזמות [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6).
|
|
|
|
|
|
## מדע הנתונים + מדעי הרוח
|
|
|
|
|
|
|  ](../../sketchnotes/20-DataScience-Humanities.png) |
|
|
|
| :---------------------------------------------------------------------------------------------------------------: |
|
|
|
| מדע הנתונים ומדעי הרוח הדיגיטליים - _סקיצה מאת [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
|
|
מדעי הרוח הדיגיטליים [הוגדרו](https://digitalhumanities.stanford.edu/about-dh-stanford) כ"אוסף של פרקטיקות וגישות המשלבות שיטות חישוביות עם חקירה הומניסטית". [פרויקטים של סטנפורד](https://digitalhumanities.stanford.edu/projects) כמו _"היסטוריה מחדש"_ ו_"חשיבה פואטית"_ מדגימים את הקשר בין [מדעי הרוח הדיגיטליים ומדע הנתונים](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - תוך הדגשת טכניקות כמו ניתוח רשתות, ויזואליזציה של מידע, ניתוח מרחבי וטקסטואלי שיכולים לעזור לנו לבחון מחדש מאגרי נתונים היסטוריים וספרותיים כדי להפיק תובנות ופרספקטיבות חדשות.
|
|
|
|
|
|
*רוצים לחקור ולהרחיב פרויקט בתחום הזה?*
|
|
|
|
|
|
בדקו את ["אמילי דיקנסון ומטר המצב רוח"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - דוגמה נהדרת מ[ג'ן לופר](https://twitter.com/jenlooper) ששואלת כיצד נוכל להשתמש במדע הנתונים כדי לבחון מחדש שירה מוכרת ולהעריך מחדש את משמעותה ואת תרומתה של המחברת בהקשרים חדשים. לדוגמה, _האם נוכל לחזות את העונה שבה נכתבה שירה על ידי ניתוח הטון או הרגש שלה_ - ומה זה אומר על מצב הרוח של המחברת בתקופה הרלוונטית?
|
|
|
|
|
|
כדי לענות על השאלה הזו, אנו עוקבים אחר שלבי מחזור החיים של מדע הנתונים:
|
|
|
* [`רכישת נתונים`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - כדי לאסוף מאגר נתונים רלוונטי לניתוח. אפשרויות כוללות שימוש ב-API (למשל, [Poetry DB API](https://poetrydb.org/index.html)) או גרידת דפי אינטרנט (למשל, [פרויקט גוטנברג](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) באמצעות כלים כמו [Scrapy](https://scrapy.org/).
|
|
|
* [`ניקוי נתונים`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - מסביר כיצד ניתן לעצב, לטהר ולפשט טקסט באמצעות כלים בסיסיים כמו Visual Studio Code ו-Microsoft Excel.
|
|
|
* [`ניתוח נתונים`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - מסביר כיצד ניתן לייבא את מאגר הנתונים ל"מחברות" לניתוח באמצעות חבילות Python (כמו pandas, numpy ו-matplotlib) כדי לארגן ולחזות את הנתונים.
|
|
|
* [`ניתוח רגשות`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - מסביר כיצד ניתן לשלב שירותי ענן כמו Text Analytics, באמצעות כלים עם קוד נמוך כמו [Power Automate](https://flow.microsoft.com/en-us/) לתהליכי עבודה אוטומטיים לעיבוד נתונים.
|
|
|
|
|
|
באמצעות תהליך זה, נוכל לחקור את ההשפעות העונתיות על הרגש של השירים, ולעזור לנו לעצב פרספקטיבות משלנו על המחברת. נסו זאת בעצמכם - ואז הרחיבו את המחברת כדי לשאול שאלות נוספות או להציג את הנתונים בדרכים חדשות!
|
|
|
|
|
|
> תוכלו להשתמש בכמה מהכלים ב[ערכת הכלים של מדעי הרוח הדיגיטליים](https://github.com/Digital-Humanities-Toolkit) כדי להמשיך לחקור תחומים אלו.
|
|
|
|
|
|
## מדע הנתונים + קיימות
|
|
|
|
|
|
|  ](../../sketchnotes/20-DataScience-Sustainability.png) |
|
|
|
| :---------------------------------------------------------------------------------------------------------------: |
|
|
|
| מדע הנתונים וקיימות - _סקיצה מאת [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
|
|
[אג'נדה 2030 לפיתוח בר קיימא](https://sdgs.un.org/2030agenda) - שאומצה על ידי כל חברי האומות המאוחדות בשנת 2015 - מזהה 17 יעדים כולל כאלה שמתמקדים ב**הגנה על כדור הארץ** מפני התדרדרות והשפעת שינויי האקלים. יוזמת [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) תומכת ביעדים אלו על ידי חקר דרכים שבהן פתרונות טכנולוגיים יכולים לתמוך ולבנות עתיד בר קיימא יותר עם [מיקוד ב-4 יעדים](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - להיות שליליים בפחמן, חיוביים במים, אפס פסולת, וביודיוורסיים עד 2030.
|
|
|
|
|
|
התמודדות עם אתגרים אלו בצורה רחבת היקף ובזמן דורשת חשיבה בקנה מידה ענני - ונתונים רחבי היקף. יוזמת [Planetary Computer](https://planetarycomputer.microsoft.com/) מספקת 4 רכיבים שיעזרו למדעני נתונים ולמפתחים במאמץ זה:
|
|
|
|
|
|
* [קטלוג נתונים](https://planetarycomputer.microsoft.com/catalog) - עם פטה-בייטים של נתוני מערכות כדור הארץ (חינם ומאוחסן ב-Azure).
|
|
|
* [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - כדי לעזור למשתמשים לחפש נתונים רלוונטיים במרחב ובזמן.
|
|
|
* [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - סביבה מנוהלת למדענים לעיבוד מאגרי נתונים גיאו-מרחביים עצומים.
|
|
|
* [יישומים](https://planetarycomputer.microsoft.com/applications) - מציגים מקרי שימוש וכלים לתובנות קיימות.
|
|
|
**פרויקט המחשב הפלנטרי נמצא כרגע בתצוגה מקדימה (נכון לספטמבר 2021)** - הנה איך תוכלו להתחיל לתרום לפתרונות קיימות באמצעות מדעי הנתונים.
|
|
|
|
|
|
* [בקשו גישה](https://planetarycomputer.microsoft.com/account/request) כדי להתחיל לחקור ולהתחבר לעמיתים.
|
|
|
* [חקור את התיעוד](https://planetarycomputer.microsoft.com/docs/overview/about) כדי להבין את מערכי הנתונים וה-APIs הנתמכים.
|
|
|
* חקור יישומים כמו [מעקב אחר מערכות אקולוגיות](https://analytics-lab.org/ecosystemmonitoring/) לקבלת השראה לרעיונות ליישומים.
|
|
|
|
|
|
חשבו כיצד תוכלו להשתמש בהדמיית נתונים כדי לחשוף או להעצים תובנות רלוונטיות בתחומים כמו שינויי אקלים וכריתת יערות. או חשבו כיצד ניתן להשתמש בתובנות כדי ליצור חוויות משתמש חדשות שמניעות שינויים התנהגותיים לחיים ברי קיימא יותר.
|
|
|
|
|
|
## מדעי הנתונים + סטודנטים
|
|
|
|
|
|
דיברנו על יישומים בעולם האמיתי בתעשייה ובמחקר, וחקרנו דוגמאות ליישומי מדעי הנתונים במדעי הרוח הדיגיטליים ובקיימות. אז איך תוכלו לבנות את הכישורים שלכם ולשתף את המומחיות שלכם כמתחילים במדעי הנתונים?
|
|
|
|
|
|
הנה כמה דוגמאות לפרויקטים של סטודנטים במדעי הנתונים להשראה.
|
|
|
|
|
|
* [בית הספר לקיץ במדעי הנתונים של MSR](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) עם [פרויקטים](https://github.com/msr-ds3) ב-GitHub שחוקרים נושאים כמו:
|
|
|
- [הטיה גזעית בשימוש בכוח על ידי המשטרה](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
|
|
|
- [אמינות מערכת הרכבת התחתית של ניו יורק](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
|
|
|
* [דיגיטציה של תרבות חומרית: חקר התפלגויות חברתיות-כלכליות בסירקאפ](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - מאת [אורנלה אלטוניאן](https://twitter.com/ornelladotcom) והצוות בקלרמונט, באמצעות [ArcGIS StoryMaps](https://storymaps.arcgis.com/).
|
|
|
|
|
|
## 🚀 אתגר
|
|
|
|
|
|
חפשו מאמרים שממליצים על פרויקטים במדעי הנתונים שמתאימים למתחילים - כמו [50 תחומי נושא אלו](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) או [21 רעיונות לפרויקטים אלו](https://www.intellspot.com/data-science-project-ideas) או [16 פרויקטים עם קוד מקור](https://data-flair.training/blogs/data-science-project-ideas/) שתוכלו לפרק ולהרכיב מחדש. ואל תשכחו לכתוב בלוג על מסעות הלמידה שלכם ולשתף את התובנות שלכם עם כולנו.
|
|
|
|
|
|
## חידון לאחר ההרצאה
|
|
|
|
|
|
## [חידון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ds/quiz/39)
|
|
|
|
|
|
## סקירה ולימוד עצמי
|
|
|
|
|
|
רוצים לחקור עוד מקרי שימוש? הנה כמה מאמרים רלוונטיים:
|
|
|
* [17 יישומים ודוגמאות במדעי הנתונים](https://builtin.com/data-science/data-science-applications-examples) - יולי 2021
|
|
|
* [11 יישומים מדהימים במדעי הנתונים בעולם האמיתי](https://myblindbird.com/data-science-applications-real-world/) - מאי 2021
|
|
|
* [מדעי הנתונים בעולם האמיתי](https://towardsdatascience.com/data-science-in-the-real-world/home) - אוסף מאמרים
|
|
|
* [12 יישומים בעולם האמיתי במדעי הנתונים עם דוגמאות](https://www.scaler.com/blog/data-science-applications/) - מאי 2024
|
|
|
* מדעי הנתונים ב: [חינוך](https://data-flair.training/blogs/data-science-in-education/), [חקלאות](https://data-flair.training/blogs/data-science-in-agriculture/), [פיננסים](https://data-flair.training/blogs/data-science-in-finance/), [סרטים](https://data-flair.training/blogs/data-science-at-movies/), [בריאות](https://onlinedegrees.sandiego.edu/data-science-health-care/) ועוד.
|
|
|
|
|
|
## משימה
|
|
|
|
|
|
[חקור מערך נתונים של מחשב פלנטרי](assignment.md)
|
|
|
|
|
|
---
|
|
|
|
|
|
**כתב ויתור**:
|
|
|
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי-דיוקים. המסמך המקורי בשפתו המקורית נחשב למקור הסמכותי. למידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי בני אדם. איננו נושאים באחריות לכל אי-הבנה או פרשנות שגויה הנובעת משימוש בתרגום זה. |
