msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity

chore(i18n): sync translations with latest source changes (chunk 1/1, 300 changes)

Browse Source
pull/918/head
localizeflow[bot] 2 weeks ago
parent 5159afda07
commit 29ab3bf5b0
300 changed files with 2148 additions and 3008 deletions
Show Stats Download Patch File Download Diff File

596
translations/he/.co-op-translator.json
Unescape View File

@ -0,0 +1,596 @@
{
"1-Introduction/1-intro-to-ML/README.md": {
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
"translation_date": "2025-09-05T19:38:13+00:00",
"source_file": "1-Introduction/1-intro-to-ML/README.md",
"language_code": "he"
},
"1-Introduction/1-intro-to-ML/assignment.md": {
"original_hash": "4c4698044bb8af52cfb6388a4ee0e53b",
"translation_date": "2025-09-05T19:40:29+00:00",
"source_file": "1-Introduction/1-intro-to-ML/assignment.md",
"language_code": "he"
},
"1-Introduction/2-history-of-ML/README.md": {
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
"translation_date": "2025-09-05T19:41:23+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "he"
},
"1-Introduction/2-history-of-ML/assignment.md": {
"original_hash": "eb6e4d5afd1b21a57d2b9e6d0aac3969",
"translation_date": "2025-09-05T19:43:42+00:00",
"source_file": "1-Introduction/2-history-of-ML/assignment.md",
"language_code": "he"
},
"1-Introduction/3-fairness/README.md": {
"original_hash": "9a6b702d1437c0467e3c5c28d763dac2",
"translation_date": "2025-09-05T19:31:10+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "he"
},
"1-Introduction/3-fairness/assignment.md": {
"original_hash": "dbda60e7b1fe5f18974e7858eff0004e",
"translation_date": "2025-09-05T19:34:13+00:00",
"source_file": "1-Introduction/3-fairness/assignment.md",
"language_code": "he"
},
"1-Introduction/4-techniques-of-ML/README.md": {
"original_hash": "9d91f3af3758fdd4569fb410575995ef",
"translation_date": "2025-09-05T19:35:07+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/README.md",
"language_code": "he"
},
"1-Introduction/4-techniques-of-ML/assignment.md": {
"original_hash": "70d65aeddc06170bc1aed5b27805f930",
"translation_date": "2025-09-05T19:37:26+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/assignment.md",
"language_code": "he"
},
"1-Introduction/README.md": {
"original_hash": "cf8ecc83f28e5b98051d2179eca08e08",
"translation_date": "2025-09-05T19:29:56+00:00",
"source_file": "1-Introduction/README.md",
"language_code": "he"
},
"2-Regression/1-Tools/README.md": {
"original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
"translation_date": "2025-09-05T18:50:40+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "he"
},
"2-Regression/1-Tools/assignment.md": {
"original_hash": "74a5cf83e4ebc302afbcbc4f418afd0a",
"translation_date": "2025-09-05T18:53:28+00:00",
"source_file": "2-Regression/1-Tools/assignment.md",
"language_code": "he"
},
"2-Regression/1-Tools/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T18:53:56+00:00",
"source_file": "2-Regression/1-Tools/solution/Julia/README.md",
"language_code": "he"
},
"2-Regression/2-Data/README.md": {
"original_hash": "7c077988328ebfe33b24d07945f16eca",
"translation_date": "2025-09-05T18:54:41+00:00",
"source_file": "2-Regression/2-Data/README.md",
"language_code": "he"
},
"2-Regression/2-Data/assignment.md": {
"original_hash": "4485a1ed4dd1b5647365e3d87456515d",
"translation_date": "2025-09-05T18:56:57+00:00",
"source_file": "2-Regression/2-Data/assignment.md",
"language_code": "he"
},
"2-Regression/2-Data/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T18:57:21+00:00",
"source_file": "2-Regression/2-Data/solution/Julia/README.md",
"language_code": "he"
},
"2-Regression/3-Linear/README.md": {
"original_hash": "40e64f004f3cb50aa1d8661672d3cd92",
"translation_date": "2025-09-05T18:39:01+00:00",
"source_file": "2-Regression/3-Linear/README.md",
"language_code": "he"
},
"2-Regression/3-Linear/assignment.md": {
"original_hash": "cc471fa89c293bc735dd3a9a0fb79b1b",
"translation_date": "2025-09-05T18:42:57+00:00",
"source_file": "2-Regression/3-Linear/assignment.md",
"language_code": "he"
},
"2-Regression/3-Linear/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T18:43:25+00:00",
"source_file": "2-Regression/3-Linear/solution/Julia/README.md",
"language_code": "he"
},
"2-Regression/4-Logistic/README.md": {
"original_hash": "abf86d845c84330bce205a46b382ec88",
"translation_date": "2025-09-05T18:46:04+00:00",
"source_file": "2-Regression/4-Logistic/README.md",
"language_code": "he"
},
"2-Regression/4-Logistic/assignment.md": {
"original_hash": "8af40209a41494068c1f42b14c0b450d",
"translation_date": "2025-09-05T18:49:27+00:00",
"source_file": "2-Regression/4-Logistic/assignment.md",
"language_code": "he"
},
"2-Regression/4-Logistic/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T18:49:49+00:00",
"source_file": "2-Regression/4-Logistic/solution/Julia/README.md",
"language_code": "he"
},
"2-Regression/README.md": {
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
"translation_date": "2025-09-05T18:37:21+00:00",
"source_file": "2-Regression/README.md",
"language_code": "he"
},
"3-Web-App/1-Web-App/README.md": {
"original_hash": "e0b75f73e4a90d45181dc5581fe2ef5c",
"translation_date": "2025-09-05T19:45:06+00:00",
"source_file": "3-Web-App/1-Web-App/README.md",
"language_code": "he"
},
"3-Web-App/1-Web-App/assignment.md": {
"original_hash": "a8e8ae10be335cbc745b75ee552317ff",
"translation_date": "2025-09-05T19:46:55+00:00",
"source_file": "3-Web-App/1-Web-App/assignment.md",
"language_code": "he"
},
"3-Web-App/README.md": {
"original_hash": "9836ff53cfef716ddfd70e06c5f43436",
"translation_date": "2025-09-05T19:44:12+00:00",
"source_file": "3-Web-App/README.md",
"language_code": "he"
},
"4-Classification/1-Introduction/README.md": {
"original_hash": "aaf391d922bd6de5efba871d514c6d47",
"translation_date": "2025-09-05T19:58:31+00:00",
"source_file": "4-Classification/1-Introduction/README.md",
"language_code": "he"
},
"4-Classification/1-Introduction/assignment.md": {
"original_hash": "b2a01912beb24cfb0007f83594dba801",
"translation_date": "2025-09-05T20:00:27+00:00",
"source_file": "4-Classification/1-Introduction/assignment.md",
"language_code": "he"
},
"4-Classification/1-Introduction/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:00:56+00:00",
"source_file": "4-Classification/1-Introduction/solution/Julia/README.md",
"language_code": "he"
},
"4-Classification/2-Classifiers-1/README.md": {
"original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b",
"translation_date": "2025-09-05T19:49:37+00:00",
"source_file": "4-Classification/2-Classifiers-1/README.md",
"language_code": "he"
},
"4-Classification/2-Classifiers-1/assignment.md": {
"original_hash": "de6025f96841498b0577e9d1aee18d1f",
"translation_date": "2025-09-05T19:52:34+00:00",
"source_file": "4-Classification/2-Classifiers-1/assignment.md",
"language_code": "he"
},
"4-Classification/2-Classifiers-1/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:53:03+00:00",
"source_file": "4-Classification/2-Classifiers-1/solution/Julia/README.md",
"language_code": "he"
},
"4-Classification/3-Classifiers-2/README.md": {
"original_hash": "49047911108adc49d605cddfb455749c",
"translation_date": "2025-09-05T19:56:10+00:00",
"source_file": "4-Classification/3-Classifiers-2/README.md",
"language_code": "he"
},
"4-Classification/3-Classifiers-2/assignment.md": {
"original_hash": "58dfdaf79fb73f7d34b22bdbacf57329",
"translation_date": "2025-09-05T19:57:28+00:00",
"source_file": "4-Classification/3-Classifiers-2/assignment.md",
"language_code": "he"
},
"4-Classification/3-Classifiers-2/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:57:54+00:00",
"source_file": "4-Classification/3-Classifiers-2/solution/Julia/README.md",
"language_code": "he"
},
"4-Classification/4-Applied/README.md": {
"original_hash": "61bdec27ed2da8b098cd9065405d9bb0",
"translation_date": "2025-09-05T19:53:40+00:00",
"source_file": "4-Classification/4-Applied/README.md",
"language_code": "he"
},
"4-Classification/4-Applied/assignment.md": {
"original_hash": "799ed651e2af0a7cad17c6268db11578",
"translation_date": "2025-09-05T19:55:28+00:00",
"source_file": "4-Classification/4-Applied/assignment.md",
"language_code": "he"
},
"4-Classification/README.md": {
"original_hash": "74e809ffd1e613a1058bbc3e9600859e",
"translation_date": "2025-09-05T19:48:23+00:00",
"source_file": "4-Classification/README.md",
"language_code": "he"
},
"5-Clustering/1-Visualize/README.md": {
"original_hash": "730225ea274c9174fe688b21d421539d",
"translation_date": "2025-09-05T19:11:55+00:00",
"source_file": "5-Clustering/1-Visualize/README.md",
"language_code": "he"
},
"5-Clustering/1-Visualize/assignment.md": {
"original_hash": "589fa015a5e7d9e67bd629f7d47b53de",
"translation_date": "2025-09-05T19:15:59+00:00",
"source_file": "5-Clustering/1-Visualize/assignment.md",
"language_code": "he"
},
"5-Clustering/1-Visualize/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:16:28+00:00",
"source_file": "5-Clustering/1-Visualize/solution/Julia/README.md",
"language_code": "he"
},
"5-Clustering/2-K-Means/README.md": {
"original_hash": "7cdd17338d9bbd7e2171c2cd462eb081",
"translation_date": "2025-09-05T19:17:05+00:00",
"source_file": "5-Clustering/2-K-Means/README.md",
"language_code": "he"
},
"5-Clustering/2-K-Means/assignment.md": {
"original_hash": "b8e17eff34ad1680eba2a5d3cf9ffc41",
"translation_date": "2025-09-05T19:19:06+00:00",
"source_file": "5-Clustering/2-K-Means/assignment.md",
"language_code": "he"
},
"5-Clustering/2-K-Means/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:19:31+00:00",
"source_file": "5-Clustering/2-K-Means/solution/Julia/README.md",
"language_code": "he"
},
"5-Clustering/README.md": {
"original_hash": "b28a3a4911584062772c537b653ebbc7",
"translation_date": "2025-09-05T19:10:12+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "he"
},
"6-NLP/1-Introduction-to-NLP/README.md": {
"original_hash": "1c2ec40cf55c98a028a359c27ef7e45a",
"translation_date": "2025-09-05T20:35:49+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/README.md",
"language_code": "he"
},
"6-NLP/1-Introduction-to-NLP/assignment.md": {
"original_hash": "1d7583e8046dacbb0c056d5ba0a71b16",
"translation_date": "2025-09-05T20:37:57+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/assignment.md",
"language_code": "he"
},
"6-NLP/2-Tasks/README.md": {
"original_hash": "5f3cb462e3122e1afe7ab0050ccf2bd3",
"translation_date": "2025-09-05T20:25:32+00:00",
"source_file": "6-NLP/2-Tasks/README.md",
"language_code": "he"
},
"6-NLP/2-Tasks/assignment.md": {
"original_hash": "2efc4c2aba5ed06c780c05539c492ae3",
"translation_date": "2025-09-05T20:27:59+00:00",
"source_file": "6-NLP/2-Tasks/assignment.md",
"language_code": "he"
},
"6-NLP/3-Translation-Sentiment/README.md": {
"original_hash": "be03c8182982b87ced155e4e9d1438e8",
"translation_date": "2025-09-05T20:38:56+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/README.md",
"language_code": "he"
},
"6-NLP/3-Translation-Sentiment/assignment.md": {
"original_hash": "9d2a734deb904caff310d1a999c6bd7a",
"translation_date": "2025-09-05T20:42:17+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/assignment.md",
"language_code": "he"
},
"6-NLP/3-Translation-Sentiment/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:43:00+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/Julia/README.md",
"language_code": "he"
},
"6-NLP/3-Translation-Sentiment/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:42:43+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/R/README.md",
"language_code": "he"
},
"6-NLP/4-Hotel-Reviews-1/README.md": {
"original_hash": "8d32dadeda93c6fb5c43619854882ab1",
"translation_date": "2025-09-05T20:29:24+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/README.md",
"language_code": "he"
},
"6-NLP/4-Hotel-Reviews-1/assignment.md": {
"original_hash": "bf39bceb833cd628f224941dca8041df",
"translation_date": "2025-09-05T20:34:07+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/assignment.md",
"language_code": "he"
},
"6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:34:47+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md",
"language_code": "he"
},
"6-NLP/4-Hotel-Reviews-1/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:34:29+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/R/README.md",
"language_code": "he"
},
"6-NLP/5-Hotel-Reviews-2/README.md": {
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
"translation_date": "2025-09-05T20:43:53+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
"language_code": "he"
},
"6-NLP/5-Hotel-Reviews-2/assignment.md": {
"original_hash": "daf144daa552da6a7d442aff6f3e77d8",
"translation_date": "2025-09-05T20:46:52+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/assignment.md",
"language_code": "he"
},
"6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:47:34+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md",
"language_code": "he"
},
"6-NLP/5-Hotel-Reviews-2/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:47:16+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/R/README.md",
"language_code": "he"
},
"6-NLP/README.md": {
"original_hash": "1eb379dc2d0c9940b320732d16083778",
"translation_date": "2025-09-05T20:24:24+00:00",
"source_file": "6-NLP/README.md",
"language_code": "he"
},
"6-NLP/data/README.md": {
"original_hash": "ee0670655c89e4719319764afb113624",
"translation_date": "2025-09-05T20:35:05+00:00",
"source_file": "6-NLP/data/README.md",
"language_code": "he"
},
"7-TimeSeries/1-Introduction/README.md": {
"original_hash": "662b509c39eee205687726636d0a8455",
"translation_date": "2025-09-05T19:03:40+00:00",
"source_file": "7-TimeSeries/1-Introduction/README.md",
"language_code": "he"
},
"7-TimeSeries/1-Introduction/assignment.md": {
"original_hash": "d1781b0b92568ea1d119d0a198b576b4",
"translation_date": "2025-09-05T19:05:59+00:00",
"source_file": "7-TimeSeries/1-Introduction/assignment.md",
"language_code": "he"
},
"7-TimeSeries/1-Introduction/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:06:47+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/Julia/README.md",
"language_code": "he"
},
"7-TimeSeries/1-Introduction/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T19:06:29+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/R/README.md",
"language_code": "he"
},
"7-TimeSeries/2-ARIMA/README.md": {
"original_hash": "917dbf890db71a322f306050cb284749",
"translation_date": "2025-09-05T18:59:03+00:00",
"source_file": "7-TimeSeries/2-ARIMA/README.md",
"language_code": "he"
},
"7-TimeSeries/2-ARIMA/assignment.md": {
"original_hash": "1c814013e10866dfd92cdb32caaae3ac",
"translation_date": "2025-09-05T19:02:05+00:00",
"source_file": "7-TimeSeries/2-ARIMA/assignment.md",
"language_code": "he"
},
"7-TimeSeries/2-ARIMA/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:02:50+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/Julia/README.md",
"language_code": "he"
},
"7-TimeSeries/2-ARIMA/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T19:02:32+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/R/README.md",
"language_code": "he"
},
"7-TimeSeries/3-SVR/README.md": {
"original_hash": "482bccabe1df958496ea71a3667995cd",
"translation_date": "2025-09-05T19:07:29+00:00",
"source_file": "7-TimeSeries/3-SVR/README.md",
"language_code": "he"
},
"7-TimeSeries/3-SVR/assignment.md": {
"original_hash": "94aa2fc6154252ae30a3f3740299707a",
"translation_date": "2025-09-05T19:09:36+00:00",
"source_file": "7-TimeSeries/3-SVR/assignment.md",
"language_code": "he"
},
"7-TimeSeries/README.md": {
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
"translation_date": "2025-09-05T18:57:42+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "he"
},
"8-Reinforcement/1-QLearning/README.md": {
"original_hash": "911efd5e595089000cb3c16fce1beab8",
"translation_date": "2025-09-05T20:12:27+00:00",
"source_file": "8-Reinforcement/1-QLearning/README.md",
"language_code": "he"
},
"8-Reinforcement/1-QLearning/assignment.md": {
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-09-05T20:17:14+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "he"
},
"8-Reinforcement/1-QLearning/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:18:50+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/Julia/README.md",
"language_code": "he"
},
"8-Reinforcement/1-QLearning/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:18:34+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/R/README.md",
"language_code": "he"
},
"8-Reinforcement/2-Gym/README.md": {
"original_hash": "107d5bb29da8a562e7ae72262d251a75",
"translation_date": "2025-09-05T20:19:54+00:00",
"source_file": "8-Reinforcement/2-Gym/README.md",
"language_code": "he"
},
"8-Reinforcement/2-Gym/assignment.md": {
"original_hash": "1f2b7441745eb52e25745423b247016b",
"translation_date": "2025-09-05T20:22:54+00:00",
"source_file": "8-Reinforcement/2-Gym/assignment.md",
"language_code": "he"
},
"8-Reinforcement/2-Gym/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:24:02+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/Julia/README.md",
"language_code": "he"
},
"8-Reinforcement/2-Gym/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:23:44+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/R/README.md",
"language_code": "he"
},
"8-Reinforcement/README.md": {
"original_hash": "20ca019012b1725de956681d036d8b18",
"translation_date": "2025-09-05T20:09:36+00:00",
"source_file": "8-Reinforcement/README.md",
"language_code": "he"
},
"9-Real-World/1-Applications/README.md": {
"original_hash": "83320d6b6994909e35d830cebf214039",
"translation_date": "2025-09-05T19:21:54+00:00",
"source_file": "9-Real-World/1-Applications/README.md",
"language_code": "he"
},
"9-Real-World/1-Applications/assignment.md": {
"original_hash": "fdebfcd0a3f12c9e2b436ded1aa79885",
"translation_date": "2025-09-05T19:24:40+00:00",
"source_file": "9-Real-World/1-Applications/assignment.md",
"language_code": "he"
},
"9-Real-World/2-Debugging-ML-Models/README.md": {
"original_hash": "df2b538e8fbb3e91cf0419ae2f858675",
"translation_date": "2025-09-05T19:25:51+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/README.md",
"language_code": "he"
},
"9-Real-World/2-Debugging-ML-Models/assignment.md": {
"original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
"translation_date": "2025-09-05T19:29:20+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
"language_code": "he"
},
"9-Real-World/README.md": {
"original_hash": "5e069a0ac02a9606a69946c2b3c574a9",
"translation_date": "2025-09-05T19:20:43+00:00",
"source_file": "9-Real-World/README.md",
"language_code": "he"
},
"AGENTS.md": {
"original_hash": "93fdaa0fd38836e50c4793e2f2f25e8b",
"translation_date": "2025-10-03T11:12:21+00:00",
"source_file": "AGENTS.md",
"language_code": "he"
},
"CODE_OF_CONDUCT.md": {
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-09-05T18:36:46+00:00",
"source_file": "CODE_OF_CONDUCT.md",
"language_code": "he"
},
"CONTRIBUTING.md": {
"original_hash": "977ec5266dfd78ad1ce2bd8d46fccbda",
"translation_date": "2025-09-05T18:34:36+00:00",
"source_file": "CONTRIBUTING.md",
"language_code": "he"
},
"README.md": {
"original_hash": "da2ceed62f16a0820259556e3a873c95",
"translation_date": "2026-01-29T18:39:08+00:00",
"source_file": "README.md",
"language_code": "he"
},
"SECURITY.md": {
"original_hash": "5e1b8da31aae9cca3d53ad243fa3365a",
"translation_date": "2025-09-05T18:35:13+00:00",
"source_file": "SECURITY.md",
"language_code": "he"
},
"SUPPORT.md": {
"original_hash": "09623d7343ff1c26ff4f198c1b2d3176",
"translation_date": "2025-10-03T12:13:05+00:00",
"source_file": "SUPPORT.md",
"language_code": "he"
},
"TROUBLESHOOTING.md": {
"original_hash": "134d8759f0e2ab886e9aa4f62362c201",
"translation_date": "2025-10-03T12:49:46+00:00",
"source_file": "TROUBLESHOOTING.md",
"language_code": "he"
},
"docs/_sidebar.md": {
"original_hash": "68dd06c685f6ce840e0acfa313352e7c",
"translation_date": "2025-09-05T19:19:54+00:00",
"source_file": "docs/_sidebar.md",
"language_code": "he"
},
"for-teachers.md": {
"original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
"translation_date": "2025-09-05T18:36:08+00:00",
"source_file": "for-teachers.md",
"language_code": "he"
},
"quiz-app/README.md": {
"original_hash": "6d130dffca5db70d7e615f926cb1ad4c",
"translation_date": "2025-09-05T19:47:28+00:00",
"source_file": "quiz-app/README.md",
"language_code": "he"
},
"sketchnotes/LICENSE.md": {
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"translation_date": "2025-09-05T20:03:57+00:00",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "he"
},
"sketchnotes/README.md": {
"original_hash": "a88d5918c1b9da69a40d917a0840c497",
"translation_date": "2025-09-05T20:01:14+00:00",
"source_file": "sketchnotes/README.md",
"language_code": "he"
}
}

9
translations/he/1-Introduction/1-intro-to-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
"translation_date": "2025-09-05T19:38:13+00:00",
"source_file": "1-Introduction/1-intro-to-ML/README.md",
"language_code": "he"
}
-->
# מבוא ללמידת מכונה
## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ml/)

9
translations/he/1-Introduction/1-intro-to-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "4c4698044bb8af52cfb6388a4ee0e53b",
"translation_date": "2025-09-05T19:40:29+00:00",
"source_file": "1-Introduction/1-intro-to-ML/assignment.md",
"language_code": "he"
}
-->
# להתחיל לפעול
## הוראות

9
translations/he/1-Introduction/2-history-of-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
"translation_date": "2025-09-05T19:41:23+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "he"
}
-->
# ההיסטוריה של למידת מכונה
![סיכום ההיסטוריה של למידת מכונה בסקצ'נוט](../../../../sketchnotes/ml-history.png)

9
translations/he/1-Introduction/2-history-of-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "eb6e4d5afd1b21a57d2b9e6d0aac3969",
"translation_date": "2025-09-05T19:43:42+00:00",
"source_file": "1-Introduction/2-history-of-ML/assignment.md",
"language_code": "he"
}
-->
# יצירת ציר זמן
## הוראות

9
translations/he/1-Introduction/3-fairness/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9a6b702d1437c0467e3c5c28d763dac2",
"translation_date": "2025-09-05T19:31:10+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "he"
}
-->
# בניית פתרונות למידת מכונה עם AI אחראי
![סיכום של AI אחראי בלמידת מכונה בסקיצה](../../../../sketchnotes/ml-fairness.png)

9
translations/he/1-Introduction/3-fairness/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "dbda60e7b1fe5f18974e7858eff0004e",
"translation_date": "2025-09-05T19:34:13+00:00",
"source_file": "1-Introduction/3-fairness/assignment.md",
"language_code": "he"
}
-->
# חקור את ערכת הכלים של AI אחראי
## הוראות

9
translations/he/1-Introduction/4-techniques-of-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9d91f3af3758fdd4569fb410575995ef",
"translation_date": "2025-09-05T19:35:07+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/README.md",
"language_code": "he"
}
-->
# טכניקות בלמידת מכונה
תהליך הבנייה, השימוש והתחזוקה של מודלים בלמידת מכונה והנתונים שהם משתמשים בהם שונה מאוד מתהליכי פיתוח אחרים. בשיעור זה, נבאר את התהליך ונפרט את הטכניקות המרכזיות שעליכם להכיר. אתם תלמדו:

9
translations/he/1-Introduction/4-techniques-of-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "70d65aeddc06170bc1aed5b27805f930",
"translation_date": "2025-09-05T19:37:26+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/assignment.md",
"language_code": "he"
}
-->
# ראיון עם מדען נתונים
## הוראות

9
translations/he/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cf8ecc83f28e5b98051d2179eca08e08",
"translation_date": "2025-09-05T19:29:56+00:00",
"source_file": "1-Introduction/README.md",
"language_code": "he"
}
-->
# מבוא ללמידת מכונה
בחלק זה של תוכנית הלימודים, תכירו את המושגים הבסיסיים שמאחורי תחום הלמידת המכונה, מה זה בעצם, ותלמדו על ההיסטוריה שלו ועל הטכניקות שהחוקרים משתמשים בהן כדי לעבוד איתו. בואו נחקור יחד את העולם החדש הזה של למידת מכונה!

9
translations/he/2-Regression/1-Tools/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
"translation_date": "2025-09-05T18:50:40+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "he"
}
-->
# התחילו עם Python ו-Scikit-learn עבור מודלים של רגרסיה
![סיכום של רגרסיות בסקצ'נוט](../../../../sketchnotes/ml-regression.png)

9
translations/he/2-Regression/1-Tools/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "74a5cf83e4ebc302afbcbc4f418afd0a",
"translation_date": "2025-09-05T18:53:28+00:00",
"source_file": "2-Regression/1-Tools/assignment.md",
"language_code": "he"
}
-->
# רגרסיה עם Scikit-learn
## הוראות

9
translations/he/2-Regression/1-Tools/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T18:53:56+00:00",
"source_file": "2-Regression/1-Tools/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/2-Regression/2-Data/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7c077988328ebfe33b24d07945f16eca",
"translation_date": "2025-09-05T18:54:41+00:00",
"source_file": "2-Regression/2-Data/README.md",
"language_code": "he"
}
-->
# בניית מודל רגרסיה באמצעות Scikit-learn: הכנת ויזואליזציה של נתונים
![אינפוגרפיקה של ויזואליזציה של נתונים](../../../../2-Regression/2-Data/images/data-visualization.png)

9
translations/he/2-Regression/2-Data/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "4485a1ed4dd1b5647365e3d87456515d",
"translation_date": "2025-09-05T18:56:57+00:00",
"source_file": "2-Regression/2-Data/assignment.md",
"language_code": "he"
}
-->
# חקר ויזואליזציות
ישנן מספר ספריות שונות זמינות ליצירת ויזואליזציות של נתונים. צרו כמה ויזואליזציות באמצעות נתוני הדלעת בשיעור זה עם matplotlib ו-seaborn במחברת לדוגמה. אילו ספריות קלות יותר לשימוש?

9
translations/he/2-Regression/2-Data/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T18:57:21+00:00",
"source_file": "2-Regression/2-Data/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

25
translations/he/2-Regression/3-Linear/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "40e64f004f3cb50aa1d8661672d3cd92",
"translation_date": "2025-09-05T18:39:01+00:00",
"source_file": "2-Regression/3-Linear/README.md",
"language_code": "he"
}
-->
# בניית מודל רגרסיה באמצעות Scikit-learn: רגרסיה בארבע דרכים
![אינפוגרפיקה של רגרסיה לינארית מול פולינומית](../../../../2-Regression/3-Linear/images/linear-polynomial.png)
@ -114,11 +105,11 @@ day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.
מהשיעור הקודם כנראה ראיתם שהמחיר הממוצע עבור חודשים שונים נראה כך:
<img alt="מחיר ממוצע לפי חודש" src="../2-Data/images/barchart.png" width="50%"/>
<img alt="מחיר ממוצע לפי חודש" src="../../../../translated_images/he/barchart.a833ea9194346d76.webp" width="50%"/>
זה מציע שיכול להיות מתאם, ואנו יכולים לנסות לאמן מודל רגרסיה לינארית כדי לחזות את הקשר בין `Month` ל-`Price`, או בין `DayOfYear` ל-`Price`. הנה גרף הפיזור שמראה את הקשר האחרון:
<img alt="גרף פיזור של מחיר מול יום בשנה" src="images/scatter-dayofyear.png" width="50%" />
<img alt="גרף פיזור של מחיר מול יום בשנה" src="../../../../translated_images/he/scatter-dayofyear.bc171c189c9fd553.webp" width="50%" />
בואו נראה אם יש מתאם באמצעות פונקציית `corr`:
@ -137,7 +128,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()):
ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var)
```
<img alt="גרף פיזור של מחיר מול יום בשנה" src="images/scatter-dayofyear-color.png" width="50%" />
<img alt="גרף פיזור של מחיר מול יום בשנה" src="../../../../translated_images/he/scatter-dayofyear-color.65790faefbb9d54f.webp" width="50%" />
החקירה שלנו מציעה שלזן יש השפעה גדולה יותר על המחיר הכולל מאשר תאריך המכירה בפועל. אנו יכולים לראות זאת עם גרף עמודות:
@ -145,7 +136,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()):
new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar')
```
<img alt="גרף עמודות של מחיר מול זן" src="images/price-by-variety.png" width="50%" />
<img alt="גרף עמודות של מחיר מול זן" src="../../../../translated_images/he/price-by-variety.744a2f9925d9bcb4.webp" width="50%" />
בואו נתמקד לרגע רק בזן אחד של דלעות, 'סוג פאי', ונראה מה ההשפעה של התאריך על המחיר:
@ -153,7 +144,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar')
pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE']
pie_pumpkins.plot.scatter('DayOfYear','Price')
```
<img alt="גרף פיזור של מחיר מול יום בשנה" src="images/pie-pumpkins-scatter.png" width="50%" />
<img alt="גרף פיזור של מחיר מול יום בשנה" src="../../../../translated_images/he/pie-pumpkins-scatter.d14f9804a53f927e.webp" width="50%" />
אם עכשיו נחשב את המתאם בין `Price` ל-`DayOfYear` באמצעות פונקציית `corr`, נקבל משהו כמו `-0.27` - מה שאומר שאימון מודל חיזוי הגיוני.
@ -227,7 +218,7 @@ plt.scatter(X_test,y_test)
plt.plot(X_test,pred)
```
<img alt="רגרסיה ליניארית" src="images/linear-results.png" width="50%" />
<img alt="רגרסיה ליניארית" src="../../../../translated_images/he/linear-results.f7c3552c85b0ed1c.webp" width="50%" />
## רגרסיה פולינומית
@ -256,7 +247,7 @@ pipeline.fit(X_train,y_train)
ניתן להשתמש בצינורות באותו אופן כמו באובייקט `LinearRegression` המקורי, כלומר ניתן להשתמש ב-`fit` בצינור ואז ב-`predict` כדי לקבל את תוצאות הניבוי. הנה הגרף שמראה את נתוני הבדיקה ואת עקומת הקירוב:
<img alt="רגרסיה פולינומית" src="images/poly-results.png" width="50%" />
<img alt="רגרסיה פולינומית" src="../../../../translated_images/he/poly-results.ee587348f0f1f60b.webp" width="50%" />
שימוש ברגרסיה פולינומית מאפשר לנו לקבל MSE מעט נמוך יותר ומקדם החלטיות גבוה יותר, אך לא באופן משמעותי. יש לקחת בחשבון תכונות נוספות!
@ -274,7 +265,7 @@ pipeline.fit(X_train,y_train)
כאן ניתן לראות איך המחיר הממוצע תלוי בסוג הדלעת:
<img alt="מחיר ממוצע לפי סוג" src="images/price-by-variety.png" width="50%" />
<img alt="מחיר ממוצע לפי סוג" src="../../../../translated_images/he/price-by-variety.744a2f9925d9bcb4.webp" width="50%" />
כדי לקחת את סוג הדלעת בחשבון, תחילה עלינו להמיר אותו לצורה מספרית, או **לקודד** אותו. ישנן מספר דרכים לעשות זאת:

9
translations/he/2-Regression/3-Linear/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cc471fa89c293bc735dd3a9a0fb79b1b",
"translation_date": "2025-09-05T18:42:57+00:00",
"source_file": "2-Regression/3-Linear/assignment.md",
"language_code": "he"
}
-->
# יצירת מודל רגרסיה
## הוראות

9
translations/he/2-Regression/3-Linear/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T18:43:25+00:00",
"source_file": "2-Regression/3-Linear/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/2-Regression/4-Logistic/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "abf86d845c84330bce205a46b382ec88",
"translation_date": "2025-09-05T18:46:04+00:00",
"source_file": "2-Regression/4-Logistic/README.md",
"language_code": "he"
}
-->
# רגרסיה לוגיסטית לחיזוי קטגוריות
![אינפוגרפיקה של רגרסיה לוגיסטית מול רגרסיה ליניארית](../../../../2-Regression/4-Logistic/images/linear-vs-logistic.png)

9
translations/he/2-Regression/4-Logistic/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8af40209a41494068c1f42b14c0b450d",
"translation_date": "2025-09-05T18:49:27+00:00",
"source_file": "2-Regression/4-Logistic/assignment.md",
"language_code": "he"
}
-->
# ניסיון חוזר עם רגרסיה
## הוראות

9
translations/he/2-Regression/4-Logistic/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T18:49:49+00:00",
"source_file": "2-Regression/4-Logistic/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/2-Regression/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
"translation_date": "2025-09-05T18:37:21+00:00",
"source_file": "2-Regression/README.md",
"language_code": "he"
}
-->
# מודלים של רגרסיה ללמידת מכונה
## נושא אזורי: מודלים של רגרסיה למחירי דלעת בצפון אמריקה 🎃

9
translations/he/3-Web-App/1-Web-App/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "e0b75f73e4a90d45181dc5581fe2ef5c",
"translation_date": "2025-09-05T19:45:06+00:00",
"source_file": "3-Web-App/1-Web-App/README.md",
"language_code": "he"
}
-->
# בניית אפליקציית אינטרנט לשימוש במודל למידת מכונה
בשיעור הזה, תאמנו מודל למידת מכונה על סט נתונים יוצא דופן: _תצפיות עב"מים במאה האחרונה_, שנאספו ממאגר הנתונים של NUFORC.

9
translations/he/3-Web-App/1-Web-App/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a8e8ae10be335cbc745b75ee552317ff",
"translation_date": "2025-09-05T19:46:55+00:00",
"source_file": "3-Web-App/1-Web-App/assignment.md",
"language_code": "he"
}
-->
# נסה מודל אחר
## הוראות

9
translations/he/3-Web-App/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9836ff53cfef716ddfd70e06c5f43436",
"translation_date": "2025-09-05T19:44:12+00:00",
"source_file": "3-Web-App/README.md",
"language_code": "he"
}
-->
# בנה אפליקציית ווב לשימוש במודל ML שלך
בחלק זה של הקורס, תיחשף לנושא יישומי בתחום למידת מכונה: כיצד לשמור את המודל שלך שנבנה ב-Scikit-learn כקובץ שניתן להשתמש בו כדי לבצע תחזיות בתוך אפליקציית ווב. לאחר שהמודל נשמר, תלמד כיצד להשתמש בו באפליקציית ווב שנבנתה ב-Flask. תחילה תיצור מודל באמצעות נתונים העוסקים בתצפיות על עב"מים! לאחר מכן, תבנה אפליקציית ווב שתאפשר לך להזין מספר שניות יחד עם ערכי קו רוחב וקו אורך כדי לחזות באיזו מדינה דווח על עב"ם.

9
translations/he/4-Classification/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "aaf391d922bd6de5efba871d514c6d47",
"translation_date": "2025-09-05T19:58:31+00:00",
"source_file": "4-Classification/1-Introduction/README.md",
"language_code": "he"
}
-->
# מבוא לסיווג
בארבעת השיעורים הללו, תחקור את אחד הנושאים המרכזיים בלמידת מכונה קלאסית - _סיווג_. נעבור יחד על שימוש באלגוריתמים שונים לסיווג עם מערך נתונים על כל המטבחים המדהימים של אסיה והודו. מקווים שאתה רעב!

9
translations/he/4-Classification/1-Introduction/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b2a01912beb24cfb0007f83594dba801",
"translation_date": "2025-09-05T20:00:27+00:00",
"source_file": "4-Classification/1-Introduction/assignment.md",
"language_code": "he"
}
-->
# חקור שיטות סיווג
## הוראות

9
translations/he/4-Classification/1-Introduction/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:00:56+00:00",
"source_file": "4-Classification/1-Introduction/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/4-Classification/2-Classifiers-1/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b",
"translation_date": "2025-09-05T19:49:37+00:00",
"source_file": "4-Classification/2-Classifiers-1/README.md",
"language_code": "he"
}
-->
# מסווגי מטבחים 1
בשיעור הזה, תשתמשו במאגר הנתונים ששמרתם מהשיעור הקודם, שמלא בנתונים מאוזנים ונקיים על מטבחים.

9
translations/he/4-Classification/2-Classifiers-1/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "de6025f96841498b0577e9d1aee18d1f",
"translation_date": "2025-09-05T19:52:34+00:00",
"source_file": "4-Classification/2-Classifiers-1/assignment.md",
"language_code": "he"
}
-->
# למד את הפותרים
## הוראות

9
translations/he/4-Classification/2-Classifiers-1/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:53:03+00:00",
"source_file": "4-Classification/2-Classifiers-1/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/4-Classification/3-Classifiers-2/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "49047911108adc49d605cddfb455749c",
"translation_date": "2025-09-05T19:56:10+00:00",
"source_file": "4-Classification/3-Classifiers-2/README.md",
"language_code": "he"
}
-->
# מסווגי מטבחים 2
בשיעור הסיווג השני הזה, תחקור דרכים נוספות לסווג נתונים מספריים. בנוסף, תלמד על ההשלכות של בחירת מסווג אחד על פני אחר.

9
translations/he/4-Classification/3-Classifiers-2/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "58dfdaf79fb73f7d34b22bdbacf57329",
"translation_date": "2025-09-05T19:57:28+00:00",
"source_file": "4-Classification/3-Classifiers-2/assignment.md",
"language_code": "he"
}
-->
# משחק עם פרמטרים
## הוראות

9
translations/he/4-Classification/3-Classifiers-2/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:57:54+00:00",
"source_file": "4-Classification/3-Classifiers-2/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/4-Classification/4-Applied/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "61bdec27ed2da8b098cd9065405d9bb0",
"translation_date": "2025-09-05T19:53:40+00:00",
"source_file": "4-Classification/4-Applied/README.md",
"language_code": "he"
}
-->
# בניית אפליקציית המלצות למטבח
בשיעור זה תבנו מודל סיווג באמצעות כמה מהטכניקות שלמדתם בשיעורים קודמים, ותשתמשו במאגר הנתונים הטעים של מטבחים שהשתמשנו בו לאורך הסדרה. בנוסף, תבנו אפליקציית אינטרנט קטנה שתשתמש במודל שמור, תוך שימוש ב-Onnx Web Runtime.

9
translations/he/4-Classification/4-Applied/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "799ed651e2af0a7cad17c6268db11578",
"translation_date": "2025-09-05T19:55:28+00:00",
"source_file": "4-Classification/4-Applied/assignment.md",
"language_code": "he"
}
-->
# בנה מערכת המלצות
## הוראות

9
translations/he/4-Classification/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "74e809ffd1e613a1058bbc3e9600859e",
"translation_date": "2025-09-05T19:48:23+00:00",
"source_file": "4-Classification/README.md",
"language_code": "he"
}
-->
# התחלת עבודה עם סיווג
## נושא אזורי: מטבחים אסייתיים והודיים טעימים 🍜

9
translations/he/5-Clustering/1-Visualize/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "730225ea274c9174fe688b21d421539d",
"translation_date": "2025-09-05T19:11:55+00:00",
"source_file": "5-Clustering/1-Visualize/README.md",
"language_code": "he"
}
-->
# מבוא לקיבוץ
קיבוץ הוא סוג של [למידה ללא פיקוח](https://wikipedia.org/wiki/Unsupervised_learning) שמניח כי מערך הנתונים אינו מתויג או שהקלטים שלו אינם מותאמים לפלטים מוגדרים מראש. הוא משתמש באלגוריתמים שונים כדי למיין נתונים לא מתויגים ולספק קבוצות בהתאם לדפוסים שהוא מזהה בנתונים.

9
translations/he/5-Clustering/1-Visualize/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "589fa015a5e7d9e67bd629f7d47b53de",
"translation_date": "2025-09-05T19:15:59+00:00",
"source_file": "5-Clustering/1-Visualize/assignment.md",
"language_code": "he"
}
-->
# חקר ויזואליזציות אחרות עבור אשכולות
## הוראות

9
translations/he/5-Clustering/1-Visualize/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:16:28+00:00",
"source_file": "5-Clustering/1-Visualize/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/5-Clustering/2-K-Means/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7cdd17338d9bbd7e2171c2cd462eb081",
"translation_date": "2025-09-05T19:17:05+00:00",
"source_file": "5-Clustering/2-K-Means/README.md",
"language_code": "he"
}
-->
# אשכולות K-Means
## [מבחן מקדים](https://ff-quizzes.netlify.app/en/ml/)

9
translations/he/5-Clustering/2-K-Means/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b8e17eff34ad1680eba2a5d3cf9ffc41",
"translation_date": "2025-09-05T19:19:06+00:00",
"source_file": "5-Clustering/2-K-Means/assignment.md",
"language_code": "he"
}
-->
# נסו שיטות אשכולות שונות
## הוראות

9
translations/he/5-Clustering/2-K-Means/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:19:31+00:00",
"source_file": "5-Clustering/2-K-Means/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/5-Clustering/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b28a3a4911584062772c537b653ebbc7",
"translation_date": "2025-09-05T19:10:12+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "he"
}
-->
# מודלים של אשכולות ללמידת מכונה
אשכולות הם משימה בלמידת מכונה שבה מחפשים למצוא אובייקטים הדומים זה לזה ולחבר אותם לקבוצות הנקראות אשכולות. מה שמבדיל אשכולות מגישות אחרות בלמידת מכונה הוא שהדברים מתרחשים באופן אוטומטי, למעשה, אפשר לומר שזה ההפך מלמידה מונחית.

9
translations/he/6-NLP/1-Introduction-to-NLP/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1c2ec40cf55c98a028a359c27ef7e45a",
"translation_date": "2025-09-05T20:35:49+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/README.md",
"language_code": "he"
}
-->
# מבוא לעיבוד שפה טבעית
השיעור הזה מכסה היסטוריה קצרה ומושגים חשובים של *עיבוד שפה טבעית*, תחום משנה של *בלשנות חישובית*.

9
translations/he/6-NLP/1-Introduction-to-NLP/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1d7583e8046dacbb0c056d5ba0a71b16",
"translation_date": "2025-09-05T20:37:57+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/assignment.md",
"language_code": "he"
}
-->
# חיפוש אחר בוט
## הוראות

9
translations/he/6-NLP/2-Tasks/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5f3cb462e3122e1afe7ab0050ccf2bd3",
"translation_date": "2025-09-05T20:25:32+00:00",
"source_file": "6-NLP/2-Tasks/README.md",
"language_code": "he"
}
-->
# משימות וטכניקות נפוצות בעיבוד שפה טבעית
ברוב המשימות של *עיבוד שפה טבעית*, הטקסט שיש לעבד חייב להיות מפורק, נבדק, והתוצאות נשמרות או מושוות עם חוקים ומאגרי נתונים. משימות אלו מאפשרות למתכנת להסיק את _המשמעות_ או _הכוונה_ או רק את _תדירות_ המונחים והמילים בטקסט.

9
translations/he/6-NLP/2-Tasks/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "2efc4c2aba5ed06c780c05539c492ae3",
"translation_date": "2025-09-05T20:27:59+00:00",
"source_file": "6-NLP/2-Tasks/assignment.md",
"language_code": "he"
}
-->
# לגרום לבוט להגיב
## הוראות

9
translations/he/6-NLP/3-Translation-Sentiment/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "be03c8182982b87ced155e4e9d1438e8",
"translation_date": "2025-09-05T20:38:56+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/README.md",
"language_code": "he"
}
-->
# תרגום וניתוח רגשות עם למידת מכונה
בשיעורים הקודמים למדתם כיצד לבנות בוט בסיסי באמצעות `TextBlob`, ספרייה שמשתמשת בלמידת מכונה מאחורי הקלעים כדי לבצע משימות בסיסיות של עיבוד שפה טבעית כמו חילוץ ביטויי שם עצם. אתגר חשוב נוסף בבלשנות חישובית הוא תרגום מדויק של משפט משפה מדוברת או כתובה אחת לשפה אחרת.

9
translations/he/6-NLP/3-Translation-Sentiment/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9d2a734deb904caff310d1a999c6bd7a",
"translation_date": "2025-09-05T20:42:17+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/assignment.md",
"language_code": "he"
}
-->
# רישיון פואטי
## הוראות

9
translations/he/6-NLP/3-Translation-Sentiment/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:43:00+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/6-NLP/3-Translation-Sentiment/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:42:43+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/R/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/6-NLP/4-Hotel-Reviews-1/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8d32dadeda93c6fb5c43619854882ab1",
"translation_date": "2025-09-05T20:29:24+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/README.md",
"language_code": "he"
}
-->
# ניתוח רגשות עם ביקורות על מלונות - עיבוד הנתונים
בפרק זה תשתמשו בטכניקות שלמדתם בשיעורים הקודמים כדי לבצע ניתוח נתונים חקרני על מערך נתונים גדול. לאחר שתבינו היטב את השימושיות של העמודות השונות, תלמדו:

9
translations/he/6-NLP/4-Hotel-Reviews-1/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "bf39bceb833cd628f224941dca8041df",
"translation_date": "2025-09-05T20:34:07+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/assignment.md",
"language_code": "he"
}
-->
# NLTK
## הוראות

9
translations/he/6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:34:47+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/6-NLP/4-Hotel-Reviews-1/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:34:29+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/R/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/6-NLP/5-Hotel-Reviews-2/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
"translation_date": "2025-09-05T20:43:53+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
"language_code": "he"
}
-->
# ניתוח רגשות עם ביקורות על מלונות
עכשיו, לאחר שחקרת את מערך הנתונים לעומק, הגיע הזמן לסנן את העמודות ולהשתמש בטכניקות עיבוד שפה טבעית (NLP) על מערך הנתונים כדי לקבל תובנות חדשות על המלונות.

9
translations/he/6-NLP/5-Hotel-Reviews-2/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "daf144daa552da6a7d442aff6f3e77d8",
"translation_date": "2025-09-05T20:46:52+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/assignment.md",
"language_code": "he"
}
-->
# נסה מערך נתונים אחר
## הוראות

9
translations/he/6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:47:34+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/6-NLP/5-Hotel-Reviews-2/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:47:16+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/R/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/6-NLP/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1eb379dc2d0c9940b320732d16083778",
"translation_date": "2025-09-05T20:24:24+00:00",
"source_file": "6-NLP/README.md",
"language_code": "he"
}
-->
# התחלת עבודה עם עיבוד שפה טבעית
עיבוד שפה טבעית (NLP) הוא היכולת של תוכנת מחשב להבין שפה אנושית כפי שהיא מדוברת ונכתבת - מה שמכונה שפה טבעית. זהו מרכיב של בינה מלאכותית (AI). תחום ה-NLP קיים כבר יותר מ-50 שנה ויש לו שורשים בתחום הבלשנות. כל התחום מכוון לעזור למכונות להבין ולעבד את השפה האנושית. לאחר מכן ניתן להשתמש בזה לביצוע משימות כמו בדיקת איות או תרגום מכונה. יש לו מגוון יישומים בעולם האמיתי בתחומים רבים, כולל מחקר רפואי, מנועי חיפוש ומודיעין עסקי.

9
translations/he/6-NLP/data/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ee0670655c89e4719319764afb113624",
"translation_date": "2025-09-05T20:35:05+00:00",
"source_file": "6-NLP/data/README.md",
"language_code": "he"
}
-->
הורד את נתוני ביקורת המלון לתיקייה זו.
---

9
translations/he/7-TimeSeries/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "662b509c39eee205687726636d0a8455",
"translation_date": "2025-09-05T19:03:40+00:00",
"source_file": "7-TimeSeries/1-Introduction/README.md",
"language_code": "he"
}
-->
# מבוא לחיזוי סדרות זמן
![סיכום סדרות זמן בסקצ'נוט](../../../../sketchnotes/ml-timeseries.png)

9
translations/he/7-TimeSeries/1-Introduction/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "d1781b0b92568ea1d119d0a198b576b4",
"translation_date": "2025-09-05T19:05:59+00:00",
"source_file": "7-TimeSeries/1-Introduction/assignment.md",
"language_code": "he"
}
-->
# הצגת סדרות זמן נוספות
## הוראות

9
translations/he/7-TimeSeries/1-Introduction/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:06:47+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/7-TimeSeries/1-Introduction/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T19:06:29+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/R/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/7-TimeSeries/2-ARIMA/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "917dbf890db71a322f306050cb284749",
"translation_date": "2025-09-05T18:59:03+00:00",
"source_file": "7-TimeSeries/2-ARIMA/README.md",
"language_code": "he"
}
-->
# חיזוי סדרות זמן עם ARIMA
בשיעור הקודם, למדתם מעט על חיזוי סדרות זמן וטעינת מערך נתונים שמציג את התנודות בעומס החשמלי לאורך תקופת זמן.

9
translations/he/7-TimeSeries/2-ARIMA/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1c814013e10866dfd92cdb32caaae3ac",
"translation_date": "2025-09-05T19:02:05+00:00",
"source_file": "7-TimeSeries/2-ARIMA/assignment.md",
"language_code": "he"
}
-->
# מודל ARIMA חדש
## הוראות

9
translations/he/7-TimeSeries/2-ARIMA/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T19:02:50+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/7-TimeSeries/2-ARIMA/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T19:02:32+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/R/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/7-TimeSeries/3-SVR/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "482bccabe1df958496ea71a3667995cd",
"translation_date": "2025-09-05T19:07:29+00:00",
"source_file": "7-TimeSeries/3-SVR/README.md",
"language_code": "he"
}
-->
# חיזוי סדרות זמן עם Support Vector Regressor
בשיעור הקודם, למדת כיצד להשתמש במודל ARIMA כדי לבצע תחזיות של סדרות זמן. עכשיו תכיר את מודל Support Vector Regressor, שהוא מודל רגרסיה המשמש לחיזוי נתונים רציפים.

9
translations/he/7-TimeSeries/3-SVR/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "94aa2fc6154252ae30a3f3740299707a",
"translation_date": "2025-09-05T19:09:36+00:00",
"source_file": "7-TimeSeries/3-SVR/assignment.md",
"language_code": "he"
}
-->
# מודל SVR חדש
## הוראות [^1]

9
translations/he/7-TimeSeries/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
"translation_date": "2025-09-05T18:57:42+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "he"
}
-->
# מבוא לחיזוי סדרות זמן
מהו חיזוי סדרות זמן? מדובר בניבוי אירועים עתידיים על ידי ניתוח מגמות מהעבר.

9
translations/he/8-Reinforcement/1-QLearning/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "911efd5e595089000cb3c16fce1beab8",
"translation_date": "2025-09-05T20:12:27+00:00",
"source_file": "8-Reinforcement/1-QLearning/README.md",
"language_code": "he"
}
-->
# מבוא ללמידת חיזוק ולמידת Q
![סיכום למידת חיזוק בלמידת מכונה בסקצ'נוט](../../../../sketchnotes/ml-reinforcement.png)

9
translations/he/8-Reinforcement/1-QLearning/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-09-05T20:17:14+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "he"
}
-->
# עולם מציאותי יותר
במצב שלנו, פיטר הצליח לנוע כמעט בלי להתעייף או להרגיש רעב. בעולם מציאותי יותר, הוא צריך לשבת ולנוח מדי פעם, וגם להאכיל את עצמו. בואו נעשה את העולם שלנו מציאותי יותר, על ידי יישום הכללים הבאים:

9
translations/he/8-Reinforcement/1-QLearning/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:18:50+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/8-Reinforcement/1-QLearning/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:18:34+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/R/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/8-Reinforcement/2-Gym/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "107d5bb29da8a562e7ae72262d251a75",
"translation_date": "2025-09-05T20:19:54+00:00",
"source_file": "8-Reinforcement/2-Gym/README.md",
"language_code": "he"
}
-->
## דרישות מקדימות
בשיעור הזה נשתמש בספרייה בשם **OpenAI Gym** כדי לדמות **סביבות** שונות. ניתן להריץ את הקוד של השיעור הזה באופן מקומי (למשל, מ-Visual Studio Code), ובמקרה כזה הסימולציה תיפתח בחלון חדש. כאשר מריצים את הקוד אונליין, ייתכן שתצטרכו לבצע כמה התאמות בקוד, כפי שמתואר [כאן](https://towardsdatascience.com/rendering-openai-gym-envs-on-binder-and-google-colab-536f99391cc7).

9
translations/he/8-Reinforcement/2-Gym/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1f2b7441745eb52e25745423b247016b",
"translation_date": "2025-09-05T20:22:54+00:00",
"source_file": "8-Reinforcement/2-Gym/assignment.md",
"language_code": "he"
}
-->
# אימון מכונית הרים
[OpenAI Gym](http://gym.openai.com) תוכנן כך שכל הסביבות מספקות את אותו API - כלומר, אותן שיטות `reset`, `step` ו-`render`, ואותן הפשטות של **מרחב הפעולה** ו**מרחב התצפית**. לכן, אמור להיות אפשרי להתאים את אותם אלגוריתמים של למידת חיזוק לסביבות שונות עם שינויים מינימליים בקוד.

9
translations/he/8-Reinforcement/2-Gym/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T20:24:02+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/Julia/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/8-Reinforcement/2-Gym/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T20:23:44+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/R/README.md",
"language_code": "he"
}
-->
זהו מציין מקום זמני
---

9
translations/he/8-Reinforcement/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "20ca019012b1725de956681d036d8b18",
"translation_date": "2025-09-05T20:09:36+00:00",
"source_file": "8-Reinforcement/README.md",
"language_code": "he"
}
-->
# מבוא ללמידת חיזוק
למידת חיזוק, RL, נחשבת לאחת מהפרדיגמות הבסיסיות של למידת מכונה, לצד למידה מונחית ולמידה בלתי מונחית. RL עוסקת בקבלת החלטות: קבלת ההחלטות הנכונות או לפחות ללמוד מהן.

9
translations/he/9-Real-World/1-Applications/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "83320d6b6994909e35d830cebf214039",
"translation_date": "2025-09-05T19:21:54+00:00",
"source_file": "9-Real-World/1-Applications/README.md",
"language_code": "he"
}
-->
# פוסטסקריפט: למידת מכונה בעולם האמיתי
![סיכום של למידת מכונה בעולם האמיתי בסקצ'נוט](../../../../sketchnotes/ml-realworld.png)

9
translations/he/9-Real-World/1-Applications/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fdebfcd0a3f12c9e2b436ded1aa79885",
"translation_date": "2025-09-05T19:24:40+00:00",
"source_file": "9-Real-World/1-Applications/assignment.md",
"language_code": "he"
}
-->
# חיפוש אוצרות בלמידת מכונה
## הוראות

9
translations/he/9-Real-World/2-Debugging-ML-Models/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "df2b538e8fbb3e91cf0419ae2f858675",
"translation_date": "2025-09-05T19:25:51+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/README.md",
"language_code": "he"
}
-->
# פוסטסקריפט: איתור שגיאות במודלים של למידת מכונה באמצעות רכיבי לוח מחוונים של AI אחראי
## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ml/)

9
translations/he/9-Real-World/2-Debugging-ML-Models/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
"translation_date": "2025-09-05T19:29:20+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
"language_code": "he"
}
-->
# חקור את לוח המחוונים של AI אחראי (RAI)
## הוראות

9
translations/he/9-Real-World/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5e069a0ac02a9606a69946c2b3c574a9",
"translation_date": "2025-09-05T19:20:43+00:00",
"source_file": "9-Real-World/README.md",
"language_code": "he"
}
-->
# פוסטסקריפט: יישומים בעולם האמיתי של למידת מכונה קלאסית
בחלק זה של התוכנית, תיחשפו לכמה יישומים בעולם האמיתי של למידת מכונה קלאסית. חיפשנו ברחבי האינטרנט מאמרים ומחקרים על יישומים שהשתמשו באסטרטגיות אלו, תוך הימנעות מרשתות נוירונים, למידה עמוקה ובינה מלאכותית ככל האפשר. תלמדו כיצד למידת מכונה משמשת במערכות עסקיות, יישומים אקולוגיים, פיננסים, אמנות ותרבות, ועוד.

9
translations/he/AGENTS.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "93fdaa0fd38836e50c4793e2f2f25e8b",
"translation_date": "2025-10-03T11:12:21+00:00",
"source_file": "AGENTS.md",
"language_code": "he"
}
-->
# AGENTS.md
## סקירת הפרויקט

9
translations/he/CODE_OF_CONDUCT.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-09-05T18:36:46+00:00",
"source_file": "CODE_OF_CONDUCT.md",
"language_code": "he"
}
-->
# קוד ההתנהגות של קוד פתוח של מיקרוסופט
הפרויקט הזה אימץ את [קוד ההתנהגות של קוד פתוח של מיקרוסופט](https://opensource.microsoft.com/codeofconduct/).

9
translations/he/CONTRIBUTING.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "977ec5266dfd78ad1ce2bd8d46fccbda",
"translation_date": "2025-09-05T18:34:36+00:00",
"source_file": "CONTRIBUTING.md",
"language_code": "he"
}
-->
# תרומה
הפרויקט הזה מקבל בברכה תרומות והצעות. רוב התרומות דורשות ממך להסכים להסכם רישיון תורם (CLA) שמצהיר שיש לך את הזכות, ואתה אכן מעניק לנו את הזכויות להשתמש בתרומתך. לפרטים נוספים, בקר בכתובת https://cla.microsoft.com.

232
translations/he/README.md
Unescape View File

@ -1,207 +1,223 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "0a6f4476a4f3934a4aa47c1bf47158bc",
"translation_date": "2026-01-16T13:34:54+00:00",
"source_file": "README.md",
"language_code": "he"
}
-->
### 🌐 תמיכה ברב-לשוניות
#### נתמך באמצעות פעולה של GitHub (אוטומטית ותמיד מעודכנת)
[![רישיון GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[![תורמים ב-GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[![בעיות ב-GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[![בקשות משיכה ב-GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[![ברוכים הבאים לבקשות משיכה](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
[![עוקבים ב-GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[![פורקים ב-GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[![כוכבים ב-GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 תמיכה בריבוי שפות
#### נתמך באמצעות GitHub Action (אוטומטי ותמיד מעודכן)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[ערבית](../ar/README.md) | [בנגלית](../bn/README.md) | [בולגרית](../bg/README.md) | [בורמזית (מיאנמר)](../my/README.md) | [סינית (מפושטת)](../zh-CN/README.md) | [סינית (מסורתית, הונג קונג)](../zh-HK/README.md) | [סינית (מסורתית, מקאו)](../zh-MO/README.md) | [סינית (מסורתית, טייוואן)](../zh-TW/README.md) | [קרואטית](../hr/README.md) | [צ'כית](../cs/README.md) | [דנית](../da/README.md) | [הולנדית](../nl/README.md) | [אסטונית](../et/README.md) | [פינית](../fi/README.md) | [צרפתית](../fr/README.md) | [גרמנית](../de/README.md) | [יוונית](../el/README.md) | [עברית](./README.md) | [הינדי](../hi/README.md) | [הונגרית](../hu/README.md) | [אינדונזית](../id/README.md) | [איטלקית](../it/README.md) | [יפנית](../ja/README.md) | [קנדה](../kn/README.md) | [קוריאנית](../ko/README.md) | [ליטאית](../lt/README.md) | [מלאית](../ms/README.md) | [מלאלאית](../ml/README.md) | [מרטהית](../mr/README.md) | [נפאלית](../ne/README.md) | [פידג'ין ניגרי](../pcm/README.md) | [נורווגית](../no/README.md) | [פרסית (פרסי)](../fa/README.md) | [פולנית](../pl/README.md) | [פורטוגזית (ברזיל)](../pt-BR/README.md) | [פורטוגזית (פורטוגל)](../pt-PT/README.md) | [פנג'אבי (גורמוכי)](../pa/README.md) | [רומנית](../ro/README.md) | [רוסית](../ru/README.md) | [סרבית (קירילית)](../sr/README.md) | [סלובקית](../sk/README.md) | [סלובנית](../sl/README.md) | [ספרדית](../es/README.md) | [סווהילית](../sw/README.md) | [שוודית](../sv/README.md) | [טגלוג (פיליפינית)](../tl/README.md) | [טמילית](../ta/README.md) | [טלוגו](../te/README.md) | [תאית](../th/README.md) | [טורקית](../tr/README.md) | [אוקראינית](../uk/README.md) | [אורדו](../ur/README.md) | [ויטנאמית](../vi/README.md)
> **מעדיפים לשכפל מקומית?**
> מאגר זה כולל יותר מ-50 תרגומים בשפות שונות, מה שמגדיל משמעותית את גודל ההורדה. לשכפול ללא תרגומים, השתמשו בבחירת שכפול חלקית:
> מאגר זה כולל יותר מ-50 תרגומים בשפות שונות, מה שמגדיל משמעותית את גודל ההורדה. לשכפול ללא תרגומים, השתמשו ב-sparse checkout:
> ```bash
> 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'
> ```
> זה נותן לכם את כל מה שצריך כדי להשלים את הקורס במהירות הורדה גבוהה יותר.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
#### הצטרפו לקהילה שלנו
יש לנו סדרת לימוד ב-Discord בנושא AI, למדו עוד והצטרפו אלינו ב-[Learn with AI Series](https://aka.ms/learnwithai/discord) בין התאריכים 18 - 30 בספטמבר 2025. תקבלו טיפים וטריקים לשימוש ב-GitHub Copilot עבור מדעי הנתונים.
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
יש לנו סדרת Discord ללמידה עם AI מתמשכת, למדו עוד והצטרפו אלינו ב-[סדרת למידה עם AI](https://aka.ms/learnwithai/discord) מ-18 עד 30 בספטמבר 2025. תקבלו טיפים וטריקים לשימוש ב-GitHub Copilot למדע הנתונים.
![סדרת למידה עם AI](../../translated_images/he/3.9b58fd8d6c373c20.webp)
# למידת מכונה למתחילים - תוכנית לימודים
> 🌍 סיירו בעולם תוך כדי חקר למידת מכונה דרך תרבויות עולמיות 🌍
> 🌍 טוסו ברחבי העולם בעודנו חוקרים למידת מכונה דרך תרבויות העולם 🌍
סגל Cloud Advocates ב-Microsoft שמח להציע תוכנית לימודים של 12 שבועות, 26 שיעורים, הכוללת הכל על **למידת מכונה**. בתוכנית זו תלמדו על מה שלעיתים נקרא **למידת מכונה קלאסית**, תוך שימוש בעיקר בספריית Scikit-learn והימנעות מלמידה עמוקה, הנלמדת בתוכנית שלנו ל-[AI למתחילים](https://aka.ms/ai4beginners). שילבו את השיעורים האלו עם תוכנית ['מדעי הנתונים למתחילים'](https://aka.ms/ds4beginners) שלנו גם כן!
Advocates ענן במיקרוסופט מתרגשים להציע תוכנית של 12 שבועות, 26 שיעורים בנושא **למידת מכונה**. בתוכנית זו תלמדו על מה שלפעמים נקרא **למידת מכונה קלאסית**, תוך שימוש בעיקר ב-Scikit-learn כמח bibliothèque והימנעות מלמידה עמוקה, אשר מכוסה בתוכנית ה-[AI למתחילים שלנו](https://aka.ms/ai4beginners). שלבו שיעורים אלה עם תוכנית ['מדע הנתונים למתחילים'](https://aka.ms/ds4beginners), גם כן!
סיירו איתנו בעולם כשאנו מיישמים את הטכניקות הקלאסיות האלה על נתונים מאזורים שונים של העולם. כל שיעור כולל מבחני לפני ואחרי השיעור, הוראות כתובות להשלמת השיעור, פתרון, משימה ועוד. הפדגוגיה מבוססת הפרויקטים שלנו מאפשרת לכם ללמוד תוך כדי בנייה, שיטה מוכחת ללמידה יעילה.
טוסו איתנו ברחבי העולם כשאנו מיישמים את הטכניקות הקלאסיות הללו על נתונים מאזורים רבים בעולם. כל שיעור כולל בחני ידע לפני ואחרי השיעור, הוראות כתובות להשלמת השיעור, פתרון, מטלה ועוד. הפדגוגיה המבוססת על פרויקטים שלנו מאפשרת לך ללמוד תוך כדי בנייה, שיטה מוכחת להטמעת מיומנויות חדשות.
**✍️ תודה רבה למחברים שלנו** ג'ן לופר, סטיבן הוואל, פרנצ'סקה לזרי, טומומי אימורה, קאסי ברוויו, דמיטרי סושניקוב, כריס נורינג, אנירבן מיהרג'י, אורנלה אלתוניאן, רות יקובו ואיימי בויד
**✍️ תודה רבה למחברינו** ג'ן לופר, סטיבן האוול, פרנצ'סקה לזרי, טומומי אימורה, קאסי ברוויו, דמיטרי סושניקוב, כריס נורינג, אנירבן מוכהארג'י, אורנלה אלטוניאן, רות יקובו ואיימי בויד
**🎨 תודה גם לאיורים** טומומי אימורה, דאסאני מדיפאלי וג'ן לופר
**🎨 תודה גם לאנשי האיור** טומומי אימורה, דסאני מדיפאלי וג'ן לופר
**🙏 תודה מיוחדת 🙏 למחברי, הסוקרים ותורמי התוכן שגרירי הסטודנטים של מייקרוסופט**, במיוחד רישיט דגלי, מוחמד סאקיב חאן איאן, רוהן ראג', אלכסנדרו פטרסקו, אבישק ג'ייסוואל, נאורין טבאסם, יואן סאמיולה וסניגדה אגרוואל
**🙏 תודה מיוחדת 🙏 למחברי שגרירי סטודנטים מיקרוסופט, לסוקרים ולתורמים בתוכן**, במיוחד רישיט דגלי, מוחמד סאקיב חאן אינאן, רוהאן רג', אלכסנדרו פטרסקו, אבישק ג'איסוול, נאורין טבסם, יואן סאמויאלה, וסניגדה אגרוואל
**🤩 תודה מיוחדת נוספת לגרירי הסטודנטים של מייקרוסופט אריק וונג'או, ג'סלין סונדי ווידושי גופטה על שיעורי R שלנו!**
**🤩 תודה נוספת לשגרירי הסטודנטים מיקרוסופט אריק ונדגאו, ג'סלין סונדהי וידושי גופטה על שיעורי ה-R שלנו!**
# התחלה
עקבו אחרי השלבים האלה:
1. **שכפלו את המאגר**: לחצו על כפתור "Fork" בפינה הימנית העליונה של הדף.
עקבו אחרי השלבים הבאים:
1. **צרו פורק למאגר**: לחצו על כפתור "Fork" בפינה הימנית העליונה של דף זה.
2. **שכפלו את המאגר**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [מצאו את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [מצאו את כל המשאבים הנוספים עבור קורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **צריך עזרה?** בדקו את [מדריך פתרון הבעיות](TROUBLESHOOTING.md) שלנו לפתרונות לבעיות נפוצות בהתקנה, הגדרה והרצת שיעורים.
> 🔧 **זקוקים לעזרה?** בדקו את [מדריך פתרון הבעיות](TROUBLESHOOTING.md) שלנו לפתרונות לבעיות נפוצות בהתקנה, בהגדרה ובהפעלה של השיעורים.
**[סטודנטים](https://aka.ms/student-page)**, כדי להשתמש בתוכנית זו, שייכו את כל המאגר לחשבון GitHub שלכם והשלימו את התרגילים בעצמכם או בקבוצה:
**[סטודנטים](https://aka.ms/student-page)**, כדי להשתמש בתוכנית זו, צרו פורק מלא של המאגר לחשבון GitHub הפרטי שלכם והשלימו את התרגילים לבד או בקבוצה:
- התחילו במבחן פתיחת שיעור.
- התחילו עם מבחן חימום לפני ההרצאה.
- קראו את ההרצאה והשלימו את הפעילויות, עצרו והרהרו בכל בדיקת ידע.
- נסו ליצור את הפרויקטים באמצעות הבנת השיעורים במקום רק להריץ את קוד הפתרון; עם זאת הקוד זמין בתיקיות `/solution` בכל שיעור ממוקד-פרויקט.
- עברו את מבחן הסיום של השיעור.
- נסו ליצור את הפרויקטים על ידי הבנת השיעורים יותר מאשר על ידי הרצת קוד הפתרון; עם זאת, הקוד זמין בתיקיות `/solution` בכל שיעור ממוקד-פרויקט.
- עברו מבחן לאחר ההרצאה.
- השלימו את האתגר.
- השלימו את המטלה.
- לאחר השלמת קבוצת שיעורים, בקרו ב-[לוח הדיונים](https://github.com/microsoft/ML-For-Beginners/discussions) ו"למדו בקול" על ידי מילוי טופס PAT מתאים. PAT הוא כלי הערכה להתקדמות שנותן לכם למקד את הלמידה. תוכלו גם להגיב ל-PATים אחרים כדי ללמוד יחד.
- לאחר השלמת קבוצת שיעורים, בקרו ב-[לוח הדיון](https://github.com/microsoft/ML-For-Beginners/discussions) ו"למדו בקול" על ידי מילוי טופס PAT מתאים. 'PAT' הוא כלי הערכת התקדמות שהוא טופס שאתם ממלאים להעמקת הלמידה. ניתן גם להגיב ל-PATים אחרים כדי ללמוד יחד.
> ללמידה נוספת, מומלץ לעקוב אחר מודולות ונתיבי למידה של [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> ללימוד נוסף, אנו ממליצים לעקוב אחרי מודולים ודרכי למידה ב-[Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**מורים**, כללנו [הצעות](for-teachers.md) כיצד להשתמש בתוכנית זו.
---
## סרטוני הסבר
## סרטוני הסברים
חלק מהשיעורים זמינים כסרטונים קצרים. ניתן למצוא את כולם בקו ישר בתוך השיעורים, או ברשימת ההשמעה ML for Beginners בערוץ היוטיוב של מפתחי מיקרוסופט:
חלק מהשיעורים זמינים כסרטונים קצרים. ניתן למצוא את כולם בתוך השיעורים או ברשימת ההשמעה [ML for Beginners בערוץ Microsoft Developer ב-YouTube](https://aka.ms/ml-beginners-videos) על ידי לחיצה על התמונה למטה.
[![באנר ML למתחילים](../../translated_images/he/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
---
## הכירו את הצוות
> 🎥 לחצו על התמונה למעלה לסרטון על הפרויקט ועל היוצרים!
[![סרטון קידום](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU)
**גיף מאת** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
> 🎥 לחצו על התמונה למעלה לסרטון על הפרויקט והאנשים שיצרו אותו!
---
## פדגוגיה
בחרנו שני עקרונות פדגוגיים בבניית תוכנית הלימודים הזו: להבטיח שהיא פרקטית **מבוססת פרויקטים** וכוללת **מבחנים תכופים**. בנוסף, לתוכנית יש **נושא** משותף כדי להעניק לה עקביות.
בחרנו שני עקרונות פדגוגיים בעת בניית תוכנית הלימודים הזו: להבטיח שהיא מבוססת על פרויקטים מעשיים וכוללת מבחנים תכופים. בנוסף, לתוכנית זו יש **נושא משותף** כדי להקנות לה קוהרנטיות.
בהבטחת התאמת התוכן לפרויקטים, התהליך נעשה מרתק יותר עבור הסטודנטים ושימור המושגים יוגבר. בנוסף, מבחן בעל סיכון נמוך לפני הכיתה מגדיר את כוונת הלמידה של הסטודנט, בעוד שמבחן לאחר הלימוד מבטיח שמירת ידע נוספת. תוכנית זו תוכננה להיות גמישה ומהנה וניתן לקחת אותה בשלמות או בחלקים. הפרויקטים מתחילים קטנים והופכים למורכבים יותר לקראת סוף מחזור של 12 השבועות. לתוכנית זו יש גם נספח על יישומים אמיתיים של למידת מכונה, שאפשר להשתמש בהם כהערכה נוספת או כבסיס לדיון.
על ידי התאמת התוכן לפרויקטים, התהליך הופך למרתק יותר עבור הסטודנטים ותחזוקת המושגים תשתפר. בנוסף, מבחן ללא סיכון לפני השיעור מגדיר את כוונת הסטודנט ללמוד נושא, בעוד שמבחן נוסף לאחר השיעור מוודא שמירת ידע נוספת. תוכנית הלימודים הזו עוצבה להיות גמישה ומהנה וניתן לעשותה במלואה או בחלקה. הפרויקטים מתחילים קטנים והופכים מורכבים יותר לקראת סוף מחזור 12 השבועות. תוכנית זו כוללת גם נספח על יישומים בעולם האמיתי של למידת מכונה, שניתן להשתמש בו כנקודות נוספות או כבסיס לדיון.
> מצאו את [קוד ההתנהגות](CODE_OF_CONDUCT.md), [הנחיות לתרומה](CONTRIBUTING.md), [תרגום](TRANSLATIONS.md) ו-[מדריך פתרון בעיות](TROUBLESHOOTING.md). נשמח למשוב בונה שלכם!
> מצאו את [קוד ההתנהגות שלנו](CODE_OF_CONDUCT.md), [הנחיות לתרומה](CONTRIBUTING.md), [תרגום](TRANSLATIONS.md) ו-[פתרון בעיות](TROUBLESHOOTING.md). נשמח לקבל את המשוב הבונה שלכם!
## כל שיעור כולל
- איור סקיצי אופציונלי
- סרטון משלים אופציונלי
- סרטון הסבר (חלק מהשיעורים בלבד)
- [מבחן חימום לפני השיעור](https://ff-quizzes.netlify.app/en/ml/)
- שרטוט אופציונלי
- וידאו משלים אופציונלי
- סרטון הסבר (רק בחלק מהשיעורים)
- [מבחן חימום לפני ההרצאה](https://ff-quizzes.netlify.app/en/ml/)
- שיעור כתוב
- לשיעורי פרויקט: מדריכים שלב-אחר-שלב לבניית הפרויקט
- בשיעורים מבוססי פרויקטים, מדריכים שלב-אחר-שלב לבניית הפרויקט
- בדיקות ידע
- אתגר
- קריאה נוספת
- קריאה משלימה
- מטלה
- [מבחן סיום השיעור](https://ff-quizzes.netlify.app/en/ml/)
> **הערה לגבי שפות**: רוב השיעורים כתובים בפייתון, אך רבים מהם זמינים גם ב-R. כדי להשלים שיעור ב-R, עברו לתיקיית `/solution` וחפשו שיעורי R. הם כוללים סיומת .rmd המייצגת קובץ **R Markdown** שניתן להגדיר בפשטות כהטמעת `בלוקים של קוד` (של R או שפות אחרות) ו`כותרת YAML` (שמנחה כיצד לעצב פלטים כגון PDF) במסמך `Markdown`. לפיכך, זה מסגרת יוצרת דוגמה עבור מדעי הנתונים כי היא מאפשרת לשלב את הקוד שלכם, הפלט, והמחשבות על ידי כתיבתן ב-Markdown. יתרה מזאת, מסמכי R Markdown יכולים להיות מיוצאים לפורמטים כמו PDF, HTML או Word.
> **הערה לגבי מבחנים**: כל המבחנים נמצאים בתיקיית [Quiz App](../../quiz-app), הכוללת סך של 52 מבחנים, כל אחד עם שלוש שאלות. הם מקושרים מתוך השיעורים, אך אפליקציית המבחנים יכולה לפעול מקומית; עקבו אחר ההוראות בתיקיית `quiz-app` לארח מקומית או לפרוס ב-Azure.
| מספר שיעור | נושא | קיבוץ שיעור | מטרות הלמידה | שיעור מקושר | מחבר |
| :--------: | :-----------------------------------------------------------: | :---------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------: | :----------------------------------------------: |
| 01 | מבוא ללמידת מכונה | [Introduction](1-Introduction/README.md) | למדו את ההבנות הבסיסיות מאחורי למידת מכונה | [שיעור](1-Introduction/1-intro-to-ML/README.md) | מוחמד |
| 02 | ההיסטוריה של למידת מכונה | [Introduction](1-Introduction/README.md) | למדו את ההיסטוריה שמאחורי התחום | [שיעור](1-Introduction/2-history-of-ML/README.md) | ג'ן ואיימי |
| 03 | הוגנות ולמידת מכונה | [Introduction](1-Introduction/README.md) | מהם הסוגיות הפילוסופיות החשובות סביב הוגנות שסטודנטים צריכים לקחת בחשבון כשבונים ומיישמים מודלים של למידת מכונה? | [שיעור](1-Introduction/3-fairness/README.md) | טומומי |
| 04 | טכניקות של למידת מכונה | [Introduction](1-Introduction/README.md) | אילו טכניקות משתמשים בהם חוקרי למידת מכונה לבניית מודלים? | [שיעור](1-Introduction/4-techniques-of-ML/README.md) | כריס וג'ן |
| 05 | מבוא לרגרסיה | [Regression](2-Regression/README.md) | התחילו עם פייתון ו-Scikit-learn למודלי רגרסיה | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ג'ן • אריק וואנג'או |
| 06 | מחירי דלועים בצפון אמריקה 🎃 | [Regression](2-Regression/README.md) | חזות ולטש נתונים כהכנה ללמידת מכונה | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ג'ן • אריק ואנג'או |
| 07 | מחירי דלועים בצפון אמריקה 🎃 | [Regression](2-Regression/README.md) | בניית מודלי רגרסיה ליניארית ופולינומית | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ג'ן ודמיטרי • אריק ואנג'או |
| 08 | מחירי דלועים בצפון אמריקה 🎃 | [Regression](2-Regression/README.md) | בניית מודל רגרסיה לוגיסטית | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ג'ן • אריק ואנג'או |
| 09 | אפליקציית ווב 🔌 | [Web App](3-Web-App/README.md) | בניית אפליקציית ווב לשימוש במודל שסיימתם לאמן | [Python](3-Web-App/1-Web-App/README.md) | ג'ן |
| 10 | מבוא לסיווג | [Classification](4-Classification/README.md) | ניקוי, הכנה והצגת הנתונים שלכם; מבוא לסיווג | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ג'ן וקסי • אריק ואנג'או |
| 11 | מטעמים אסייתיים והודים טעימים 🍜 | [Classification](4-Classification/README.md) | מבוא לממיינים | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ג'ן וקסי • אריק ואנג'או |
| 12 | מטעמים אסייתיים והודים טעימים 🍜 | [Classification](4-Classification/README.md) | עוד ממיינים | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ג'ן וקסי • אריק ואנג'או |
| 13 | מטעמים אסייתיים והודים טעימים 🍜 | [Classification](4-Classification/README.md) | בניית אפליקציית ווב להמלצה באמצעות המודל שלכם | [Python](4-Classification/4-Applied/README.md) | ג'ן |
| 14 | מבוא לאשכולות | [Clustering](5-Clustering/README.md) | ניקוי, הכנה והצגת הנתונים שלכם; מבוא לאשכולות | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ג'ן • אריק ואנג'או |
| 15 | חקר הטעמים המוזיקליים של ניגריה 🎧 | [Clustering](5-Clustering/README.md) | חקרו את שיטת אשכולות K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ג'ן • אריק ואנג'או |
| 16 | מבוא לעיבוד שפה טבעית ☕️ | [Natural language processing](6-NLP/README.md) | למדו את הבסיס של עיבוד שפה טבעית דרך בניית בוט פשוט | [Python](6-NLP/1-Introduction-to-NLP/README.md) | סטיבן |
| 17 | משימות נפוצות ב-NLP ☕️ | [Natural language processing](6-NLP/README.md) | העמיקו את הידע שלכם ב-NLP על ידי הבנת המשימות השונות הנדרשות כשמתמודדים עם מבני שפה | [Python](6-NLP/2-Tasks/README.md) | סטיבן |
| 18 | תרגום וניתוח רגשות ♥️ | [Natural language processing](6-NLP/README.md) | תרגום וניתוח רגשות עם ג'יין אוסטן | [Python](6-NLP/3-Translation-Sentiment/README.md) | סטיבן |
| 19 | בתי מלון רומנטיים באירופה ♥️ | [Natural language processing](6-NLP/README.md) | ניתוח רגשות עם ביקורות על בתי מלון 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | סטיבן |
| 20 | בתי מלון רומנטיים באירופה ♥️ | [Natural language processing](6-NLP/README.md) | ניתוח רגשות עם ביקורות על בתי מלון 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | סטיבן |
| 21 | מבוא לחיזוי סדרות זמן | [Time series](7-TimeSeries/README.md) | מבוא לחיזוי סדרות זמן | [Python](7-TimeSeries/1-Introduction/README.md) | פרנצ'סקה |
| 22 | ⚡️ שימוש חשמל עולמי ⚡️ - חיזוי סדרות זמן עם ARIMA | [Time series](7-TimeSeries/README.md) | חיזוי סדרות זמן עם ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | פרנצ'סקה |
| 23 | ⚡️ שימוש חשמל עולמי ⚡️ - חיזוי סדרות זמן עם SVR | [Time series](7-TimeSeries/README.md) | חיזוי סדרות זמן עם מכונת וקטור תמיכה (Support Vector Regressor) | [Python](7-TimeSeries/3-SVR/README.md) | אנירבן |
| 24 | מבוא ללמידה מחוזקת | [Reinforcement learning](8-Reinforcement/README.md) | מבוא ללמידה מחוזקת עם Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | דמיטרי |
| 25 | עזרו לפיטר להימנע מהזאב! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | למידת תגמול ב-Gym | [Python](8-Reinforcement/2-Gym/README.md) | דמיטרי |
| פוסטסקריפט | תרחישים ויישומים של למידת מכונה בעולם האמיתי | [ML in the Wild](9-Real-World/README.md) | יישומים מעניינים וחושפים של למידת מכונה קלאסית | [שיעור](9-Real-World/1-Applications/README.md) | צוות |
| פוסטסקריפט | איתור תקלות במודלים של למידת מכונה באמצעות לוח בקרה RAI | [ML in the Wild](9-Real-World/README.md) | איתור תקלות במודלים של למידת מכונה באמצעות רכיבי לוח הבקרה האחריותית | [שיעור](9-Real-World/2-Debugging-ML-Models/README.md) | רות יקובו |
> [מצאו את כל המשאבים הנוספים עבור הקורס הזה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [מבחן לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ml/)
> **הערה על שפות**: שיעורים אלה כתובים בעיקר בפייתון, אך רבים זמינים גם ב-R. כדי להשלים שיעור R, כנסו לתיקיית `/solution` וחפשו שיעורי R. הם כוללים סיומת .rmd המייצגת קובץ **R Markdown** שמהווה במובן פשוט שילוב של `חלקי קוד` (של R או שפות אחרות) ו-`כותרת YAML` (המנחה כיצד לעצב פלטים כמו PDF) במסמך `Markdown`. ככזה, הוא משמש כמסגרת מחברת דוגמה למדעי המחשב כי הוא מאפשר לשלב את הקוד שלך, הפלט שלו, והמחשבות שלך על ידי כתיבתן ב-Markdown. בנוסף, ניתן להמיר מסמכי R Markdown לפורמטים שונים כגון PDF, HTML או Word.
> **הערה לגבי מבחנים**: כל המבחנים נמצאים בתיקיית [Quiz App folder](../../quiz-app), הכוללת בסך הכל 52 מבחנים עם שלוש שאלות כל אחד. הם מקושרים מתוך השיעורים אך ניתן להריץ את אפליקציית המבחנים מקומית; עקבו אחרי ההוראות שבתיקיית `quiz-app` כדי לארח או לפרוס מקומית או על Azure.
| מספר השיעור | נושא | קיבוץ שיעורים | מטרות הלמידה | שיעור מקושר | מחבר |
| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
| 01 | מבוא ללמידת מכונה | [מבוא](1-Introduction/README.md) | למדו את המושגים הבסיסיים שמאחורי למידת מכונה | [שיעור](1-Introduction/1-intro-to-ML/README.md) | מוחמד |
| 02 | היסטוריית למידת מכונה | [מבוא](1-Introduction/README.md) | למדו את ההיסטוריה שעומדת בבסיס התחום | [שיעור](1-Introduction/2-history-of-ML/README.md) | ג'ן ואיימי |
| 03 | הוגנות ולמידת מכונה | [מבוא](1-Introduction/README.md) | מהם הנושאים הפילוסופיים החשובים סביב הוגנות שסטודנטים צריכים לשקול בעת בניה ויישום של מודלים ללמידת מכונה? | [שיעור](1-Introduction/3-fairness/README.md) | טומומי |
| 04 | טכניקות ללמידת מכונה | [מבוא](1-Introduction/README.md) | אילו טכניקות חוקרי למידת מכונה משתמשים כדי לבנות מודלים? | [שיעור](1-Introduction/4-techniques-of-ML/README.md) | כריס וג'ן |
| 05 | מבוא לרגרסיה | [רגרסיה](2-Regression/README.md) | התחילו עם Python ו-Scikit-learn למודלי רגרסיה | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ג'ן • אריק וanjau |
| 06 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | ראו וויזואלית ונקו נתונים כהכנה ללמידת מכונה | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ג'ן • אריק וanjau |
| 07 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | בנו מודלים של רגרסיה לינארית ופולינומית | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ג'ן ודמיטרי • אריק וanjau |
| 08 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | בנו מודל רגרסיה לוגיסטית | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ג'ן • אריק וanjau |
| 09 | אפליקציית ווב 🔌 | [אפליקציית ווב](3-Web-App/README.md) | בנו אפליקציית ווב לשימוש במודל שאומן | [Python](3-Web-App/1-Web-App/README.md) | ג'ן |
| 10 | מבוא לסיווג | [סיווג](4-Classification/README.md) | נקה, הכין, והצג את הנתונים שלך; מבוא לסיווג | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ג'ן וקסי • אריק וanjau |
| 11 | מטבחים אסייתיים והודים טעימים 🍜 | [סיווג](4-Classification/README.md) | מבוא לממיינים | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ג'ן וקסי • אריק וanjau |
| 12 | מטבחים אסייתיים והודים טעימים 🍜 | [סיווג](4-Classification/README.md) | עוד ממיינים | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ג'ן וקסי • אריק וanjau |
| 13 | מטבחים אסייתיים והודים טעימים 🍜 | [סיווג](4-Classification/README.md) | בנו אפליקציית ווב להמלצות תוך שימוש במודל שלכם | [Python](4-Classification/4-Applied/README.md) | ג'ן |
| 14 | מבוא לקיבוץ | [קיבוץ](5-Clustering/README.md) | נקה, הכין, והצג את הנתונים שלך; מבוא לקיבוץ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ג'ן • אריק וanjau |
| 15 | חקר טעמי מוזיקה ניגרית 🎧 | [קיבוץ](5-Clustering/README.md) | חקור את שיטת קיבוץ K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ג'ן • אריק וanjau |
| 16 | מבוא לעיבוד שפה טבעית ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | למדו את היסודות על NLP על ידי בניית בוט פשוט | [Python](6-NLP/1-Introduction-to-NLP/README.md) | סטיבן |
| 17 | משימות NLP נפוצות ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | העמיקו את הידע ב-NLP על ידי הבנת משימות נפוצות הנדרשות לעבודה עם מבני שפה | [Python](6-NLP/2-Tasks/README.md) | סטיבן |
| 18 | תרגום וניתוח סנטימנט ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | תרגום וניתוח סנטימנט עם ג'יין אוסטן | [Python](6-NLP/3-Translation-Sentiment/README.md) | סטיבן |
| 19 | בתי מלון רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח סנטימנט עם ביקורות על בתי מלון 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | סטיבן |
| 20 | בתי מלון רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח סנטימנט עם ביקורות על בתי מלון 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | סטיבן |
| 21 | מבוא לחיזוי סדרות זמן | [סדרות זמן](7-TimeSeries/README.md) | מבוא לחיזוי סדרות זמן | [Python](7-TimeSeries/1-Introduction/README.md) | פראנססקה |
| 22 | ⚡️ שימוש חשמל עולמי ⚡️ - חיזוי סדרות זמן עם ARIMA | [סדרות זמן](7-TimeSeries/README.md) | חיזוי סדרות זמן עם ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | פראנססקה |
| 23 | ⚡️ שימוש חשמל עולמי ⚡️ - חיזוי סדרות זמן עם SVR | [סדרות זמן](7-TimeSeries/README.md) | חיזוי סדרות זמן עם רגראסור וקטור תמיכה | [Python](7-TimeSeries/3-SVR/README.md) | אנירבן |
| 24 | מבוא ללמידת חיזוק | [למידת חיזוק](8-Reinforcement/README.md) | מבוא ללמידת חיזוק עם Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | דמיטרי |
| 25 | עזרו לפיטר להימנע מהזאב! 🐺 | [למידת חיזוק](8-Reinforcement/README.md) | למידת חיזוק עם Gym | [Python](8-Reinforcement/2-Gym/README.md) | דמיטרי |
| נספח | תרחישים ויישומים של למידת מכונה בעולם האמיתי | [למידת מכונה בשטח](9-Real-World/README.md) | יישומים מעניינים וחושפניים של למידת מכונה קלאסית | [שיעור](9-Real-World/1-Applications/README.md) | צוות |
| נספח | איתור תקלות במודלים של למידת מכונה עם לוח בקרה של RAI | [למידת מכונה בשטח](9-Real-World/README.md) | איתור תקלות במודלים של למידת מכונה באמצעות רכיבי לוח הבקרה של Responsible AI | [שיעור](9-Real-World/2-Debugging-ML-Models/README.md) | רות יקובו |
> [מצאו את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## גישה לא מקוונת
אתם יכולים להפעיל תיעוד זה ללא חיבור אינטרנט על ידי שימוש ב-[Docsify](https://docsify.js.org/#/). עשו Fork לרפוזיטורי הזה, [התקינו Docsify](https://docsify.js.org/#/quickstart) במחשב המקומי שלכם, ואז בתיקיית השורש של הרפוזיטורי כתבו `docsify serve`. האתר יהיה זמין בכתובת localhost בפורט 3000: `localhost:3000`.
ניתן להפעיל תיעוד זה לא מקוון באמצעות [Docsify](https://docsify.js.org/#/). עשו פורק למאגר זה, [התקינו Docsify](https://docsify.js.org/#/quickstart) במחשב המקומי שלכם, ואז בתיקיית השורש של המאגר, הקלידו `docsify serve`. האתר יופעל על פורט 3000 בכתובת localhost: `localhost:3000`.
## קבצי PDF
מצאו קובץ PDF של תוכנית הלימודים עם קישורים [כאן](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
מצאו קובץ pdf של תוכנית הלימודים עם קישורים [כאן](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 קורסים נוספים
## 🎒 קורסים נוספים
הצוות שלנו מייצר קורסים נוספים! בדקו:
צוותנו מייצר קורסים נוספים! בדקו:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[![LangChain4j למתחילים](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
[![LangChain.js למתחילים](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / סוכנים
[![AZD למתחילים](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Edge AI למתחילים](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![MCP למתחילים](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[![סוכני AI למתחילים](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generative AI Series
[![בינה מלאכותית יוצרת למתחילים](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![בינה מלאכותית יוצרת (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![בינה מלאכותית יוצרת (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[![בינה מלאכותית יוצרת (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### סדרת AI יצירתית
[![אינטליגנציה מלאכותית יוצרת למתחילים](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![אינטליגנציה מלאכותית יוצרת (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![אינטליגנציה מלאכותית יוצרת (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[![אינטליגנציה מלאכותית יוצרת (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### למידה מרכזית
### למידה בסיסית
[![למידת מכונה למתחילים](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![מדעי הנתונים למתחילים](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![בינה מלאכותית למתחילים](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[![סייברסקיוריטי למתחילים](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[![אינטליגנציה מלאכותית למתחילים](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[![אבטחת סייבר למתחילים](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[![פיתוח ווב למתחילים](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[![אינטרנט של הדברים למתחילים](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[![פיתוח מציאות מורחבת למתחילים](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[![אינטרנט של חפצים למתחילים](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[![פיתוח XR למתחילים](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### סדרת Copilot
[![Copilot לתכנות במשותף עם AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot לתכנות בשותפות עם AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot ל-C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![הרפתקת Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
[![הרפתקאות Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## קבלת עזרה
## לקבלת עזרה
אם אתה נתקע או יש לך שאלות לגבי בניית אפליקציות בינה מלאכותית. הצטרף ללומדים אחרים ומפתחים מנוסים לדיונים על MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה והידע משותף בשפע.
אם אתה נתקע או יש לך שאלות בנוגע לבניית אפליקציות AI, הצטרף ללומדים אחרים ולמפתחים מנוסים בדיונים על MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה והידע משותף בחופשיות.
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
אם יש לך משוב על מוצר או שגיאות במהלך הבנייה בקר ב:
אם יש לך משוב על מוצר או שגיאות במהלך הבנייה, בקר:
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
[![פורום מפתחים Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**הנחיה משפטית**:
מסמך זה תורגם באמצעות שירות תרגום בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש להבין כי תרגומים אוטומטיים עלולים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית יש להיחשב כמקור הסמכותי. למידע קריטי מומלץ להשתמש בתרגום מקצועי בידי אדם. אנו לא נישא באחריות לכל אי הבנה או פרשנות שגויה הנובעים משימוש בתרגום זה.
**כתב ויתור**:
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדייק, אנא שימו לב כי תרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. המסמך המקורי בשפת המקור שלו חייב להיחשב כמקור סמכותי. עבור מידע קריטי מומלץ להשתמש בתרגום מקצועי אנושי. אנו לא אחראים לכל אי-הבנה או פרשנות שגויה הנובעת משימוש בתרגום זה.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

9
translations/he/SECURITY.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5e1b8da31aae9cca3d53ad243fa3365a",
"translation_date": "2025-09-05T18:35:13+00:00",
"source_file": "SECURITY.md",
"language_code": "he"
}
-->
## אבטחה
מיקרוסופט מתייחסת ברצינות לאבטחת מוצרי התוכנה והשירותים שלה, כולל כל מאגרי הקוד המקוריים המנוהלים דרך הארגונים שלנו ב-GitHub, הכוללים [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), ו-[ארגוני GitHub שלנו](https://opensource.microsoft.com/).

9
translations/he/SUPPORT.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "09623d7343ff1c26ff4f198c1b2d3176",
"translation_date": "2025-10-03T12:13:05+00:00",
"source_file": "SUPPORT.md",
"language_code": "he"
}
-->
# תמיכה
## כיצד להגיש בעיות ולקבל עזרה

9
translations/he/TROUBLESHOOTING.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "134d8759f0e2ab886e9aa4f62362c201",
"translation_date": "2025-10-03T12:49:46+00:00",
"source_file": "TROUBLESHOOTING.md",
"language_code": "he"
}
-->
# מדריך לפתרון תקלות
מדריך זה יעזור לכם לפתור בעיות נפוצות בעת עבודה עם תכנית הלימודים של "למידת מכונה למתחילים". אם לא מצאתם פתרון כאן, אנא בדקו את [דיוני הדיסקורד](https://aka.ms/foundry/discord) או [פתחו בעיה](https://github.com/microsoft/ML-For-Beginners/issues).

9
translations/he/docs/_sidebar.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68dd06c685f6ce840e0acfa313352e7c",
"translation_date": "2025-09-05T19:19:54+00:00",
"source_file": "docs/_sidebar.md",
"language_code": "he"
}
-->
- מבוא
- [מבוא ללמידת מכונה](../1-Introduction/1-intro-to-ML/README.md)
- [היסטוריה של למידת מכונה](../1-Introduction/2-history-of-ML/README.md)

9
translations/he/for-teachers.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
"translation_date": "2025-09-05T18:36:08+00:00",
"source_file": "for-teachers.md",
"language_code": "he"
}
-->
## למורים
האם תרצו להשתמש בתוכנית הלימודים הזו בכיתה שלכם? אתם מוזמנים לעשות זאת!

9
translations/he/quiz-app/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6d130dffca5db70d7e615f926cb1ad4c",
"translation_date": "2025-09-05T19:47:28+00:00",
"source_file": "quiz-app/README.md",
"language_code": "he"
}
-->
# חידונים
החידונים האלה הם חידוני טרום ואחרי הרצאה עבור תוכנית הלימודים של למידת מכונה בכתובת https://aka.ms/ml-beginners

9
translations/he/sketchnotes/LICENSE.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"translation_date": "2025-09-05T20:03:57+00:00",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "he"
}
-->
זכויות, אז אתה לא יכול להטיל מגבלות על מימוש הזכויות המוענקות תחת רישיון המותאם שאתה מיישם.
סעיף 4 -- זכויות בסיס נתונים ייחודיות.

9
translations/he/sketchnotes/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a88d5918c1b9da69a40d917a0840c497",
"translation_date": "2025-09-05T20:01:14+00:00",
"source_file": "sketchnotes/README.md",
"language_code": "he"
}
-->
כל הסקצ'נוטים של תכנית הלימודים זמינים להורדה כאן.
🖨 להדפסה באיכות גבוהה, גרסאות TIFF זמינות ב-[מאגר הזה](https://github.com/girliemac/a-picture-is-worth-a-1000-words/tree/main/ml/tiff).

Some files were not shown because too many files have changed in this diff Show More

Write Preview
Loading…
Cancel
Save