localizeflow[bot]
c9012568e4
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
מבוא ללמידת מכונה
מבחן לפני ההרצאה
🎥 לחצו על התמונה למעלה לצפייה בסרטון קצר שעובר על השיעור הזה.
ברוכים הבאים לקורס זה על למידת מכונה קלאסית למתחילים! בין אם אתם חדשים לגמרי בנושא זה, או מומחי ML מנוסים שמעוניינים לרענן ידע בתחום, אנחנו שמחים שאתם מצטרפים אלינו! אנחנו רוצים ליצור נקודת פתיחה ידידותית ללימוד ה-ML שלכם ונשמח להעריך, להגיב ולשלב את ה-משוב שלכם.
🎥 לחצו על התמונה למעלה לסרטון: ג'ון גוטטאג מ-MIT מציג את למידת המכונה
התחלת העבודה עם למידת מכונה
לפני שמתחילים עם תכנית הלימודים הזו, יש צורך להכין את המחשב שלכם ולהיות מוכנים להריץ מחברות (notebooks) באופן מקומי.
- הגדירו את המכשיר שלכם עם הסרטונים האלה. השתמשו בקישורים הבאים כדי ללמוד איך להתקין Python במערכת שלכם ו-להגדיר עורך טקסט לפיתוח.
- למדו Python. מומלץ גם להבין ביסודיות את שפת Python, שפת תכנות שימושית למדעני נתונים שאנחנו משתמשים בה בקורס הזה.
- למדו Node.js ו-JavaScript. אנחנו גם משתמשים ב-JavaScript כמה פעמים בקורס הזה כשבונים אפליקציות ווב, לכן תצטרכו שיהיו מותקנים אצלכם node ו-npm, וכן שתהיה לכם גישה ל-Visual Studio Code לשימוש בפיתוח Python ו-JavaScript.
- צרו חשבון GitHub. מכיוון שמצאתם אותנו כאן ב-GitHub, ייתכן שכבר יש לכם חשבון, אך אם לא, צרו אחד ואז עשו fork לתכנית הלימודים הזו לשימושכם האישי. (אתם גם מוזמנים לתת לנו כוכב, 😊)
- הכירו את Scikit-learn. היכונו עם Scikit-learn, סדרת ספריות ML שאנחנו מתייחסים אליהן בשיעורים האלו.
מהי למידת מכונה?
המונח 'למידת מכונה' הוא אחד מהמונחים הפופולריים והשימושיים ביותר כיום. קיים סיכוי גבוה ששמעתם את המונח הזה לפחות פעם אחת אם יש לכם היכרות כלשהי עם טכנולוגיה, לא משנה באיזה תחום אתם עובדים. המכניקה של למידת המכונה, עם זאת, היא תעלומה לרוב האנשים. עבור מתחיל בלמידת מכונה, הנושא יכול לפעמים להיראות מכריע. לכן, חשוב להבין מהי למידת מכונה בפועל, וללמוד עליה שלב אחרי שלב, דרך דוגמאות מעשיות.
עקומת הבאז
Google Trends מראה את 'עקומת הבאז' האחרונה של המונח 'למידת מכונה'
יקום מסתורי
אנחנו חיים ביקום מלא תעלומות מרתקות. מדענים גדולים כמו סטיבן הוקינג, אלברט איינשטיין ועוד רבים הקדישו את חייהם לחיפוש אחר מידע משמעותי שמגלה את תעלומות העולם שסביבנו. זו היא מציאות הלמידה האנושית: ילד לומד דברים חדשים וחושף את מבנה עולמו שנה אחרי שנה כשהוא גדל לבגרות.
מוחו של הילד
מוחו וחושיו של הילד תופסים את עובדות סביבתו ולומדים בהדרגה את הדפוסים הנסתרים של החיים שמאפשרים לילד לגבש חוקים לוגיים לזיהוי דפוסים שנלמדו. תהליך הלמידה של המוח האנושי עושה את האדם ליצור חי מורכב ביותר בעולם הזה. למידה מתמשכת בגילוי דפוסים נסתרים ואז חידוש על בסיסם מאפשרת לנו להשתפר כל הזמן לאורך חיי האדם. יכולת למידה זו והיכולת המתפתחת קשורה למושג הנקרא פלסטיות מוחית. למבט חיצוני, ניתן למצוא כמה דמיון מוטיבציוני בין תהליך הלמידה של המוח האנושי לבין המושגים של למידת מכונה.
מוח האדם
ה-מוח האנושי תופס דברים מהעולם האמיתי, מעבד את המידע הנתפס, מקבל החלטות הגיוניות, ומבצע פעולות מסוימות בהתאם לנסיבות. זה מה שאנחנו קוראים התנהגות אינטיליגנטית. כאשר אנו מתכנתים מכונה כך שתחקה את תהליך קבלת ההחלטות החכם, זה נקרא אינטליגנציה מלאכותית (AI).
כמה מונחים
אף שהמונחים עלולים לבלבל, למידת מכונה (ML) היא תת-קבוצה חשובה של אינטליגנציה מלאכותית. למידת מכונה מתמקדת בשימוש באלגוריתמים מיוחדים לחשוף מידע משמעותי ולמצוא דפוסים נסתרים מהנתונים הנתפסים על מנת לאמת את תהליך קבלת ההחלטות ההגיוני.
AI, ML, למידה עמוקה
דיאגרמה המציגה את היחסים בין AI, ML, למידה עמוקה ומדעי הנתונים. אינפוגרפיקה של Jen Looper בהשראת גרפיקה זו
מושגים לכיסוי
בתכנית הלימודים הזו, נעסוק רק במושגי היסוד של למידת מכונה שמתחיל חייב לדעת. נעסוק במה שאנו קוראים 'למידת מכונה קלאסית' בעיקר תוך שימוש ב-Scikit-learn, ספרייה מצוינת שרוב התלמידים משתמשים בה ללמידת היסודות. כדי להבין מושגים רחבים יותר של אינטליגנציה מלאכותית או למידה עמוקה, ידע יסודי חזק בלמידת מכונה הוא חיוני, ולכן אנו רוצים להציע אותו כאן.
בקורס זה תלמדו:
- מושגי יסוד של למידת מכונה
- ההיסטוריה של ML
- ML והוגנות
- טכניקות רגרסיה ב-ML
- טכניקות סיווג ב-ML
- טכניקות אשכולות ב-ML
- טכניקות עיבוד שפה טבעית ב-ML
- טכניקות חיזוי סדרות זמן ב-ML
- למידה עם חיזוק
- יישומים מעשיים של ML
מה לא נלמד
- למידה עמוקה
- רשתות עצביות
- אינטליגנציה מלאכותית
כדי להבטיח חווית למידה טובה יותר, נמנע מהמורכבויות של רשתות עצביות, 'למידה עמוקה' - בניית מודלים רב-שכבתית באמצעות רשתות עצביות - ו-AI, אשר נעסוק בהם בתכנית לימודים נפרדת. כמו כן, נציע בעתיד תכנית לימודים במדעי הנתונים שתתמקד בהיבט זה של התחום הרחב הזה.
למה ללמוד למידת מכונה?
למידת מכונה, מנקודת מבט מערכתית, מוגדרת כיצירת מערכות אוטומטיות שיכולות ללמוד דפוסים נסתרים מהנתונים על מנת לסייע בקבלת החלטות חכמות.
המוטיבציה הזו בהשראת האופן שבו המוח האנושי לומד דברים מסוימים בהתבסס על הנתונים שהוא תופס מהעולם החיצוני.
✅ חשבו לרגע למה עסק היה רוצה לנסות להשתמש באסטרטגיות למידת מכונה לעומת יצירת מנגנון מבוסס חוקים מפורשים.
למה איכות הנתונים חשובה
נתונים איכותיים גבוהים משפרים את ביצועי המודל. נתונים גרועים או רועשים עלולים להוביל לניבויים לא מדויקים, אפילו כשמשתמשים באלגוריתמי למידת מכונה מתקדמים.
יישומים של למידת מכונה
יישומי למידת מכונה נמצאים כיום כמעט בכל מקום, והם נפוצים כמו הנתונים הזורמים בחברות שלנו, הנוצרים על ידי הטלפונים החכמים שלנו, מכשירים מחוברים ומערכות אחרות. בהתחשב בפוטנציאל העצום של אלגוריתמי למידת המכונה מהדור החדש, חוקרים בוחנים את יכולתם לפתור בעיות רב-ממדיות ורב-תחומיות עם תוצאות חיוביות משמעותיות.
דוגמאות ליישומי ML
ניתן להשתמש בלמידת מכונה בדרכים רבות:
- לחזות סיכון למחלה מתוך היסטוריה רפואית של מטופל או דוחות.
- לנצל נתוני מזג אוויר כדי לחזות תופעות מזג אוויר.
- להבין את הטון של טקסט.
- לזהות חדשות מזויפות כדי לעצור הפצה של תעמולה.
תחומים כמו פיננסים, כלכלה, מדעי כדור הארץ, חקר החלל, הנדסה ביו-רפואית, מדעי הקוגניציה, ואתרים בתחומים הומאניים אימצו את למידת המכונה כדי לפתור בעיות מורכבות וכבדות עיבוד נתונים בתחומם.
סיכום
למידת מכונה מאוטמת את תהליך גילוי הדפוסים על ידי מציאת תובנות משמעותיות מתוך נתונים אמיתיים או מיוצרים. היא הוכיחה את עצמה כה שווה ערך בתחומי עסקים, בריאות ופיננסים, בין היתר.
בעתיד הקרוב, הבנת יסודות למידת המכונה תהיה הכרחית לאנשים מכל תחום עקב האימוץ הרחב שלה.
🚀 אתגר
שרטטו, על נייר או באמצעות אפליקציה מקוונת כמו Excalidraw, את ההבנה שלכם לגבי ההבדלים בין AI, ML, למידה עמוקה ומדעי הנתונים. הוסיפו רעיונות לבעיות שכל אחת מהשיטות האלה טובה בפתרונן.
מבחן לאחר ההרצאה
סקירה ולמידה עצמית
להרחיב ידע על איך לעבוד עם אלגוריתמי ML בענן, עקבו אחרי מסלול למידה.
עשו מסלול למידה על יסודות ה-ML.
מטלה
כתב ויתור: מסמך זה תורגם באמצעות שירות תרגום אוטומטי Co-op Translator. למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה.