ידיעון המחלקה למדעי הנתונים תשפ"ז

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: אין

מטרת הקורס 
מטרת הקורס היא להקנות לסטודנטים ידע במתודולוגיות ושיטות של למידה סטטיסטית. הקורס יתחיל מסקירה של השיטות הקלאסיות, לאחר מכן, יוצגו שיטות רגולריזציה ושימושיהן בבעיות רגרסיה וסיווג. בנוסף לעיל, הקורס יציג נושאים כגון ניתוח אשכולות, עצי החלטה ובוטסטראפ. אם הזמן יאפשר, ילמדו נושאים הכוללים הסקה סיבתית והחלקות גרעין.  המימוש של השיטות ייעשה בשפת R. בסוף הקורס הסטודנטים יוכלו לממש את השיטות השונות על נתוני אמת, לנתח את התוצאות ולקרוא ספרות מחקרית מתקדמת בהתאם לצורך.

נושאים 
סקירה של השיטות הקלאסיות, שיטות מודרניות בלמידה סטטיסטית: שיטות כיווץ (shrinkage), שיטות סיווג, SVM, ניתוח אשכולות, מטריצות קרבה, שיטות מבוססות עצים, עצי רגרסיה, שיטות בוטסטראפ, מבוא להסקה סיבתית, שיטות החלקת גרעין.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: אין

מטרת הקורס
החלק הראשון של הקורס מיועד להקנות ידע מוצק בנושאים מרכזיים של אלגברה לינארית בהם ישנו שימוש רחב במדע
הנתונים. החלק השני יעסוק בתחומים של אנליזה נומרית לסטטיסטיקה.

נושאים
פרקים באלגברה לינארית, טרנספורמציות לינאריות, דמיון מטריצות, ערכים עצמיים ווקטורים עצמיים, לכסון, מרחב
מכפלה פנימית, היטלים אורתוגונליים, פירוקSVD , פירוקQR , טורי פורייה, התמרת פורייה, DFT.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: אין

מטרת הקורס
סטטיסטיקה היא הבסיס לניתוח, הסקה ובנית תחזיות מנתונים. בתחילת הקורס נחזור על מושגים בסיסיים בסטטיסטיקה כגון בדיקת השערות אמידה רווחי סמך התפלגות נורמלית ורב נורמלית מטריצת שונויות. המטרה העיקרית היא להקנות הבנה וכלים לנושא של רגרסיה ליניארית. רגרסיה היא מודל סטטיסטי המתאר קשר פונקציונלי בין משתנים. רגרסיה ליניארית מניחים שהמשתנה אותו מעוניינים ללמוד תלוי ליניארית במספר משתנים מסבירים, כאשר מקדמי המשתנים המסבירים אינם ידועים. יינתנו וינותחו דוגמאות מנתונים אמיתיים תוך שימוש בחבילות הסטטיסטיות של "פייתון".

נושאים
מציאת אמדים הטוב ביותר לקו הרגרסיה, תחזיות, חקירת ההתאמה של המודל לנתונים, מיקרים של רגרסיה לא ליניארית, בדיקות סטייה מהמודל, בחירת המשתנים המסבירים הטובים ביותר, פתרונות למקרים שבהם הנחות המודל לא מתקיימות.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: עקרונות למדעי הנתונים ובסיסי נתונים

מטרת הקורס
מטרת הקורס היא להקנות לסטודנטים תשתית תאורטית ויישומית בתחום למידת המכונה, העוסקת בפיתוח ובהפעלה של אלגוריתמים ומודלים לניתוח ולעיבוד אוטומטי של נתונים מובנים ולא־מובנים. הקורס נועד להציג את עקרונות היסוד של התחום ואת שלבי העבודה המרכזיים בתהליכי למידת מכונה, לרבות איסוף נתונים, עיבוד מקדים וניקוי, מידול, הערכת ביצועים וויזואליזציה. במסגרת הקורס ייחשפו הסטודנטים למגוון מושגים, טכניקות ואלגוריתמים מרכזיים בלמידת מכונה, ובהם שיטות לסיווג ולרגרסיה,K-Nearest Neighbors, Support Vector Machines, עצי החלטה ורשתות נוירונים, תוך דגש על הבנת עקרונות הפעולה, יישום מעשי וניתוח ביקורתי של ביצועי המודלים במגוון תחומי יישום.

נושאים
אקספלורציה של בסיסי נתונים (data mining), ויזואליזציה, מסווגים, Memorizer ,K-Nearest Neighbors, עיבוד מקדים, ייצוג נתונים קטגוריאליים, שיטות להתמודדות עם בעיות של חוסר סטציונריות בנתונים, עצי החלטה, מדדי ביצוע ושיטות להערכת ביצועים, רגרסיה לינארית, Support Vector Machines, רגרסיה לא לינארית, אופטימיזציה, יסודות רשתות נוירונים, שיטות רגולריזציה, גישה מבוססת נתונים ושכבות קונבולוציה (CNN), ארכיטקטורת TabNet.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: מבוא ללמידת מכונה, סטטיסטיקה והסתברות, פיתון

מטרת הקורס
קורס זה עוסק בטכניקות העדכניות ביותר בלמידה עמוקה ולמידת ייצוג, תוך התמקדות בלמידה עמוקה מפוקחת ובלתי מפוקחת, רשתות קונובולוציה (CNN) והיזון חוזר ,(RNN) רשתות ,Transformers ומודלים גנרטיבים (Autoencoders GANS), עם יישומים לראייה ממוחשבת, הבנת שפה טבעית ורפואה.

נושאים
מבני רשתות עצביות, אלגוריתם ה- backpropagation, אלגוריתם stochastic gradient descent ותכונותיו, פונקציות מחיר ושיטות אופטימיזציה מסדר ראשון, למידה עמוקה עבור בעיות סיווג ורגרסיה, מעבר מסיווג לזיהוי עצמים, מודלים יוצריםautoencoder ,variational autoencoder –

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: למידת מכונה, למידה עמוקה (במקביל)

מטרת הקורס
תלמידי הקורס יכירו את המורכבות של המידול ועיבוד שפות אנושיות (דיבור וטקסט), בתוספת ידע מעשי על פתרון משימות שונות בתחום כגון מערכות צ'ט ושיח, עיבוד טקסט ודיבור, תרגום מכונה, זיהוי רגשות בשפה וכד. בקורס נדון באספקטים שונים של NLP נסביר גישות וטכניקות בתחום ובעיקר נשוחח על האתגרים ומדוע זו נחשבת למשימה הקשה ביותר בתחום הבינה המלאכותית. לדוגמא, התלמידים ילמדו להבין את השלבים השונים בהבנת ויצירת לשיח, ניהול דיאלוג אדם מכונה, ומהי הארכיטקטורה הנדרשת לפתרונות NLP אמיתים. הסטודנט ייחשף לכלים עכשוויים המאפשרים לו לטפל בצורות שונות של עיבוד שפה, חלקם דורשים פיתוח וחלקם דורשים אינטגרציה.

נושאים
מבוא ומושגי יסוד – סקירה, השכבות השונות של מידול שפה, תיוג, ניתוח ותחביר של טקסט, עיבוד דיבור ומערכות שיח, עיבוד דיבור ומערכות דיאלוג , עיבוד רגש וסנטימנט, יצירת שפה טבעית ותרגום מכונה, ארכיטקטורה של פתרונות NLP, איך בודקים?

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: אין

מטרת הקורס
הקורס מיועד להקנות לסטודנטים היכרות עם התשתיות נתוני עתק בענן, ויכולות להגדיר צרכים ניהוליים והנדסיים של פרויקט מבוסס טכנולוגיות נתוני עתק בענן.

נושאים
הכרה עם אוסף המוצרים המסופקים על ידי AWS. שימוש בשירותי וירטואליזציה. הגדרה של שרתי ענן במערכות הפעלה שונות. שימוש בשירותי אחסון נתונים כדוגמת S3. העברת נתונים אוטומטית. אחסון של בסיסי נתונים רציונליים בענן. שימוש במערוכת עיבוד מבוזר. הגדרת קלסטרים. שימוש ב-DOCKERS. אבטחת מידע בענן. שימוש בכלים לכריית נתונים מבוססי ענן.

אופן הוראה: שיעור
שעות שבועיות: 2
נקודות זכות: 2
דרישות קדם: למידת מכונה

מטרת הקורס
מטרתו המרכזית של הקורס היא לגשר על הפער המשמעותי הקיים בין ההכשרה המחקרית המסורתית לבין הדרישות האמיתיות של עולם מדעי הנתונים, דרישות שמגיעות בו-זמנית מהאקדמיה, מהתעשייה וממערכת היזמות. הקורס שואף לסייע בהכשרת בוגרים שאינם רק חוקרים מיומנים, אלא אנשי מדע נתונים שלמים: מסוגלים לזהות ולנסח בעיה אמיתית בשפה שמשכנעת חוקרים, מנהלים ומשקיעים כאחד; לתכנן ולבצע מחקר בעל תוקף מתודולוגי; לתקשר ממצאים בכתב ובעל-פה ברמה המקובלת בכנסים ובכתבי-עת מובילים; לגייס מימון לפרויקטים דרך כתיבת מענקים מחקריים; ולהגן על החדשנות שלהם דרך הבנת עולם הפטנטים. בעולם שבו מדע הנתונים (Data Science) הפך לאחד ממנועי הצמיחה המרכזיים, בבריאות, בחינוך, בפיננסים ובמדיניות ציבורית, חשיבותו של הקורס אינה רק אקדמית: הוא מכשיר את הסטודנטים להיות הגורם שמתרגם ידע למשמעות, ומחקר להשפעה אמיתית בעולם.

נושאים
מבוא ומושגי יסוד – מפת הדרכים של איש מדע הנתונים השלם, ניסוח ומידול בעיות בעולם האמיתי, התאמת נרטיב ותקשורת לקהלי יעד משתנים (חוקרים, דרג ניהולי ומשקיעים), תכנון מחקר ותוקף מתודולוגי במדעי הנתונים, כתיבה מדעית ומקצועית לכתבי-עת וכנסים מובילים, אמנות הפרזנטציה וההצגה בעל-פה, יסודות הסטוריטלינג וה-Pitching הטכנולוגי, כתיבת הצעות מחקר ומענקים (Grant Writing) לגיוס מימון, מבוא לקניין רוחני (IP) ורישום פטנטים בעידן הבינה המלאכותית, הגנה על חדשנות טכנולוגית, ניתוח מקרי בוחן ודינמיקות DS במגזרי בריאות, חינוך, פיננסים ומדיניות ציבורית, ותרגום ידע אקדמי לפתרונות ברי-קיימא בעלי השפעה בשטח.

אופן הוראה: שיעור
שעות שבועיות: קורס שנתי, 6
נקודות זכות: 6
דרישות קדם: אין

מטרת הקורס
עבודת הגמר תהיה בתחומים הקשורים למדעי הנתונים תוך הדגשת הגישה המדעית והאנליטית. העבודה תחשב לבעלת ערך אם היא מקדמת את הידע וההבנה בתחום מדעי הנתונים. על העבודה להביא לידי ביטוי את החומר הנלמד, המתודולוגיות, והתכנים הנלמדים בתואר השני והיא חייבת להציג פן כמותי ולא רק איכותני. מטרת העבודה היא לפתח יכולות ומיומנויות לביצוע עבודת מחקר-פתוח במדעי הנתונים. העבודה צריכה להיות בזיקה לתחום ההתמחות של הסטודנט.

נושאים
הנושא הספציפי ייקבע בתאום עם המנחה.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: עיבוד שפה טבעית, מבוא לתכנות בשפת פייתון, למידת מכונה

מטרת הקורס
מטרת הקורס היא להקנות לסטודנטים תשתית תאורטית ויישומית בתחום עיבוד השפה הטבעית, כאחד התחומים המרכזיים בבינה מלאכותית, ולהכשירם לפיתוח ולמימוש מודלים חישוביים לניתוח, הבנה ויצירה של טקסט בשפה טבעית. הקורס נועד להציג את העקרונות, המתודולוגיות והטכניקות המתקדמות בתחום, החל מייצוגים וקטוריים של מילים ומשמעות, דרך מודלים נוירוניים ורשתות חוזרות וקונבולוציוניות, ועד למודלים מבוססי Attention וטרנספורמרים. במסגרת הקורס ירכשו הסטודנטים הבנה מעמיקה של ההיבטים הלשוניים והסטטיסטיים של השפה, לצד ניסיון מעשי בפיתוח מערכות לעיבוד שפה טבעית עבור יישומים מגוונים כגון תרגום אוטומטי, מענה על שאלות, ניתוח טקסטים ומודלים יצרניים.

נושאים
וקטורי מילים ומשמעויות, סיווג מילים בחלונות, רשתות נוירונים, טכניקת BackPropagation, גרפים חישוביים, מבנה לשוני- ניתוח תלות, ההסתברות של משפט, בעיית הגרדיאנטים הנעלמים, Fancy RNNs, מכונת תרגום, , seq2seq מודלי Attention, מענה על שאלות, רשתות קונבולוציה לעיבוד שפה טבעית, מיצוי מידע מחלקי מילה, ייצוג קונטקסט, טרנספורמרים ו-self attention למודלים יצרניים, גרף מידע (Knowledge graph) והנדסת מידע.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: למידת מכונה

מטרת הקורס
למידת חיזוק היא מסגרת למידול האינטראקציה של סוכן אוטונומי עם עולם לא ידוע. מטרת הסוכן היא ללמוד את ההשפעות של פעולותיו ולשנות את מדיניותו על מנת למקסם פרס עתידי. למידה מונחית חיזוקים מבוססת על בינה מלאכותית. בניגוד ללמידה מפוקחת (supervised learning), בלמידה מונחית חיזוקים לסוכן לא נתונות תוויות (labels) כלשהן, אלא עליו ללמוד רק על בסיס ניסוי וטעייה. מסגרת זו משמשת בבעיות רבות, לדוגמא משחקי מחשב (אטארי, שש-בש, שחמט וכו׳), רובוטיקה, רכבים אוטונומיים, ועוד. רעיונות מעולם הלמידה מונחית-החיזוקים משמשים גם לצורך חקר והסבר של למידה בבעלי חיים, הבנת מנגנון הדופמין במוח האנושי ועוד.

נושאים
קורס זה מציג את התשתית לרעיונות הבסיסיים של למידה מונחית חיזוקים מודרנית, כולל תהליכי החלטה של מרקוב, פונקציות ערך, אומדן מונטה קרלו, תכנות דינמי, למידה על בסיס הבדלים זמניים וקירוב פונקציות. קורס זה יפתח הבנה אינטואיטיבית של מושגים אלה, תוך התייחסות לפרספקטיבה של הסוכן והתמקדות בתיאוריה המתמטית של למידה מונחית-חיזוקים.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: למידת מכונה, למידה עמוקה

מטרת הקורס
הקניית מומחיות בתחום ה Self-Supervised Learning- מחזיתות המחקר והפיתוח המובילות כיום בלמידה עמוקה, תוך התמקדות ביכולת לאמן מודלים מתקדמים בסביבות עתירות נתונים אך דלות בתיוגים. הקורס נועד לגשר על הפער בין תיאוריה ליישום, ומעניק לסטודנטים ארגז כלים להקמת תשתיות למידת ייצוגים (Representation Learning) המותאמות לאתגרי העולם האמיתי – שבו דאטא מתויג הוא משאב יקר ונדיר. הסטודנטים יפתחו אינטואיציה אלגוריתמית עמוקה לצד מיומנות טכנית ב-PyTorch שתאפשר להם להוביל פרויקטים מורכבים בתחומים כמו דימות רפואי וחישה מרחוק.

נושאים
למידה מונחית ולא-מונחית, למידה עמוקה, אוגמנטציות, למידת קונטרסטים, למידה ללא קונטרסטים, צמצום מימדים חופפים וקורלטיביים, טרנספורמרים ויזואליים ללמידת ייצוגים, למידת ייצוגים בעיבוד שפה טבעית

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: מתמטיקה למדעי הנתונים, למידת מכונה, למידה עמוקה

מטרת הקורס
מטרת הקורס היא להקנות לסטודנטים בסיס תיאורטי ומעשי מוצק בלמידה גנרטיבית, תוך גישור בין עקרונות מתמטיים
למימוש מערכות הלכה למעשה. במהלך הסמסטר, הסטודנטים ילמדו להפיק פונקציות אימון מהנחות הסתברותיות יסודיות, ולנתח באופן ביקורתי את הפשרות שמודלים עושים בין נראות מדויקת, מהירות דגימה וגמישות ארכיטקטונית.
בצד המעשי, הסטודנטים יצברו ניסיון נרחב בתכנון, אימון ודיבוג של מערכות גנרטיביות ב‑PyTorch, ויפתחו את המיומנויות לעבור מניסוח מתמטי או מאמר מקור לקוד נקי ומובנה היטב.

נושאים
מבוא ומושגי יסוד – הערכת צפיפות ומקסימום נראות (MLE), מדדי מרחק ודיברגנץ' בין התפלגויות, מודלים אוטוגרסיביים, אוטו-אנקודרים וריאציוניים (VAE) וחסם ה-ELBO, וריאציות מתקדמות (VQ-VAE), רשתות אדברסריות (GAN) – מתמטיקה, בעיות יציבות ופתרונות הנדסיים, מודלי זרימה נורמליזציונית (Normalizing Flows), מודלי דיפוזיה והסרת רעש (DDPM, DDIM), מודלים מבוססי סקור ו-SDEs, דיפוזיה במרחב החבוי (Latent Diffusion), מנגנוני הנחיה והכוונת גנרציה, מודלים מבוססי אנרגיה (EBMs), מדדי הערכה כמותיים (FID, IS), משולש הפשרות הגנרטיבי, מתודולוגיית Paper-to-Code ב- PyTorch, שיטות דיבוג ואופטימיזציה של ארכיטקטורות גנרטיביות בחומרה.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: מתמטיקה למדעי הנתונים, למידת מכונה, למידה עמוקה.

מטרת הקורס
סדרות עתיות מהווים בסיס חיוני ונפוץ בתעשיות מודרניות, ומניעים מודיעין קריטי בפיננסים, רשתות אנרגיה, טלמטריה
רפואית, תשתיות IoT ולוגיסטיקה של שרשראות אספקה. בעוד שמסגרות סטטיסטיות קלאסיות הניחו את התשתית הראשונית, לאחרונה פריצות דרך בלמידה עמוקה שינו מן היסוד את תחום המודלים הסדרתיים. קורס מתקדם זה מבצע
סריקה מעמיקה ומעשית בחזית הטכנולוגיה, ומיועד לסטודנטים המעוניינים לעסוק במחקר, לבנות מערכות ייצור, או
שניהם.

נושאים
מבוא ומושגי יסוד – סקירה ומאפייני מידע סדרתי, שיטות סטטיסטיות קלאסיות ופירוק סדרות, הנדסת תכונות ומודלים מבוססי עצים, רשתות קונוולוציה (TCN) ורשתות רקורסיביות (LSTM, GRU), אסטרטגיות חיזוי רב-צעדים, מנגנוני קשב ו-Transformers לסדרות עתיות, מודלי בסיס וענק (Chronos, TimeGPT) וחיזוי Zero-shot, מודלי מרחב-מצב מודרניים (Mamba), חיזוי הסתברותי והערכת אי-ודאות, זיהוי חריגות ואנומליות מבוסס למידה עמוקה, סיווג וניתוח אשכולות של אותות, השלמת מידע חסר, מתודולוגיות וולידציה ומניעת זליגת מידע, אתגרי מערכות ייצור (Data Drift ואופטימיזציית לטנסי).

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: שיטות הסתברותיות וסטטיסטיות מתקדמות

מטרת הקורס
להקנות ידע בסיסי ומתקדם בסדרות עתיות. לפתח מיומנויות של ביצוע ניתוח סדרות עתיות בתחומים שונים של כלכלה וניהול ובביצוע מחקר, לפתח מיומנויות בשימושי מחשב בשפת תכנות פייתון.

נושאים
דוגמאות מתחומים שונים, גישות כלליות לניתוח נתוני עיתים, טיפול בטרנד ועונתיות, תהליך סטוכסטי סטציונרי, פונקציות אוטוקורלציה, אמידה של פונקציית תוחלת, תכונות של אוטוקולרציה, תהליכים ליניאריים, הערכת של פונקצית אוטוקולציה, נוסחת ברלט, מודלים ARMA, פונקצית אוטוקורלציה חלקית, מבוא לפילטרים לינאריים וורת ספקטראלית, צפיפיות ספקטאלית של תהליך ARMA, הערכת תהליך פרמטרים של תהליך ARMA, תהליכים לא סטציונריים: ARIMA,SARIMA , סדרות עיתיות רב מימדיות, קרוס- ספקטרום, ניתוח השפעות שינוי מדעניות בעזרת סדרות עתיות- .Analysis series time Interrupted

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: למידת מכונה מתקדמת, עיבוד שפה טבעית

מטרת הקורס
זהו סמינר המשלב מחקר ישומי, המציע הזדמנות ייחודית להתנסות מעשית במחקר בתחום ניתוח טקסטואלי של מאגרי מידע גדולים. הסטודנטים ילמדו כיצד לזהות שאלות מחקר משמעותיות, לבצע סקירת ספרות מקיפה, ולפתח פתרונות מעשיים המבוססים על נתונים אמיתיים. מטרות הקורס הן: פיתוח יכולת לזיהוי וניסוח שאלות מחקר בתחום ניתוח טקסט, רכישת מיומנויות בסקירת ספרות אקדמית וטכנית, התנסות בעבודה עם מאגרי מידע גדולים תוך יישום שיטות מתקדמות לניתוח טקסט, פיתוח יכולת להערכת תוצאות מחקר והסקת מסקנות.

נושאים
מבוא למחקר בניתוח טקסטואלי, פיתוח שאלות מחקר, סקירת ספרות, ביצוע ניתוח טקסטואלי, הערכת ביצועים והצגת תוצאות.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: שיטות סטטיסטיות

מטרת הקורס
בסיום הקורס הסטודנטים ידעו כיצד להגדיר, לאפיין ולהתאים מודל סיבתי לנתונים, יוכלו ליישם שיטות אמידה שונות וכן לבדוק את תוקפם ורגישותם של המודלים המותאמים.

נושאים
יסודות הסקה סיבתית: תוצאות פוטנציאליות, דיאגרמות סיבתיות (DAGs), d-separation, בעיית ה-Confounding ופרדוקס סימפסון. גישות אמידה ומשוואות מבניות: רנדומיזציה, רגרסיה, Propensity Score, שקולות IPW ומודלי משוואות מבניות (SCMs). משתנים אינסטרומנטליים (IV): הנחות יסוד, אמד הריבועים הפחותים הדו-שלבי (2SLS), G-estimation וניתוח רגישות. תיווך, גילוי ושיטות מתקדמות: ניתוח תיווך סיבתי (נוסחת פרל, אפקטים ישירים ועקיפים), גילוי סיבתי מנתונים ו-Diff-in-Diff.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: שיטות סטטיסטיות, למידה מונחית חיזוקים

מטרת הקורס
מטרת הקורס היא להעניק לסטודנטים הבנה תאורטית ומעשית במתודולוגיות ובטכניקות המתקדמות ביותר בתחום למידת סוכנים מרובה, תוך פיתוח כישורים ליישום מודלים בעולמות התוכן השונים. באמצעות שילוב של רקע תיאורטי, תרגול מעשי ופרויקטים, הקורס מכין את הסטודנטים להשתלבות במחקר ופיתוח בתחומי הבינה המלאכותית.

נושאים
מבני בסיס בלמידה חיזוקית, מודלים ומשחקי איטראקציה, פתרונות למשחקים, אתגרים וגישות ראשוניות ב-MARL, יישומים מתקדמים ב-MARL, יישומים מרובי סוכנים ב-MARL.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: אין

מטרת הקורס
מטרת הקורס היא להבין מושגי יסוד בסייבר ואת הקשר שלהם למדע הנתונים. לנתח לוגים, תעבורת רשת ונתונים קטגוריאליים; ליישם סטטיסטיקה, ניתוח נתונים (EDA), אשכולות וזיהוי חריגות; להעריך מודלים בעזרת מדדי Goodness-of-Fit וביצועים נוספים; לעבוד עם סדרות עתיות (Time Series) וגרפים לניתוח חדירות ורשתות; לנתח התקפות אדוורסריות על מערכות ML ולבחון מנגנוני הגנה; להשתמש במודלי שפה לזיהוי פישינג, סיכום לוגים ומודיעין איומים; לזהות סוגיות אתיות ופרטיות במדע הנתונים בסייבר; וכן לבנות ולהציג צנרת מלאה של מדע הנתונים בסייבר בהתאם לסטנדרטים מקצועיים.

נושאים
סייבר, מתקפות אפס־יום, קבצי לוג ורוגלות, ניתוח נתוני מערכת וחשיבותם, סטטיסטיקה, ניתוח נתונים ראשוני (EDA), אשכולות, גילוי חריגות וניתוח פלחים, ניתוח Goodness-of-Fit, נתונים קטגוריאליים, פרטיות ואתיקה, סדרות עתיות וגרפים, התקפות אדוורסריות, מודלי שפה בסייבר, פרדוקסים סטטיסטיים בסייבר, צנרת וסטנדרטים.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: למידת מכונה, למידה עמוקה

מטרת הקורס
מטרת הקורס היא להעניק לסטודנטים לתואר שני הבנה מושגית ומעשית של מודלי יסוד מודרניים. בסיום הקורס הסטודנטים יוכלו לנתח בחירות ארכיטקטוניות ותהליכי אימון במודלי שפה גדולים, להסביר את תפקידם של חוקי סקיילינג ואצירת נתונים, ליישם שיטות התאמה יעילות, להשוות בין שיטות לאחר-אימון ויישור, להעריך מודלי שפה ומודלים רב-מודאליים, ולנתח באופן ביקורתי סוגיות של אמינות, בטיחות ופריסה. הקורס משלים קורסים קיימים בלמידת מכונה, למידה עמוקה, עיבוד שפה טבעית, למידה מונחית חיזוקים ומערכות סוכנים, ומתמקד בשכבה שבין ארכיטקטורת הטרנספורמר לבין אקוסיסטמת מודלי היסוד המודרניים.

נושאים
מבוא ומושגי יסוד – אבולוציית מודלי היסוד (Foundation Models), ארכיטקטורות מתקדמות של מודלי שפה גדולים (LLMs), תהליכי קדם-אימון (Pre-training), אצירת נתונים, פילטור וסינון דאטהסטים בקנה מידה ענק, חוקי סקיילינג (Scaling Laws) ומחשוב אופטימלי (Chinchilla), חישוב מבוזר ואימון מקבילי (Tensor/Pipeline Parallelism), שיטות כיוונון עדין יעיל (PEFT, LoRA, QLoRA), למידה מתוך הקשר (In-Context Learning) והנדסת פרומפטים, שיטות לאחר-אימון (Post-training) והתאמה להנחיות (Instruction Tuning), יישור מודלים (Alignment), למידה מונחית חיזוקים ממשוב אנושי (RLHF) וחלופות ישירות (DPO), הערכה, בנצ'מרקים ומטריקות של מודלי שפה (LLM-as-a-Judge), מודלים רב-מודאליים (Vision-Language, Multimodal), אמינות ובטיחות (הזיות, Jailbreaking, הטיות), ושיטות דחיסה ופריסה של מודלים (Quantization, Distillation).

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: למידת מכונה

מטרת הקורס
בסיום הקורס הסטודנטים יהיו מסוגלים לנתח ולמדל סדרות זמן המופיעות בשווקים פיננסיים ובמערכות מסחר אלקטרוני;
ליישם שיטות פירוק, טרנספורמציה, בדיקות סטציונריות, מודלים מסוג ARIMA/SARIMA, מודלי תנודתיות (GARCH) וחיזוי קונפורמלי לצורכי חיזוי וכימות אי־ודאות; להעריך מודלים באמצעות אבחונים סטטיסטיים ומדדי ביצוע מתאימים; להבין את מבנה השוק, מנגנוני מסחר אלגוריתמי, תורת התיקים, אסטרטגיות גידור ומודלים לתמחור אופציות; וליישם אנליטיקה מבוססת סדרות זמן ותורת המכרזים בפלטפורמות מסחר אלקטרוני, לרבות מערכות פרסום ושווקים מקוונים, עד לפיתוח פתרון חיזוי או מסחר מונחה־נתונים.

נושאים
ניתוח חוקר (EDA), סטציונריות, מודלי ARIMA/SARIMA, מידול תנודתיות (GARCH) וחיזוי קונפורמלי בפיננסים וב-E-commerce, מכניקת ספר פקודות, אופטימיזציית תיקים (מרקוביץ'), מדדי ביצוע (Sharpe, Sortino) ואסטרטגיות גידור, משוואת Black–Scholes, מדדי Greeks, מודלי תנודתיות סטוכסטית (Heston), מודלי קפיצות ומודלי ריבית. מדדי משפך והתפלגויות סטטיסטיות, אנליטיקת Google Ads, מנגנוני מכרזים (Vickrey, VCG) ותמחור דינמי.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: למידת מכונה

מטרת הקורס
בשנים האחרונות חלה פריצה עצומה בתחום של רשתות ניורונים מלאכותיות, ובמיוחד ברשתות נוירונים עמוקות (Deep Neural Networks). למידה עמוקה (Deep Learning) היא אחת המיומנויות המבוקשות ביותר בתחום מדע הנתונים והבינה המלאכותית. בקורס זה ילמד הסטודנט את היסודות של הלמידה העמוקה, כמו גם נושאים הקשורים לבעיות מתחום הראייה הממוחשבת (Computer Vision) ולתחום השפה הטבעית (NLP). בקורס נסקור נושאים מתקדמים, שנמצאים בחזית המחקר בשנים האחרונות.

נושאים
מפרספטרון לרשתות רב-שכתבתיות (perceptron multilayer), מבוא לרשתות קונבולוציה (ConvNets), ארכיטקטורה של רשתות קונבולוציה: VGG, Inception, ResNet, זיהוי עצמים בתמונה (detection object): R-CNN, YOLO, פילוח תמונות (segmentation image): U-nets, אימון רשתות: learning rates, optimizers, data augmentation, חקירה והבנה של רשתות: feature visualization, saliency maps, activation maps, למידה עמוקה יצירתית: deep dream, neural style transfer, מבוא לרשתות מנוגדות: יצירה דוגמאות מלאכותיות, Generative adverserial networks (GAN), רשתות מנוגדות (GAN): חקירת המרחב הסמוי (space latent), מידול של סדרות זמן: recurrent neural networks (RNN), LSTM, מבוא לעיבוד שפה טבעי (NLP), עיבוד שפה טבעי בעזרת טרנספורמרים (Transformers).

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: נושאים מתקדמים בלמידת מכונה

מטרת הקורס
מטרת הקורס היא לתת רקע תאורטי ופרקטי על הידע המתמטי והחישובי היושב בבסיס רב שיטות ההתקפה וההגנה בעולם הסייבר. הקורס מורכב מ- 4 רכיבים עיקריים: שיטות הצפנה ופריצתם, מבוא לתורת הגרפים בקונטקסט של רשתות תקשורת ושימושם לביצוע התקפות מפוזרות וממוקדות, מבוא לזיהוי אנומליות מנקודת מבט של מגן סייבר בארגון ושיטות מקדמות בלמידת מכונה לביצוע וניתור התקפות.

נושאים
תורת המספרים, הצפנה, שיטות פריצה, שימוש בתורת הגרפים על מנת לזהות פריצות ונקודות חולשה, סטיסטיקה, זיהוי אנומליות, Explainability, למידת חיזוקים, עיבוד שפה וסייבר, בינה מלאכותית יוצרת וסייבר.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: אין

מטרת הקורס
חשיפת הסטודנטים עם עקרונות הבינה המלאכותית הגנרטיבית לאור ההתקדמות האחרונה בתחום זה. לימוד היבטים תאורטיים ומעשיים של הבינה המלאכותית הגנרטיבית. הצגת שימושים ואפליקציות של הבינה המלאכותית הגנרטיבית בחברה בכלל ובחינוך בפרט. הקניית יכולת פרקטית עבודה עם הבינה המלאכותית הגנרטיבית כבן שיח אינדיבידואלי.

נושאים
ההיסטוריה והאבולוציה של תפיסת הבינה המלאכותית, בסיס מדעי של AI: פונקציות, מודלים, יכולת חישוב, ייצוגים, בסיס טכנולוגי של AI: רשתות עצביות, למידת מכונה, למידה עמוקה, Generative Pre-Trained Transformer (GPT), Large Language Model (LLM), פילוסופיה של AI גנרטיבי. גישה פוסט-פנומנולוגית. AI גנרטיבי כתופעה תרבותית, חינוך מבוסס בינה מלאכותית.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: הסתברות, נושאי מפתח בביולוגיה וגנטיקה לביוגונברג'נס

מטרת הקורס
בעידן הביג דטה, נתונים ביולוגיים מצטברים בכמויות עתק ודורשים שיטות ניתוח מתקדמות ואוטומציה. בהתאם לכך, האופן שבו אנחנו מפתחים מוצר או עורכים מחקר מדעי בהנדסה ביולוגית משתנה במהירות. בקורס זה יוצגו לסטודנטים מספר בעיות מתחומי הביולוגיה החישובית, אשר יהוו הזדמנות להצגתם של כלים חישוביים מותאמים למדעי החיים, בפרט מתחומי הביו-אינפורמטיקה והביו-סטטיסיקה.

נושאים
מבוא לביו-אינפורמטיקה וחיפוש במאגרי מידע מבנה הגן: פרומוטר, טרמינייטור, אתר היקשרות של ריבוזום, אזור מקודד לחלבון (מקודון התחלה עד לקודון סיום). חיפוש רצף והתאמת רצפים (alignment). חיפוש מוטיבים, PSSM, תוכנות לחיזוי גנים ודפדפני גנום. שיטות ריצוף דנא ורנא ושימושים דיאגנוסטיים ואחרים. שיטות למדידת ביטוי גנים. שיטות ומבחנים סטטיסטיים בסיסיים, כגון: student t-test חד צדדי ודו-צדדי. ריבוי מבחנים סטטיסטיים. מאגרי מידע ותוכנות העוסקות במבנה חלבונים ובניבוי מבני.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: מתמטיקה למדעי הנתונים

מטרת הקורס
הקורס מיועד להקנות ידע מעשי בעיבוד אותות סיפרתי תוך כדי שימוש באלגוריתמים בלמידת מכונה. עם סיום הקורס הסטודנטים צפויים : לחשב ולפרש מאפיינים של אותות. להשתמש במדדים מתורת האינפורמציה. ליישם ניתוח רכיבים בלתי תלויים (ICA) להפרדת מקורות ולהסרת ארטיפקטים באותות. לבצע אשכול (Clustering) של אותות באמצעות אלגוריתמים שונים. לשלב בין עיבוד אותות קלאסי לשיטות למידה חישובית לצורך ניתוח אותות חכם ומבוסס-נתונים.

נושאים
קונבולוציה, DFT, גלונים וניתוח ספקטרלי – לבין גישות חישוביות מודרניות בתחומי למידת מכונה, תורת האינפורמציה ושיטות אשכול (Clustering).

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: מתמטיקה למדעי הנתונים

מטרת הקורס
הקורס נועד להקנות לסטודנטים הבנה תאורטית ומעשית של שיטות למידה וייצוג נתונים באמצעות גרפים — תחום הנמצא בלב המחקר והפיתוח בעידן הבינה המלאכותית. במהלך הקורס הסטודנטים יכירו את העקרונות המתמטיים של הכלים החישוביים לעיבוד אותות על גרפים, ילמדו כיצד לחלץ מידע, לזהות מבנים ולבנות אלגוריתמים של למידה הפועלים על רשתות מורכבות. הדגש בקורס הוא על שילוב בין תיאוריה ליישום, במטרה לפתח הבנה אינטואיטיבית ויכולת מעשית להתמודד עם נתונים לא סדירים בתחומים כגון מדעי הנתונים, ניתוח רשתות חברתיות, מדעי המח והיתוך חיישנים.

נושאים
יסודות תורת הגרפים והלפלסיאן, תורת הגרפים הספקטרלית, אשכול ספקטרלי ועיבוד אותות על גרפים (GFT ומסננים). למידת גרפים מנתונים, שיקוע גרפים (DeepWalk, node2vec) והגדרת משימות ניבוי (צמתים, קשתות, מניעת זליגת מידע). למידה עמוקה על גרפים (GNNs), רשתות העברת הודעות (MPNN), ארכיטקטורות מובילות (GCN, GraphSAGE, GAT) ומנגנוני קשב. אימון ואופטימיזציה של GNNs, התמודדות עם אתגרי סקילביליות (Over-smoothing, Over-squashing) ודיבוג מעשי.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: עיבוד שפה טבעית

מטרת הקורס
לנתח ארכיטקטורות בעלות סוכנים: להבחין בין מודלים קוגניטיביים שונים של סוכנים (לדוגמה, סוכני רפלקס, סוכנים מבוססי מטרות) ומתודולוגיות תכנון. להעריך חילופי פשרות מערכתיים: להעריך באופן ביקורתי החלטות ארכיטקטוניות הנוגעות לניהול מצב, אופטימיזציה של "חלון הקשר (Context Window) וטופולוגית רשת במערכות AI מבוזרות. לתכנן פרוטוקולים ברי-פעולה הדדית: להבין את היסודות התיאורטיים של פרוטוקולי תקשורת AI, ולהשוות את MCP לפרוטוקולים כמו RESTful, gRPC ותקני אינטגרציה קנייניים. לתכנן פתרונות חזקים: ליישם ארכיטקטורות סוכנים מסוג שרת – לקוח באמצעות MCP תוך הפגנת שליטה בהפשטת כלים (Tool Abstraction), ניהול משאבים וסביבות ביצוע מאובטחות. למדוד ביצועים: ליישם מסגרות הערכה להערכת ביצועי סוכנים, תוך התמקדות בשיעורי הצלחה, הפחתת הזיות (Hallucination) ויעילות חישובית.

נושאים

יסודות בינה מלאכותית סוכנתית, יכולת פעולה הדדית ומערכות אקולוגיות, ניתוח ארכיטקטוני ופשרות, הנדסת פרוטוקולים: ארכיטקטורת MCP, תכנון מערכות מבוזרות, הפשטות בצד השרת, שליטה קוגניטיבית בצד הלקוח, יישום ובדיקת SDK, פיתוח שרתים מתקדם, הנדסת לקוחות מתקדמת, מערכות מרובות סוכנים ותזמור, הערכה, מדדים ובטיחות.

אופן הוראה: שיעור
שעות שבועיות: 3
נקודות זכות: 3
דרישות קדם: אין

מטרת הקורס
הקורס מיועד להקנות לסטודנטים כלים קלאסיים ועכשוויים בעיבוד תמונות ווידאו עבור אוסף בעיות נרחב.

נושאים
תמונה בינארית, תמונה צבעונית, תמונה בגווני אפור, עיבודים מרחביים, טרנספורמציות גיאומטריות, אינטרפולציה, היסטוגרמה, ניגודיות, מסכות וקונבולוציה, החלקת תמונה, חילוץ שפות, התמרת פורייה חד-מימדית ודו-מימדית, סגמנטציה, עיבוד תמונה מורפולוגי, דחיסת תמונה, מבוא לעיבוד וידאו.