נקודות זכות באוניברסיטה העברית: 4

תואר: מוסמך

היחידה האקדמית שאחראית על הקורס: סטטיסטיקה

סמסטר: סמסטר ב'

שפת ההוראה: עברית

קמפוס: הר הצופים

מורה אחראי על הקורס (רכז): ברק סובר

דוא"ל של המורה האחראי על הקורס: Barak.Sober@mail.huji.ac.il

שעות קבלה של רכז הקורס:

מורי הקורס:
ד"ר ברק סובר,
מר גדעון יופה

תאור כללי של הקורס:
הקורס עוסק בשיטות ניתוח נתונים מודרניים בסטטיסטיקה,בעיקר בנתונים בהיקף גדול וממימד
גבוה. נדון באתגרים סטטיסטיים וחישוביים העולים מנתונים אלו, כולל עקרונות וכן שיטות פרקטיות. חלק מרכזי מהקורס גלום במעבדות (עבודות בית) בהן הסטודנטים מנתחים נתונים אמתיים וחוקרים שיטות בעזרת סימולציות.

מטרות הקורס:
מטרת הקורס היא להציג בפני הסטודנטים שיטות מודרניות לניתוח נתונים סטטיסטיים. כמו כן, המטרה היא שסטודנטים יתנסו בעקרונות של עבודה מחקרית הן בתחום ניתוח הנתונים והן בתחום השוואה של שיטות אמידה / ניבוי.

תוצרי למידה :
בסיומו של קורס זה, סטודנטים יהיו מסוגלים:
בסיומו של קורס זה, סטודנטים יהיו מסוגלים:
- לבחון קובץ נתונים ולהציג אותו.
- לנסח שאלה מחקרית כבעיית חיזוי, ולהבין את הייתרונות והחסרונות של חיזוי (לעומת סוגים שונים של הסקה סטטיסטית)
- לבנות מודל חיזויי (קטגוריאלי או רציף)
- לכמת את הצלחת המודל ולהשוות בין מודלים שונים ובין שיטות שונות. לאמוד את השגיאה ואת חוסר הוודאות.
- להציג בכתב את מסקנות הניתוח

דרישות נוכחות (%):
80

שיטת ההוראה בקורס: הקורס מעובר פרונטאלית בכיתה. הנוכחות חובה. שיעורים בודדים יועברו בזום (הודעה תנתן מראש).
השיעורים יוקלטו אך תנתן גישה רק לתלמידים אשר יראו סיבה לגיטימית להעדרות.

רשימת נושאים / תכנית הלימודים בקורס:
הרשימה מטה איננה רשימה מלאה או מחייבת. ייתכן שחלק מהנושאים ירדו ושאחרים יצטרפו. זוהי רשימה טנטטיבית.
1. ניקוי והכרת קובץ נתונים
2. PCA
3. ייצוג ומרחקים
4. Clustering
5. ניתוח יציבות וBootstrap
6. מבוא ללמידה מבוקרת (Supervised learning). הטיה לעומת שונות.
7. רגרסיה מתקדמת: הרחבת בסיסי
8. רגולריזציה
9. עצי רגרסיה
10. קלאסיפיקציה: מודלים גנרטיביים
11. SVM ו Reproducing Kernels
12. Boosting
13. מבוא לרשתות נוירונים

חומר חובה לקריאה:
אין

חומר לקריאה נוספת:
Elements of Statistical Learning (Hastie, Tibshirani & Fridman)
https://web.stanford.edu/~hastie/ElemStatLearn/

Understanding Machine Learning (Shalev-Shwartz & Ben-David)
https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understanding-machine-learning-theory-algorithms.pdf

A Distribution-Free Theory of Nonparametric Regression (Gyorfi, Kohler, Krzyzak & Walk)
https://web.stanford.edu/class/ee378a/books/book1.pdf

מרכיבי הציון הסופי :
הגשת עבודה מסכמת / פרויקט גמר / מטלת סיכום / מבחן בית / רפרט % 75
מטלות הגשה במהלך הסמסטר: תרגילים / עבודות / מבדקים / דוחות / פורום / סימולציה ואחרות % 25

מידע נוסף / הערות: