נקודות זכות באוניברסיטה העברית: 3

תואר: בוגר

היחידה האקדמית שאחראית על הקורס: מנהל עסקים

סמסטר: סמסטר א' או / ו ב'

שפת ההוראה: עברית

קמפוס: הר הצופים

מורה אחראי על הקורס (רכז): ד"ר יונתן זוארי

דוא"ל של המורה האחראי על הקורס: jonathan.zouari@mail.huji.ac.il

שעות קבלה של רכז הקורס: בתיאום מראש

מורי הקורס:
ד"ר יונתן זוארי

תאור כללי של הקורס:
בכל מקום שבו מופיעה לשון מין אחד (זכר, או נקבה), הכוונה לבני כל המינים.
מהפיכת המידע שינתה באופן עמוק את ההיקפים, סוגי וקצבי המידע שגופים עסקיים, מחקריים וממשלתיים מחזיקים. שינויים ביכולות המחשוב וניתוח המידע מאפשרים הבנה טובה יותר של תהליכים וסוגיות עסקיות וחברתיות רבות. קורס זה עוסק בשינוי זה ומהווה מבוא לתחום מדעי הנתונים (Data sciences) בעסקים. במהלך הקורס נלמד על התמורות שחלו וחלות בעולם, על מגוון רחב של מתודולוגיות, יכולות ושימושים של מדע הנתונים בעולם העסקי והמחקרי. הקורס ישים דגש מיוחד על דרכי שילוב שיטות הניתוח החדשניות של מדעי המידע, כולל ניתוח סטטיסטי, למידת מכונה ובינה מלכותית בתהליכי קבלת ההחלטות.
בנוסף, התלמיד יתנסה בעבודה בסיסית עם נתונים ומימוש של חלק מהשיטות שילמדו. הקורס בעיקרו תיאורטי ויהווה בסיס לקורסי המשך עתידיים.

מטרות הקורס:
מטרת הקורס היא היכרות טובה עם השיטות המרכזיות בלמידת מכונה (Machine Learning)

תוצרי למידה :
בסיומו של קורס זה, סטודנטים יהיו מסוגלים:
הבנת הקונספטים המרכזיים בתחום מדעי הנתונים ולמידת מכונה הן במובן המתמטי והן במובן היישומי.

דרישות נוכחות (%):
80%

שיטת ההוראה בקורס: הרצאות בכיתה + תרגילים

רשימת נושאים / תכנית הלימודים בקורס:
1. מבוא למדעי הנתונים ולמידת מכונה (Introduction to Data Science and Machine Learning)

2. רגרסיה לינארית במשתנה אחד (Linear Regression with One Variable)

3. אלגברה לינארית בקליפת אגוז (Linear Algebra)

4. רגרסיה לינארית בשני משתנים (Linear Regression with Multiple Variables)

5. רגרסיה לוגיסטית (Logistic Regression)

6. רגולריזציה (Regularization)

7. עצי החלטה (Decision Trees)

8. רשתות נוירונים (אופציונאלי) (Neural Networks)

9. עצות למימוש למידת מכונה (Advices for Applying Machine Learning)

10. בחינת ביצועים של מערכת למידת מכונה (Machine Learning System Design)

11. מכונת תמך וקטורי (Support Vector Machines)

12. למידה בלתי מונחית (Unsupervised Learning) – k-means

13. זיהוי אנומליות (Anomaly Detection)

14. מערכות המלצה (Recommender Systems)

• במסגרת הקורס ניישם את המודלים השונים וננתח נתונים באמצעות התוכנה RapidMiner הניתנת להורדה באתר: https://rapidminer.com ;
• נחזור על מושגים עיקריים מקורסי הסטטיסטיקה ונרחיב עליהם במידת הצורך.

חומר חובה לקריאה:
אין

חומר לקריאה נוספת:
An Introduction to Statistical Learning: with Applications in R (Springer Texts in Statistics) 2nd ed. 2021 Edition by Gareth James (Author), Daniela Witten (Author), Trevor Hastie (Author), Robert Tibshirani (Author)
ניתן להורדה - https://www.statlearning.com/

Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python by Peter Bruce (Author), Andrew Bruce (Author), Peter Gedeck (Author)

Machine Learning by Andrew Ng (Coursera)

מרכיבי הציון הסופי :
מבחן מסכם בכתב/ מבחן בית / בחינה בעל פה % 50
הגשת עבודה מסכמת / פרויקט גמר / מטלת סיכום / רפרט % 40
מטלות הגשה במהלך הסמסטר: תרגילים / עבודות / מבדקים / דוחות / פורום / סימולציה ואחרות % 10

מידע נוסף / הערות:
ֿייתכנו שינויים בחישוב הרכב הציון הסופי. שינויים כאלה, אם יהיו, יוצגו בשיעור הראשון של הקורס ויפורסמו באתר האינטרנט של הקורס.