נקודות זכות באוניברסיטה העברית: 3

תואר: מוסמך

היחידה האקדמית שאחראית על הקורס: מנהל עסקים

סמסטר: סמסטר א' או/ו ב'

שפת ההוראה: אנגלית ועברית

קמפוס: הר הצופיםהר 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:

מורי הקורס:
ד"ר יונתן זוארי,
גב ענבר כנרתי

תאור כללי של הקורס:
בכל מקום שבו מופיעה לשון מין אחד (זכר, או נקבה), הכוונה לבני כל המינים.
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.

מטרות הקורס:
מטרת הקורס היא היכרות טובה עם השיטות המרכזיות במדעי הנתונים ולמידת מכונה והבנה של תפקידם בסביבה עסקית מודרנית.

תוצרי למידה :
בסיומו של קורס זה, סטודנטים יהיו מסוגלים:
הבנת הקונספטים המרכזיים בתחום מדעי הנתונים. יכולת לתאר את הטרנדים המובילים בתחום, התפתחותם והשפעתם על העולם. הבנת התועלות שבבניית תובנות עסקיות ומחקריות מבוססות נתונים וכן את המגבלות של שיטות אלה תוך יישום של מחשבה ביקורתית

דרישות נוכחות (%):
80

שיטת ההוראה בקורס: הרצאות ודיונים בכיתה, שישלבו דיון באספקטים תאורטיים, עם דוגמאות ותרגילים מעולם העסקים. תרגילי־בית שמיועדים לפיתוח חשיבה אנליטית.

רשימת נושאים / תכנית הלימודים בקורס:
רשימת נושאי הקורס עשויה להשתנות מעט בין קבוצות/סמסטרים.

לרשימה עדכנית יש להתייחס לסילבוס הקורס במודל.

בין הנושאים 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 in a nutshell)
4.פונקציית העלות (Cost function)
5.רגרסיה לינארית במספר משתנים (Linear Regression with Multiple Variables)
6.רגרסיה לוגיסטית (Logistic Regression)
7.רגולריזציה (Regularization)
8.עצי החלטה (Decision Trees)
9.רשתות נוירונים (אופציונאלי) (Neural Networks)
10.עצות למימוש למידת מכונה (Advices for Applying Machine Learning)
11.בחינת ביצועים של מערכת למידת מכונה (Machine Learning System Design)
12.מכונת תמך וקטורי (אופציונלי) (Support Vector Machines)
13.למידה בלתי מונחית (Unsupervised Learning) אלגוריתם – k-means
14.זיהוי אנומליות (אופציונלי) (Anomaly Detection)
15.מערכות המלצה (אופציונלי) (Recommender Systems)

חומר חובה לקריאה:
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)

חומר לקריאה נוספת:
חומרי קריאה נוספת יפורטו בסילבוס המפורט של הקורס במודל

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

מידע נוסף / הערות:
ייתכנו שינויים בהרכב הציון הסופי בקורס. שינויים אלה, אם יהיו, יוצגו בשיעור הראשון של הקורס ויפורסמו באתר האינטרנט של הקורס.

שימו לב, הקבוצה עם ד״ר יונתן זוארי תלמד דרך הקלטות ויהיה מפגש שבועי של 45 דק (פרטים מלאים ינתנו בשיעור הראשון)