בעשורים האחרונים למידת מכונה הכתה גלים ולמעשה הפכה לקטר מרכזי בהתפתחות הטכנולוגית.
בדומה למהפכות טכנולוגיות קודמות, ההשפעה היא נרחבת ומשמעותית בהיבטים רבים ועדיין נדמה שרב הנסתר על הגלוי והשינויים המשמעותיים עוד לפנינו.
שינתה את הרגלי הצריכה, הצפייה והאזנה Deep Learning – למידת מכונה, ובתוכה ההתפתחות בשלנו, מאפשרת לנו להתמודד עם כמויות מידע עצומות, גרמה לחלקנו לשוחח עם עוזרים דיגיטליים בחלק משמעותי מהיום, שינתה לגמרי את איסוף המידע ואנליטיקה של חברות וגם צבאות ומדינות.
בשנים האחרונות ההתקדמות שינתה משמעותית את שוק העבודה עם כניסתן של יכולות גנרטיביות.
כיכולות תומכות או כלב הפיתוח. לכן, AI כיום, מרבית השירותים והיישומים דורשים היבטים של הדרישה למהנדסים עם יכולות פיתוח בעולמות התוכן האלו היא בשיאה והביקוש גדול מההיצע.
תכנית ההכשרה למפתחי/ות AIתעניק למשתתפיה את השילוב בין הנדסת אלגוריתמים לידע בעולמות הData, למידה חישובית ועמוקה ויצירת מערכות לעיבוד מידע בסקייל.
הלימודים מתמקדים בנושאי ראייה ממוחשבת CV ועיבוד שפה טבעית Natural Language Processing (NLP) ויכשירו את המשתתפים והמשתתפות לבצע תהליכים משמעותיים בפיתוח AI: הגדרת ארכיטקטורה, בחירת אבני בניין ואלגורתמים, מימוש וולידציה.
על מנת להכין את בוגרי/ות התוכנית באופן המיטבי ביותר לתפקיד, שיטת הלימוד תכלול תרגול רב על כל נושא נלמד. זאת בעזרת שיעורי בית ופרויקטים מורכבים לאורך הקורס, בליווי והנחיית הצוות האקדמי, עד להבנה מעמיקה של התהליך.
בוגרי ובוגרות התכנית יוכלו לעסוק בתפקידים מתקדמים בעולמות מדע הנתונים כגון:
Data Scientist / ML Developer/ Deep Learning Developer
תכנית זו מתמקדת בהכשרת אנשי ונשות פיתוח ל- AI:
- ידע במיומנויות בסיס: כלים מתמטיים, פייתון.
- יצירת בסיס איתן של ידע בתחומי למידה: מושגים, אלגוריתמים, יכולת מימוש עצמאית של אלגוריתם.
- העמקה בעולם ה- Deep Learning עם דגש על ראיית מכונה ו- NLP.
- היכרות מעמיקה עם כלים, תוכנות, שיטות, גישות בעולמות התוכן הרלוונטיים (ML / DL Eco System) לדוגמה, שליטה מלאה ב- SciKit Learn ובניית Pipelines, שליטה מלאה ב-PyTorch.
- הקניית הרגלי עבודה התואמים את הפרקטיקות הנהוגות בשוק.
- יכולת ביצוע פרויקט משמעותי בצורה עצמאית: הגדרת ארכיטקטורה, בחירת אבני בניין ואלגוריתמים, מימוש וולידציה.
- הקורס נבנה מתוך הידע הפרקטי של צוות ההוראה ומתוך רצון להכין את משתתפי התכנית להיות
חברי צוות אפקטיביים בצוותי פיתוח בנושאים הנלמדים.
התכנית מורכבת מ-5 שלבים וכוללת חלקים עיוניים ומעשיים, כולל תרגולים והגשת פרויקטים.
- מיומנויות בסיס:
- יסודות מתמטיים
- Python
- Machine Learning
- Deep Learning
- Deep Learning for Computer Vision
- סדנאות
- CV Tasks
- NLP
- מחברות Jupyter
שימוש במחברות לצורך הדגמת החומר הנלמד, הדגמה של האלגוריתמים על Data Sets עם יכולות
אינטראקטיביות לניתוח השפעה של פרמטרים וביצוע תרגילים מובנים המוליכים את המשתתפים
והמשתתפות לביצוע משימה באופן כולל- החל מניתוח מידע, הצגת המידע, הפעלת כלים לניתוח
תוצאות, טיוב ולבסוף הצגת תוצאות.
- פרויקטים
במסגרת התכנית המשתתפים והמשתתפות יתבקשו לבצע 2 פרויקטים משמעותיים המדמים
פרויקט במסגרת מקצועית, וידרשו לבצע את כלל השלבים המבוצעים בתעשייה בביצוע פרויקט:
-
- הגדרת בעיה ופתרונות
- איסוף חומר רלוונטי
- ביצוע PoC לטובת הגדרת יעדים
- הגדרת ארכיטקטורה
- מימוש הפתרון
- ניתוח והצגת תוצאות
The subjects in these lists do not represent the order in which the subject will be taught. Some of the subjects are marked as optional, which will be taught if time permits.
* Mathematical Background
Linear Algebra
Probability
Common distributions
Introduction to optimization
Estimation theory
Probabilities measures
* Scientific Python & Programming Tools
Python: OOP, Packages & Modules, Contexts, Iterators, etc.
Scientific Python Eco System: NumPy, SciPy, Pandas, SciKit Learn, SciKit Image, PyTorch, etc.
Local Workspace / Environment
IDE: VS Code, Jupyter, Google Collaboratory.
Working with GPUs
* Classical Machine Learning: Supervised Learning
Concepts:
Algorithms:
Ensemble Methods: Boosting and Bagging.
Classification Score: confusion matrix, precision & recall, F1, AUC, ROC, Precision Recall Curve.
* Classical Machine Learning: Unsupervised Learning
Non Parametric Density Estimation
Parametric Clustering
Non Parametric Clustering
Principal Component Analysis
Manifold Learning (Non Linear Dimensionality Reduction)
Anomaly Detection:
Explainability
* Methods in Neural Networks: Part I
Deep Learning
PyTorch
Feed Forward Networks
Optimization methods
Optimization Scheduling
Regularization Methods
* Methods in Neural Networks: Part II (Computer Vision)
Convolutional NN
Normalization Layers
CNN Architectures
Hands On Tips
Transfer Learning
Supervision Concepts
Large Vision Models and the Vision Transformer (ViT).
Explainability
Production
* Computer Vision Workshop
Self Supervised Learning with Auto Encoders
Object Detection
Image Segmentation
Object Tracking with Large Vision Models (Optional).
Contrastive Learning for Object Recognition (Optional).
* Natural Language Processing (NLP) Workshop
Intro to NLP
Recursive Neural Networks (RNN)
Transformers and Attention.
Working with Embeddings.
Textual Visual Search with CLIP.
- בוגרי ובוגרות תואר הנדסי או מדעי במוסד מוכר להשכלה גבוהה.
-
- תואר הנדסי או מדעי במוסד מוכר להשכלה גבוהה. *במקרים חריגים, מועמדים ומועמדות יתבקשו לשלוח גיליון ציונים
- דרישות קדם:
רקע מתמטי
אלגברה לינארית (בסיסי)
הסתברות (בסיסי)
רקע תכנותי
יכולת תכנות בסיסית בכל שפה.
רקע ב- Python (מומלץ)- שליטה בשפה האנגלית
- מעבר מבדק התאמה
- לימודים בימי שלישי ושישי, במתכונת היברידית:ימי שלישי בין השעות 17:00-21:00, לימוד מקוון באמצעות זוםימי שישי בין השעות 09:00-13:00, לימוד פרונטלי בקמפוס הטכניון בחיפההיקף הקורס: 300 ש"א
תכניות לימוד נוספות בתחום
Generative AI and LLM Hands On
תכנית Generative AI הינה תוכנית מעשית המקנה כלים חדשים המתאימים למציאות התעסוקתית המשתנה, בשל הופעתם של מנועי AI ומעניקה את הבסיס הדרוש בעולמות הבינה המלאכותית היוצרת.
