45 דקות שיעור חינם · מתחילים עכשיו, בלי כרטיס אשראי
שיעור פרטי

שיעור פרטי בלמידה עמוקה עם AI

ללמוד איך רשתות נוירונים עובדות: מנוירון בודד ועד CNN, טרנספורמרים ואימון ב-PyTorch

שיעור חי 1:1 עם מורה AI

המורה: נועה

  • התוכנית עודכנה 11.2026
  • עברית, ועוד 5 שפות
  • 3 רמות
  • 34 שיעורים · כ־18 שעות של שיעורים

למידה עמוקה

ללמוד איך רשתות נוירונים עובדות: מנוירון בודד ועד CNN, טרנספורמרים ואימון ב-PyTorch

11 שיעורים · 3 פרקים · שיעור חי פרטי עם המורה על הלוח

מה תדעו לעשות בסוף

  • להסביר במה מודל שלומד מדוגמאות שונה מתוכנה רגילה
  • לקרוא ולכתוב shape של וקטור, מטריצה ו-tensor ולחשב מכפלת מטריצות
  • לחשב ביד את הפלט של נוירון בודד עם משקלים ו-bias
  • להשוות בין step, sigmoid, tanh ו-ReLU ולהסביר למה נחוצה אי-לינאריות
  • לחשב ביד forward pass ברשת עם שכבה נסתרת, כולל פתרון XOR
  • לעקוב אחרי shape של batch בכל שכבה ב-MLP ולספור את הפרמטרים
  • לחשב softmax, MSE ו-cross-entropy ולבחור שכבת פלט לפי סוג המשימה
  • לבצע ביד צעדי gradient descent ולזהות overfitting מעקומות loss

בסוף כל רמה המורה בודק שזה באמת ברור, לא רק שעברנו על החומר

הקורס כולל

  • שיעורים חיים 1:1 עם מורה פרטי AI על לוח
  • 18 שעות של שיעורים חיים אחד על אחד
  • 34 שיעורים על לוח משותף, כל אחד עם יעד ברור
  • תרגול ובדיקת הבנה בכל שיעור
  • סיכום אחרי כל שיעור, שנשמר בהיסטוריה
  • תעודת סיום לכל רמה
  • מחשב, טאבלט או טלפון
  • עברית, ועוד 5 שפות

תוכנית הקורס

3 רמות · 11 פרקים · 34 שיעורים · 18 שע׳ 25 דק׳ בסך הכול

מתחיליםמתחילים: מהנוירון הבודד לרשת שלומדת3 פרקים • 11 שיעורים • 5 שע׳ 35 דק׳

להבין מה בנוי מנוירון, מה עושות פונקציות ההפעלה ומה עושה רשת עם שכבות, לעקוב אחרי הצורות במעבר קדימה, ולהסביר במילים איך loss ו-gradient descent מלמדים את הרשת.

  1. יסודות: נתונים, צורות ונוירון3 שיעורים • 1 שע׳ 25 דק׳
    1. 1מה זו למידה עמוקה ומה היא לומדתלהסביר מה ההבדל בין תוכנה רגילה למודל שלומד מדוגמאות, ואיפה למידה עמוקה משתלבת בתוך AI ו-machine learning.שיעור ניסיוןכ־25 דק׳
    2. 2וקטורים, מטריצות וצורות (shape)לקרוא ולכתוב shape של וקטור, מטריצה ו-tensor, ולחשב מכפלת מטריצות ואת הצורה שלה.כ־30 דק׳
    3. 3הנוירון המלאכותילחשב ביד את הפלט של נוירון בודד ולהסביר מה תפקידם של המשקלים וה-bias.כ־30 דק׳
  2. פונקציות הפעלה ורשתות עם שכבות4 שיעורים • 2 שע׳ 5 דק׳
    1. 4פונקציות הפעלה: step, sigmoid, tanh, ReLUלשרטט ולהשוות את פונקציות ההפעלה הנפוצות ולהסביר למה בלי אי-לינאריות רשת עמוקה שווה לשכבה אחת.כ־30 דק׳
    2. 5רשת עם שכבות ומעבר קדימהלבנות על הלוח רשת קטנה עם שכבה נסתרת ולחשב בה forward pass ביד, כולל פתרון XOR.כ־35 דק׳
    3. 6מעקב צורות ופרמטרים ברשתלעקוב אחרי ה-shape של batch דרך כל שכבה ברשת MLP ולספור את מספר הפרמטרים בה.כ־30 דק׳
    4. 7שכבת הפלט: רגרסיה, סיווג ו-softmaxלבחור שכבת פלט ופונקציית הפעלה מתאימה לרגרסיה, לסיווג בינארי ולסיווג רב-מחלקתי, ולחשב softmax.כ־30 דק׳
  3. איך רשת לומדת4 שיעורים • 2 שע׳ 5 דק׳
    1. 8פונקציית loss: למדוד כמה טעינולחשב MSE ו-cross-entropy על דוגמה קטנה ולהסביר למה כל אחת מתאימה לסוג משימה אחר.כ־30 דק׳
    2. 9gradient descent: לרדת במדרוןלהסביר מה הנגזרת אומרת על כל משקל ולבצע ביד כמה צעדי gradient descent על מודל עם פרמטר אחד.כ־35 דק׳
    3. 10לולאת האימון: batch, epoch ו-stepלתאר את לולאת האימון שלב אחרי שלב ולחשב כמה צעדי עדכון יש באימון לפי גודל הנתונים, ה-batch וה-epochs.כ־30 דק׳
    4. 11הכללה: overfitting, validation ו-testלחלק נתונים ל-train/validation/test, לזהות overfitting ו-underfitting מעקומות loss ולבחור תיקון ראשון מתאים.כ־30 דק׳
ממשיכיםממשיכים: backpropagation, PyTorch ואימון יציב4 פרקים • 12 שיעורים • 6 שע׳ 25 דק׳

הלומד/ת מבין/ה איך backpropagation מחשב גרדיאנטים, כותב/ת רשת ולולאת אימון ב-PyTorch, בוחר/ת optimizer ו-learning rate, משתמש/ת ב-dropout ונרמול ומאבחן/ת אימון שלא מתכנס.

  1. Backpropagation: מאיפה מגיעים הגרדיאנטים3 שיעורים • 1 שע׳ 35 דק׳
    1. 1כלל השרשרת וגרף חישובלפרק חישוב לגרף צמתים ולחשב בעזרת כלל השרשרת את הנגזרת של ה-loss לפי כל משתנה.כ־30 דק׳
    2. 2Backprop דרך שכבה שלמה: גרדיאנטים במטריצותלחשב את הגרדיאנטים של שכבה לינארית ו-ReLU בצורה מטריציונית ולוודא שה-shape של כל גרדיאנט תואם לפרמטר.כ־35 דק׳
    3. 3גרדיאנטים נעלמים ומתפוצצים, ואתחול משקליםלהסביר למה גרדיאנטים נעלמים או מתפוצצים ברשת עמוקה ולבחור אתחול Xavier או He ו-gradient clipping בהתאם.כ־30 דק׳
  2. PyTorch: מהטנזור ועד לולאת אימון4 שיעורים • 2 שע׳ 5 דק׳
    1. 4טנזורים ו-autograd ב-PyTorchליצור טנזורים, לבדוק shape ו-dtype, ולהשתמש ב-requires_grad ו-backward() כדי לקבל גרדיאנטים אוטומטית.כ־30 דק׳
    2. 5בניית מודל עם nn.Moduleלהגדיר רשת כמחלקת nn.Module עם __init__ ו-forward, לספור פרמטרים ולעקוב אחרי ה-shapes בתוכה.כ־30 דק׳
    3. 6Dataset, DataLoader ולולאת האימון ב-PyTorchלכתוב לולאת אימון מלאה ב-PyTorch עם DataLoader, loss, backward ו-optimizer.step, ולהסביר כל שורה בה.כ־35 דק׳
    4. 7הערכה, train/eval ושמירת checkpointלכתוב לולאת validation נכונה, להבחין בין model.train ל-model.eval, ולשמור ולטעון מודל עם state_dict.כ־30 דק׳
  3. אופטימייזרים ו-learning rate2 שיעורים • 1 שע׳ 5 דק׳
    1. 8מ-SGD ל-Momentum, RMSprop ו-Adamלהסביר מה מוסיפים momentum, RMSprop ו-Adam על SGD ולבחור optimizer מתאים למשימה.כ־35 דק׳
    2. 9Learning rate, schedulers ו-warmupלזהות מגרף loss אם ה-learning rate גדול או קטן מדי ולבחור scheduler כמו step, cosine או warmup.כ־30 דק׳
  4. Dropout, נרמול ואבחון אימון3 שיעורים • 1 שע׳ 40 דק׳
    1. 10רגולריזציה: weight decay ו-Dropoutלהשתמש ב-weight decay וב-Dropout נגד overfitting ולהסביר למה Dropout מתנהג אחרת באימון ובהערכה.כ־30 דק׳
    2. 11Batch Normalization ו-Layer Normalizationלהסביר מה BatchNorm ו-LayerNorm מנרמלים, על איזה ציר, ומה ההבדל ביניהם באימון ובהערכה.כ־35 דק׳
    3. 12אבחון אימון: כשהרשת לא לומדתלאבחן אימון תקול מגרפי loss ובדיקות שיטתיות ולתקן את הגורם: נתונים, shapes, lr או רגולריזציה.כ־35 דק׳
מתקדמיםלמידה עמוקה למתקדמים: CNN, רשתות רקורסיביות, טרנספורמרים ו-Transfer learning4 פרקים • 11 שיעורים • 6 שע׳ 25 דק׳

לתכנן, לבנות ולכוונן ב-PyTorch רשתות CNN, RNN וטרנספורמרים, לעקוב אחרי הצורות בכל שכבה ולבחור אסטרטגיית Transfer learning וכלי אימון מתאימים לעבודה אמיתית.

  1. רשתות קונבולוציה (CNN)3 שיעורים • 1 שע׳ 40 דק׳
    1. 1פעולת הקונבולוציה: kernel, stride ו-paddingלחשב קונבולוציה ידנית על תמונה קטנה ולחזות את גודל הפלט לפי kernel, stride ו-padding.כ־30 דק׳
    2. 2בניית CNN מלא: pooling, receptive field ומעקב צורותלבנות ב-PyTorch רשת CNN לסיווג תמונות ולעקוב אחרי צורת הטנזור מהתמונה ועד ה-logits.כ־35 דק׳
    3. 3ארכיטקטורות מודרניות: ResNet וחיבורי שאריתלהסביר איך חיבורי שארית מאפשרים לאמן רשתות עמוקות מאוד ולבנות residual block עם BatchNorm.כ־35 דק׳
  2. רצפים ורשתות רקורסיביות2 שיעורים • 1 שע׳ 10 דק׳
    1. 4נתוני רצף, embeddings ו-RNNלייצג טקסט כטנזור של embeddings, להריץ RNN צעד אחר צעד ולהסביר מה BPTT מעדכן.כ־35 דק׳
    2. 5LSTM ו-GRU: שערים וזיכרון ארוךלהסביר איך שערי LSTM ו-GRU מונעים גרדיאנטים נעלמים ולהשתמש ב-nn.LSTM עם padding ורצפים באורכים שונים.כ־35 דק׳
  3. Attention וטרנספורמרים3 שיעורים • 1 שע׳ 50 דק׳
    1. 6מנגנון Attention: Query, Key, Valueלחשב scaled dot-product attention על דוגמה קטנה ולהסביר את תפקיד Q, K, V והחלוקה בשורש d_k.כ־35 דק׳
    2. 7בלוק הטרנספורמר: multi-head, מיקום ו-Add & Normלבנות בלוק טרנספורמר שלם ולעקוב אחרי הצורות דרך multi-head attention, positional encoding ו-feed-forward.כ־40 דק׳
    3. 8Encoder, Decoder ומודלי שפהלהבחין בין encoder-only, decoder-only ו-encoder-decoder ולהסביר אימון next-token עם causal mask ויצירת טקסט.כ־35 דק׳
  4. Transfer learning ואימון בעולם האמיתי3 שיעורים • 1 שע׳ 45 דק׳
    1. 9Transfer learning בראייה: feature extraction ו-fine-tuningלבחור בין feature extraction ל-fine-tuning לפי גודל ודמיון הנתונים, ולהתאים מודל מאומן מראש ב-PyTorch.כ־35 דק׳
    2. 10Fine-tuning לטרנספורמרים ו-LoRAלכוונן טרנספורמר מאומן מראש למשימת טקסט ולהסביר איך LoRA חוסך זיכרון ופרמטרים.כ־35 דק׳
    3. 11אימון ברמת production: GPU, זיכרון ו-mixed precisionלהעריך זיכרון GPU של אימון ולהפעיל mixed precision, gradient accumulation ו-gradient clipping כדי לאמן מודל גדול ביציבות.כ־35 דק׳

מה צריך

  • היכרות בסיסית עם פייתון מומלצת מהרמה השנייה
  • אין צורך בידע קודם בלמידה עמוקה
  • מחברת או נייר לחישובים ביד
  • מחשב, טאבלט או טלפון עם מיקרופון, ודפדפן

על הקורס

הקורס עובר מהיסודות של למידה עמוקה ועד ארכיטקטורות מודרניות, בשלוש רמות: מתחילים, ממשיכים ומתקדמים. בכל שיעור פותרים וחושבים יחד על לוח משותף: מחשבים ביד, עוקבים אחרי צורות ובונים קוד ב-PyTorch צעד אחר צעד.

למי הקורס

  • מי שרוצה להבין איך רשת נוירונים לומדת, ולא רק להריץ קוד
  • תלמידים וסטודנטים בקורסי AI ולמידת מכונה שרוצים להשלים פערים
  • מתכנתים שרוצים לעבור מהשימוש בספריות להבנה של מה קורה בפנים
  • מי שכבר מכיר את הבסיס ורוצה להגיע ל-CNN, טרנספורמרים ו-fine-tuning
  • בינה מלאכותית ולמידת מכונה

    עם נועם

    שיעור חי 1:1 עם מורה AIכ־19 שעות35 שיעורים3 רמות
  • להשתמש ב־AI בחוכמה

    עם נועם

    שיעור חי 1:1 עם מורה AIכ־12 שעות24 שיעורים2 רמות
  • למידת מכונה

    עם נועם

    שיעור חי 1:1 עם מורה AIכ־20 שעות36 שיעורים3 רמות
  • עיבוד שפה טבעית (NLP)

    עם נועם

    שיעור חי 1:1 עם מורה AIכ־20 שעות35 שיעורים3 רמות
  • ראייה ממוחשבת

    עם נועם

    שיעור חי 1:1 עם מורה AIכ־20 שעות36 שיעורים3 רמות
  • MLOps

    עם נועה

    שיעור חי 1:1 עם מורה AIכ־19 שעות35 שיעורים3 רמות
לכל הקורסים במסלול בינה מלאכותית

המורה שלך

נועהנועהמורה AI פרטי, בשיעור חי על לוח משותף

מורה AI פרטי שמלמד בשיחה חיה: שואל, מקשיב, מצייר על הלוח ונותן לפתור לבד עם רמזים. זוכר מה למדתם ומתחיל כל שיעור מהמקום שעצרתם.

איך נראה שיעור?

  • הילד מדבר עם המורה בקול, כמו בשיחת וידאו, ושואל מה שלא ברור.

  • המורה מסביר, כותב ומצייר על לוח משותף, והילד פותר איתו על אותו לוח.

  • אפשר לצלם דף עבודה או שיעורי בית וללמוד ממנו, תרגיל אחרי תרגיל.

  • ההורה מקבל דוח: זמן לימוד, מה הצליח ומה כדאי לחזק.

כללי השיעור

  • רק לימוד

שאלות נפוצות

איך עובד שיעור פרטי בלמידה עמוקה?
בוחרים למידה עמוקה ורמה, ומדברים עם המורה בקול. המורה שואל מה כבר ידוע, מסביר, כותב ומצייר על הלוח, ונותן לפתור לבד עם רמזים עד שהעניין ברור.
כמה זמן לוקח הקורס למידה עמוקה?
11 שיעורים של כ־30 דקות ברמה הראשונה, בקצב שלך. אפשר לעצור, לחזור ולדלג על מה שכבר ידוע.
צריך ידע קודם?
לא ברמת המתחילים. בתחילת השיעור הראשון המורה בודק מה כבר ידוע ומתאים את הרמה, ואפשר להתחיל ישר מרמה מתקדמת.
איך מתחילים בחינם?
נכנסים עם חשבון Google או עם קוד שנשלח למייל, כותבים שם וכיתה של הילד, והשיעור מתחיל מיד. כל משפחה מקבלת 45 דקות שיעור חינם, בכל מקצוע, לפי זמן השיעור בפועל, בלי כרטיס אשראי. אחר כך בוחרים מנוי בתשלום, ומבטלים בכל עת.
על איזה מכשיר לומדים?
בכל מחשב, טאבלט או טלפון עם דפדפן ומיקרופון. אפשר גם להתקין את האתר כאפליקציה במסך הבית.

רוצים לנסות?

נכנסים, כותבים שם וכיתה של הילד, והשיעור מתחיל. 45 דקות שיעור חינם, בלי כרטיס אשראי.

להתחיל בחינם

שיעור פרטי עם AI: מה זה ואיך זה עובד

למידה עמוקה45 הדקות הראשונות בחינם

שיעור פרטילהתחיל בחינם