שיעור פרטי בלמידת מכונה עם AI
ממודל ראשון ב־scikit-learn ועד פרויקט ML שלם: מאמנים, מעריכים ומתקנים מודלים בשיעור אחד על אחד
המורה: נועם
- התוכנית עודכנה 11.2026
- עברית, ועוד 5 שפות
- 3 רמות: מתחילים · ממשיכים · מתקדמים
- 36 שיעורים · כ־20 שעות של שיעורים
למידת מכונה
ממודל ראשון ב־scikit-learn ועד פרויקט ML שלם: מאמנים, מעריכים ומתקנים מודלים בשיעור אחד על אחד
12 שיעורים · 4 פרקים · שיעור חי פרטי עם המורה על הלוח
מה תדעו לעשות בסוף
- להסביר במה מודל שלומד מדוגמאות שונה מתוכנה שמבוססת על חוקים
- לסווג בעיה ללמידה מונחית (רגרסיה או סיווג) או לא מונחית, ולנמק
- להפריד dataset לטבלת X ולתווית y ולזהות ערכים חסרים
- לבצע חלוקת train/test נכונה ולהסביר למה בודקים על נתונים שלא נראו
- לחשב שאריות ו־MSE ולהסביר איך gradient descent מוצא את w ו־b
- לכתוב fit/predict לרגרסיה לינארית ב־scikit-learn ולהשוות מודל ל־baseline
- לסווג נקודה חדשה ידנית בשיטת k השכנים הקרובים
- להכתיב pipeline סיווג מלא עם k-NN ולהציג את תוצאתו מול baseline
- להסביר איך רגרסיה לוגיסטית הופכת צירוף לינארי להסתברות באמצעות sigmoid
- לאמן LogisticRegression, להשתמש ב־predict_proba ולפרש מקדמים
- לבנות מטריצת בלבול ולחשב ממנה precision ו־recall
- להזיז סף החלטה ולהשוות מודלים לפי F1, עקומות ROC ו־PR
- לבחור מדד מתאים לנתונים לא מאוזנים ולשפר עם stratify ו־class_weight
- לאבחן מעקומות למידה התאמת חסר או יתר ולבחור את הצעד הבא
- להעריך מודל עם cross-validation ולכוונן עם GridSearchCV בלי לזהם את ה־test
- לרסן התאמת יתר בעץ החלטה ולבחור בין יער אקראי לרגרסיה לוגיסטית לפי מדדים
- לזהות דליפת מידע בקוד ולבנות Pipeline שלומד כל עיבוד רק מנתוני האימון
- לבנות ColumnTransformer שמשלים ערכים חסרים, מקודד קטגוריות ומנרמל מספרים
- להמציא פיצ'רים חדשים מידע על התחום ולשלב אותם ב־Pipeline
- למדוד תרומת פיצ'רים עם permutation importance על סט הולידציה
- להסביר איך gradient boosting בונה עצים על השאריות ובמה הוא שונה מ־bagging
- לאמן HistGradientBoosting עם עצירה מוקדמת ולכוונן אותו עם RandomizedSearchCV
- להריץ k-means ביד, לבחור k לפי elbow ו־silhouette ולצרף PCA ל־Pipeline
- לנתח שגיאות, לבדוק כיול ולבצע הערכה סופית אחת על ה־test
בסוף כל רמה המורה בודק שזה באמת ברור, לא רק שעברנו על החומר
נושאים קשורים
הקורס כולל
- שיעורים חיים 1:1 עם מורה פרטי AI על לוח
- 20 שעות של שיעורים חיים אחד על אחד
- 36 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 · 12 פרקים · 36 שיעורים · 20 שע׳ בסך הכול
מתחיליםלמידת מכונה — מתחילים: מהנתונים למודל הראשון4 פרקים • 12 שיעורים • 6 שע׳ 40 דק׳
להבין מה זו למידת מכונה, לחלק נתונים נכון ל-train/validation/test, ולאמן ולהעריך ב-scikit-learn מודל רגרסיה לינארית ומסווג k-NN פשוט.
מה זו למידת מכונה3 שיעורים • 1 שע׳ 35 דק׳
- 1ללמוד מדוגמאות במקום לכתוב חוקיםלהסביר במה מודל שלומד מדוגמאות שונה מתוכנה עם חוקים, ולזהות פיצ'רים, תווית ותחזית בבעיה אמיתית.שיעור ניסיוןכ־30 דק׳
- 2סוגי למידה: מונחית ולא מונחיתלסווג בעיה ללמידה מונחית (רגרסיה או סיווג) או לא מונחית, ולנמק לפי סוג הנתונים והפלט.כ־30 דק׳
- 3נתונים כטבלה: X, y ותהליך העבודהלקרוא dataset כטבלה, להפריד ל-X ול-y, לזהות פיצ'רים מספריים וקטגוריים וערכים חסרים, ולתאר את שלבי ה-workflow.כ־35 דק׳
נתוני אימון, ולידציה ובדיקה2 שיעורים • 1 שע׳ 5 דק׳
- 4למה מחלקים: train ו-testלהסביר מה זו הכללה, למה בודקים מודל על נתונים שלא ראה, ולבצע חלוקת train/test נכונה.כ־30 דק׳
- 5סט ולידציה, היפר-פרמטרים ו-baselineלהסביר את התפקיד של סט ולידציה בבחירת היפר-פרמטרים ולהשוות כל מודל ל-baseline פשוט.כ־35 דק׳
רגרסיה לינארית4 שיעורים • 2 שע׳ 15 דק׳
- 6קו ישר, שאריות ופונקציית הפסד MSEלתאר מודל לינארי y=wx+b, לחשב שאריות ו-MSE, ולהסביר למה מחפשים את הקו עם ההפסד הקטן ביותר.כ־35 דק׳
- 7ירידה במורד הגרדיאנטלהסביר איך gradient descent מוצא את w ו-b בצעדים, ולזהות קצב למידה קטן מדי או גדול מדי.כ־35 דק׳
- 8כמה פיצ'רים ומדדי שגיאה לרגרסיהלקרוא מודל לינארי עם כמה פיצ'רים, לפרש משקלים בזהירות ולהשוות מודלים לפי MAE, RMSE ו-R².כ־30 דק׳
- 9רגרסיה לינארית ב-scikit-learnלכתוב את שלבי fit/predict ב-scikit-learn לרגרסיה לינארית, כולל חלוקה ומדידה, ולזהות באגים נפוצים.כ־35 דק׳
סיווג3 שיעורים • 1 שע׳ 45 דק׳
- 10סיווג, גבול החלטה ושכנים קרוביםלהסביר מה זה מסווג וגבול החלטה, ולסווג נקודה חדשה ידנית בשיטת k השכנים הקרובים.כ־35 דק׳
- 11בחירת k, קנה מידה ו-accuracyלבחור k לפי ולידציה, להסביר למה צריך לנרמל פיצ'רים במרחקים, ולזהות מתי accuracy מטעה.כ־30 דק׳
- 12פרויקט מסכם: מסווג מקצה לקצהלתכנן ולהכתיב pipeline סיווג מלא ב-scikit-learn — חלוקה, נרמול, k-NN, בחירת k ובדיקה סופית — ולהציג את התוצאה מול baseline.כ־40 דק׳
ממשיכיםממשיכים: סיווג, הערכה ושליטה בהתאמת יתר4 פרקים • 12 שיעורים • 6 שע׳ 35 דק׳
לאמן רגרסיה לוגיסטית, עצי החלטה ויערות אקראיים ב-scikit-learn, לבחור מדד מתאים לבעיה לא מאוזנת ולאבחן ולתקן התאמת יתר.
ממופה למבחן: MIT 6.036 / scikit-learn User Guide (no formal exam)
רגרסיה לוגיסטית3 שיעורים • 1 שע׳ 35 דק׳
- 1מציון להסתברות: פונקציית ה-sigmoidלהסביר איך רגרסיה לוגיסטית הופכת צירוף לינארי של פיצ'רים להסתברות ולגבול החלטה.כ־30 דק׳
- 2Log-loss: איך מאמנים מסווג הסתברותילהסביר למה log-loss מעניש ביטחון שגוי ואיך ירידה במורד הגרדיאנט מאמנת בעזרתו רגרסיה לוגיסטית.כ־30 דק׳
- 3LogisticRegression ב-scikit-learn: מקדמים ורב-מחלקתילאמן LogisticRegression, להשתמש ב-predict_proba, לפרש מקדמים ולהבין סיווג לכמה מחלקות.כ־35 דק׳
מדדי הערכה לסיווג3 שיעורים • 1 שע׳ 40 דק׳
- 4מטריצת בלבול, precision ו-recallלבנות מטריצת בלבול, לחשב ממנה precision ו-recall ולהסביר מתי כל אחד חשוב יותר.כ־30 דק׳
- 5סף החלטה, F1 ועקומות ROC ו-PRלהזיז את סף ההחלטה, לקרוא עקומות ROC ו-PR ולהשוות מודלים בעזרת F1 ו-AUC.כ־35 דק׳
- 6נתונים לא מאוזנים: בחירת מדד ותיקוןלזהות בעיה לא מאוזנת, לבחור לה את המדד הנכון ולהשתמש ב-stratify ו-class_weight כדי לשפר.כ־35 דק׳
התאמת יתר ורגולריזציה3 שיעורים • 1 שע׳ 40 דק׳
- 7Bias-variance ועקומות למידהלאבחן מעקומות למידה אם מודל סובל מהתאמת חסר או יתר ולבחור את הצעד הבא.כ־35 דק׳
- 8רגולריזציה: L2, L1 והפרמטר Cלהסביר איך עונש על גודל המשקלות מקטין variance ולכוונן אותו ב-scikit-learn.כ־30 דק׳
- 9Cross-validation ו-GridSearchCVלהעריך מודל ב-k-fold cross-validation ולחפש היפר-פרמטרים עם GridSearchCV בלי לזהם את ה-test.כ־35 דק׳
עצי החלטה ויערות אקראיים3 שיעורים • 1 שע׳ 40 דק׳
- 10עץ החלטה: פיצולים ו-Giniלהסביר איך עץ החלטה בוחר פיצול לפי Gini ולחזות עם עץ מאומן.כ־35 דק׳
- 11התאמת יתר בעצים: עומק וגיזוםלזהות התאמת יתר בעץ ולרסן אותה עם max_depth, min_samples_leaf וגיזום.כ־30 דק׳
- 12יער אקראי: bagging, הצבעה וחשיבות פיצ'ריםלהסביר למה יער אקראי מקטין variance, לכוונן אותו ולבחור בינו לבין רגרסיה לוגיסטית לפי המדדים.כ־35 דק׳
מתקדמיםלמידת מכונה — מתקדמים (מקצועי)4 פרקים • 12 שיעורים • 6 שע׳ 45 דק׳
לבנות פרויקט ML מקצועי מקצה לקצה ב-scikit-learn: הנדסת פיצ'רים בתוך Pipeline בלי דליפת מידע, Gradient boosting מכוונן, אשכולות עם k-means ו-PCA, ניתוח שגיאות ומודל מוכן לשימוש.
הנדסת פיצ'רים בתוך Pipeline4 שיעורים • 2 שע׳ 10 דק׳
- 1דליפת מידע ולמה צריך Pipelineלזהות דליפת מידע בקוד ולבנות Pipeline שמבטיח שכל עיבוד נלמד רק מנתוני האימון.כ־30 דק׳
- 2ColumnTransformer: ערכים חסרים וקטגוריותלבנות ColumnTransformer שמשלים ערכים חסרים, מקודד קטגוריות ומנרמל מספרים, כל עמודה לפי סוגה.כ־35 דק׳
- 3יצירת פיצ'רים: טרנספורמציות, תאריכים ואינטראקציותלהמציא פיצ'רים חדשים מתוך ידע על התחום ולהכניס אותם ל-Pipeline כך שמודל פשוט ישתפר.כ־35 דק׳
- 4בחירת פיצ'רים ו-Permutation importanceלבחור אילו פיצ'רים להשאיר ולמדוד את תרומתם באמת עם permutation importance על סט הולידציה.כ־30 דק׳
Gradient boosting3 שיעורים • 1 שע׳ 45 דק׳
- 5Boosting: עצים קטנים שמתקנים טעויותלהסביר איך gradient boosting בונה עצים ברצף על השאריות ובמה זה שונה מ-bagging.כ־35 דק׳
- 6HistGradientBoosting: קצב למידה ועצירה מוקדמתלאמן HistGradientBoosting, לאזן בין learning rate למספר העצים ולעצור אוטומטית לפני התאמת יתר.כ־35 דק׳
- 7כיוונון boosting והשוואת מודליםלכוונן boosting עם RandomizedSearchCV ולבחור בין boosting, יער אקראי ומודל לינארי לפי ראיות.כ־35 דק׳
למידה לא מונחית: אשכולות וממדים3 שיעורים • 1 שע׳ 35 דק׳
- 8k-means: מרכזים, הקצאה ועדכוןלהריץ את k-means ביד על הלוח, להבין מה הוא ממזער ולמה קנה מידה ואתחול משנים את התוצאה.כ־30 דק׳
- 9בחירת k והערכת אשכולותלבחור מספר אשכולות בעזרת elbow ו-silhouette, ולתת לאשכולות פרשנות עסקית בלי להתבלבל עם סיווג.כ־30 דק׳
- 10PCA: הורדת ממדים והדמיהלהבין מה PCA מוצא, לבחור מספר רכיבים לפי שונות מוסברת ולשלב אותו ב-Pipeline לפני מודל או אשכולות.כ־35 דק׳
scikit-learn מקצה לקצה2 שיעורים • 1 שע׳ 15 דק׳
- 11ניתוח שגיאות, כיול ובדיקה סופיתלנתח איפה המודל טועה, לבדוק אם ההסתברויות שלו מכוילות ולבצע הערכה סופית אחת והוגנת על ה-test.כ־35 דק׳
- 12פרויקט מסכם: מנתונים גולמיים למודל שעובדלתכנן ולהגן על פרויקט מלא: Pipeline, בחירת מדד, השוואת מודלים, הערכה סופית ותוכנית ניטור אחרי ההשקה.כ־40 דק׳
מה צריך
- היכרות בסיסית עם Python ועם פונקציות וקווים בגרף
- מחשב עם Python ו־scikit-learn להרצת הקוד (לרמות הראשונות אפשר גם לעבוד על הלוח)
- מחשב, טאבלט או טלפון עם מיקרופון, ודפדפן
על הקורס
הקורס עובר מהיסודות של למידת מכונה, דרך סיווג והערכה ושליטה בהתאמת יתר, ועד פרויקט מקצועי עם Pipeline, boosting ואשכולות. בנוי משלוש רמות, ובכל שיעור פותרים יחד על הלוח ומתאימים את הקצב אליכם.
למי הקורס
- מי שמתחילים ללמוד למידת מכונה ורוצים להבין מה קורה מאחורי הקוד
- מי שמכירים את היסודות ורוצים לשלוט בהערכה, בהתאמת יתר ובבחירת מודל
- מי שרוצים לבנות פרויקט ML מקצה לקצה בלי דליפת מידע
- תלמידים שרוצים תרגול מודרך בקצב אישי עם דוגמאות וטבלאות נתונים
מבחנים והסמכות
- ממשיכים: MIT 6.036 / scikit-learn User Guide (no formal exam)
קורסים נוספים במסלול
המורה שלך
נועםמורה AI פרטי, בשיעור חי על לוח משותףמורה 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 בלמידת מכונה?
- בוחרים למידת מכונה 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 למידת מכונה?
- 12 שיעורים של כ־33 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 בחינםשיעור פרטי עם AI: מה זה ואיך זה עובד







