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

שיעור פרטי בMLOps עם AI

ממחברת ניסויים למערכת ML בפרודקשן: שחזור, הגשה, ניטור ואימון מחדש בשלוש רמות

שיעור חי 1:1 עם מורה AI

המורה: נועה

  • התוכנית עודכנה 11.2026
  • עברית, ועוד 5 שפות
  • 3 רמות
  • 35 שיעורים · כ־19 שעות של שיעורים

MLOps

ממחברת ניסויים למערכת ML בפרודקשן: שחזור, הגשה, ניטור ואימון מחדש בשלוש רמות

11 שיעורים · 4 פרקים · שיעור חי פרטי עם המורה על הלוח

מה תדעו לעשות בסוף

  • להסביר במה מערכת ML שונה מתוכנה רגילה ולמה מודלים נכשלים בפרודקשן
  • לשרטט את מחזור החיים של מודל ולזהות את התוצר והאחראי בכל שלב
  • לזהות את רמת הבשלות של צוות ML ולבחור את הצעד הבא שלו
  • לבנות מבנה פרויקט ML שמשחזר אותה תוצאה במחשב אחר, עם קוד, סביבה ו־seed
  • לחלק נתונים נכון, לזהות דליפת מידע ולבחור מדד ו־baseline שמתאימים למטרה
  • לפרק notebook לשלבי pipeline עם קלטים, פלטים ופרמטרים שרצים בפקודה אחת
  • לתעד הרצות אימון ב־MLflow עם פרמטרים, מדדים ו־artifacts ולהשוות ביניהן
  • לרשום מודל ב־registry עם גרסה ו־alias ולנהל גרסאות נתונים עם DVC

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
  • 19 שעות של שיעורים חיים אחד על אחד
  • 35 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 · 35 שיעורים · 19 שע׳ בסך הכול

מתחיליםMLOps למתחילים: מחזור החיים, ניסויים וגרסאות4 פרקים • 11 שיעורים • 5 שע׳ 45 דק׳

בסוף הרמה תדע/י לתאר את מחזור החיים של מודל, להפוך notebook ל־pipeline משוחזר, לעקוב אחרי ניסויים ולנהל גרסאות לנתונים ולמודלים.

  1. מה זה MLOps ולמה צריך אותו3 שיעורים • 1 שע׳ 25 דק׳
    1. 1למה מודלים נכשלים בפרודקשןלהסביר במה מערכת ML שונה מתוכנה רגילה ומה התפקיד של MLOps בפער בין notebook לפרודקשן.שיעור ניסיוןכ־30 דק׳
    2. 2מחזור החיים של מודל מקצה לקצהלשרטט את מחזור החיים של מודל, לזהות את התוצר של כל שלב ומי אחראי עליו.כ־30 דק׳
    3. 3רמות בשלות MLOpsלזהות באיזו רמת בשלות נמצא צוות ML ומה הצעד הבא שישפר אותו.כ־25 דק׳
  2. יסודות השחזוריות3 שיעורים • 1 שע׳ 35 דק׳
    1. 4פרויקט ML משוחזר: קוד, סביבה ו־seedלבנות מבנה פרויקט ML שמאפשר לכל אחד לשחזר את אותה תוצאה במחשב אחר.כ־30 דק׳
    2. 5חלוקת נתונים והערכה כנהלחלק נתונים נכון, לזהות דליפת מידע ולבחור מדד ו־baseline שמשקפים את המטרה העסקית.כ־30 דק׳
    3. 6מ־notebook ל־pipelineלפרק notebook לשלבי pipeline עם קלטים, פלטים ופרמטרים ברורים שאפשר להריץ בפקודה אחת.כ־35 דק׳
  3. ניהול ניסויים2 שיעורים • 1 שע׳
    1. 7מעקב ניסויים עם MLflowלתעד כל הרצת אימון כ־run עם פרמטרים, מדדים ו־artifacts כך שאפשר לחזור אליה.כ־30 דק׳
    2. 8השוואת ניסויים ובחירת מודללהשוות בין runs בצורה שיטתית ולנמק בחירת מודל לפי מדד, עלות ויציבות.כ־30 דק׳
  4. גרסאות לנתונים ולמודלים3 שיעורים • 1 שע׳ 45 דק׳
    1. 9גרסאות לנתונים עם DVCלנהל גרסאות של קבצי נתונים גדולים לצד הקוד ולשחזר בדיוק את הנתונים של כל אימון.כ־35 דק׳
    2. 10Model registry וגרסאות מודללרשום מודל ב־registry עם גרסה, alias ושושלת שמחברת אותו לקוד, לנתונים ול־run.כ־30 דק׳
    3. 11סיכום: תכנון pipeline אימון משוחזרלתכנן pipeline אימון שלם עם מעקב ניסויים, גרסאות נתונים ו־registry, ולהסביר איך הוא יתחבר לניטור ולאימון מחדש.כ־40 דק׳
ממשיכיםממשיכים: מהמודל לפרודקשן — הגשה, קונטיינרים, CI/CD ו־Feature store4 פרקים • 12 שיעורים • 6 שע׳ 45 דק׳

הלומד/ת יגיש/תגיש מודל כ־API בקונטיינר, יפרוס/תפרוס אותו בבטחה, יבנה/תבנה CI/CD עם validation gate וימנע/תמנע training-serving skew בעזרת feature store.

  1. הגשת מודל כ־API3 שיעורים • 1 שע׳ 35 דק׳
    1. 1דפוסי הגשה: batch, online ו־streamingתבחר/י דפוס הגשה מתאים לפי דרישות latency, נפח וטריות של תחזיות.כ־30 דק׳
    2. 2בניית API למודל עם FastAPIתכתוב/תכתבי שירות FastAPI שטוען מודל מה־registry פעם אחת ומחזיר תחזית עם סכמת קלט מאומתת.כ־35 דק׳
    3. 3שרתי מודלים וביצועיםתדע/י מתי לעבור מ־API ידני לשרת מודלים ואיך לשפר latency ו־throughput.כ־30 דק׳
  2. קונטיינרים ופריסה3 שיעורים • 1 שע׳ 40 דק׳
    1. 4Docker למודליםתכתוב/תכתבי Dockerfile רזה ומשוחזר לשירות מודל ותחליט/י איך המודל נכנס ל־image.כ־35 דק׳
    2. 5הרצת שירות מודל ב־Kubernetesתתאר/י איך שירות מודל רץ ב־Kubernetes עם replicas, probes ו־autoscaling.כ־35 דק׳
    3. 6אסטרטגיות פריסה: shadow, canary ו־A/Bתבחר/י אסטרטגיית פריסה בטוחה לגרסת מודל חדשה ותגדיר/י קריטריון ל־rollback.כ־30 דק׳
  3. CI/CD למודלים3 שיעורים • 1 שע׳ 40 דק׳
    1. 7CI לקוד ונתונים של MLתבנה/י pipeline של CI שבודק קוד, פיצ'רים ונתונים בכל commit.כ־35 דק׳
    2. 8CD למודלים: validation gate וקידוםתתכנן/י pipeline שמאמן, מאמת ומקדם מודל מ־staging ל־production רק כשעבר את השער.כ־35 דק׳
    3. 9בדיקות למודלים: מעבר לדיוקתכתוב/תכתבי בדיקות התנהגות, slices ותקציב ביצועים שמונעות מודל גרוע מלעבור את ה־gate.כ־30 דק׳
  4. Feature store וסיכום3 שיעורים • 1 שע׳ 50 דק׳
    1. 10Training-serving skew ומושגי Feature storeתסביר/י איך feature store מונע training-serving skew ודליפת מידע דרך offline/online store ו־point-in-time join.כ־35 דק׳
    2. 11Feature store בפועל עם Feastתגדיר/י entity ו־feature view ב־Feast ותשלוף/י פיצ'רים לאימון ולהגשה מאותה הגדרה.כ־35 דק׳
    3. 12סיכום: תכנון מערכת הגשה מקצה לקצהתתכנן/י ותציג/י מערכת פרודקשן מלאה: feature store, CI/CD עם gate, קונטיינר, פריסה הדרגתית ונקודות ניטור.כ־40 דק׳
מתקדמיםMLOps מתקדמים: ניטור, אימון מחדש, עלויות וממשל4 פרקים • 12 שיעורים • 6 שע׳ 30 דק׳

הלומד/ת מתכננ/ת pipeline פרודקשן מלא למודל: ניטור וזיהוי drift, אימון מחדש אוטומטי ובטוח, שליטה בעלויות GPU וממשל מודלים שעומד בביקורת.

ממופה למבחן: Google Cloud Professional Machine Learning Engineer (מבחן ייחוס לנושאי ניטור, אוטומציה וממשל)

  1. ניטור וזיהוי drift4 שיעורים • 2 שע׳ 5 דק׳
    1. 1מה מנטרים במודל בפרודקשןלהגדיר שכבות ניטור למודל חי ולבחור מדדי proxy כשה־labels מגיעים באיחור.כ־30 דק׳
    2. 2סוגי drift: נתונים, קונספט ותחזיותלהבחין בין data drift, concept drift, label shift ו־prediction drift ולזהות מה מהם פוגע בדיוק.כ־30 דק׳
    3. 3זיהוי drift סטטיסטי: PSI, KS וחלונותלחשב PSI, לבחור מבחן סטטיסטי מתאים לסוג ה־feature ולקבוע חלון וסף התראה סבירים.כ־35 דק׳
    4. 4מערכת ניטור: לוגים, דשבורדים והתראותלתכנן ארכיטקטורת ניטור למודל, מלוג התחזיות ועד התראה עם runbook ברור.כ־30 דק׳
  2. אימון מחדש אוטומטי3 שיעורים • 1 שע׳ 35 דק׳
    1. 5מתי לאמן מחדש: טריגרים ואסטרטגיותלבחור טריגר לאימון מחדש לפי קצב השינוי, זמינות ה־labels ועלות האימון.כ־30 דק׳
    2. 6Continuous Training: pipeline אימון אוטומטילתכנן pipeline אימון מחדש אוטומטי עם בדיקות נתונים, השוואת champion-challenger וקידום בטוח.כ־35 דק׳
    3. 7לולאות משוב, labels ו־retraining בטוחלזהות לולאות משוב מזיקות ולתכנן איסוף labels שמאפשר אימון מחדש נקי.כ־30 דק׳
  3. עלויות GPU ויעילות2 שיעורים • 1 שע׳ 5 דק׳
    1. 8כלכלת GPU: אימון מול inferenceלחשב עלות אימון ו־inference, לזהות GPU מבוזבז ולבחור בין on-demand, spot ו־reserved.כ־30 דק׳
    2. 9אופטימיזציית inference: batching, quantization ו־autoscalingלבחור טכניקות להוזלת inference ולהעריך את ההשפעה שלהן על latency, דיוק ועלות.כ־35 דק׳
  4. ממשל מודלים וסיכום3 שיעורים • 1 שע׳ 45 דק׳
    1. 10ממשל מודלים: lineage, תיעוד ואישוריםלבנות תהליך ממשל למודל: lineage מלא, model card, אישורים ו־audit trail שעומדים בביקורת.כ־30 דק׳
    2. 11AI אחראי בפרודקשן: הוגנות, פרטיות ורגולציהלנטר הוגנות בין תת־קבוצות, לשלב explainability ופרטיות ב־pipeline ולהכיר את דרישות הרגולציה בישראל ובאירופה.כ־35 דק׳
    3. 12סיכום: תכנון מערכת ML בריאה מקצה לקצהלתכנן ולהציג pipeline פרודקשן מלא למודל, כולל ניטור, זיהוי drift וטיפול בו, אימון מחדש, עלויות וממשל.כ־40 דק׳

מה צריך

  • היכרות בסיסית עם Python ועם אימון מודל פשוט
  • היכרות בסיסית עם שורת הפקודה ועם Git
  • מחשב, טאבלט או טלפון עם מיקרופון, ודפדפן

על הקורס

הקורס מלווה מודל לאורך כל חייו בשלוש רמות: מתחילים (שחזוריות, ניסויים וגרסאות), ממשיכים (הגשה, קונטיינרים ו־CI/CD) ומתקדמים (ניטור, אימון מחדש, עלויות וממשל). בכל נושא עובדים אחד על אחד על לוח משותף, ובונים pipeline שלם.

למי הקורס

  • מדעני נתונים שהמודלים שלהם נשארים במחברת ולא מגיעים לפרודקשן
  • מפתחות ומפתחים שנדרשים להגיש ולתחזק מודלים
  • מהנדסי DevOps שמתחילים לעבוד עם מערכות ML
  • מי שמתכוננים למבחן Google Cloud Professional Machine Learning Engineer

מבחנים והסמכות

  • מתקדמים: Google Cloud Professional Machine Learning Engineer (מבחן ייחוס לנושאי ניטור, אוטומציה וממשל)
  • 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
  • למידה עמוקה

    עם נועה

    שיעור חי 1:1 עם מורה AIכ־18 שעות34 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
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 בMLOps?
בוחרים MLOps 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 MLOps?
11 שיעורים של כ־31 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

MLOps45 הדקות הראשונות בחינם

שיעור פרטילהתחיל בחינם