בפרק זה צללנו לעומק עולם הלמידה הלא מפוקחת, המתמקדת בזיהוי דפוסים ומבנים פנימיים מתוך דאטה לא מתויג. דיברנו על ההבדלים המרכזיים בין למידה מפוקחת ללמידה לא מפוקחת, סקירה של סוגי אלגוריתמים כמו קלאסטרינג (Clustering) ודחיסת נתונים (Dimensionality Reduction), והצגנו מקרי שימוש בתעשייה כמו שיווק ממוקד, ניתוח גנטי וחקר רשתות חברתיות.

בנוסף, דנו באתגרים ויתרונות של למידה לא מפוקחת, דרכים להעריך ביצועי מודלים, והאם זו הגישה המתאימה לכל פרויקט.

לקינוח, התעמקנו בפילוסופיה של התחום וסקירה של העתיד הצפוי ללמידה לא מפוקחת, כולל הכיוונים העדכניים והמשמעותיים ביותר בתחום.

בפרק זה נצלול לעומקו של עולם הלימוד המפוקח ונכיר את השיטות המרכזיות שבהן מחשבים "לומדים" מנתונים כדי לקבל החלטות. נדבר על אלגוריתמים מובילים כמו רגרסיה לינארית, עצי החלטה, Random Forest ו-Gradient Boosting, ונבין כיצד הם פועלים ומהם היתרונות והחסרונות של כל אחד מהם. בנוסף, נסקור את האתגרים המרכזיים בלימוד מפוקח, כמו Overfitting ו-Underfitting, ונציג דרכים להתמודד איתם. הפרק יספק לכם תובנות מעשיות וכלים שיעזרו לבחור באלגוריתם המתאים ביותר לכל בעיה.

בפרק הזה של הפודקאסט שלנו צללנו לעולם למידת המכונה. פתחנו בהסבר על מהי למידת מכונה וכיצד התחום התפתח, עם דגש על פריצות דרך כמו תחרות לעיבוד תמונות ושיפורים בטכנולוגיות מחשוב מתקדמות.

המשכנו בהסבר על סוגי המודלים השונים, כולל למידה מונחית המשמשת לחיזויים ולקטלוגים, למידה בלתי מונחית לזיהוי דפוסים ואנומליות, למידת חיזוק לדוגמאות כמו משחקי אסטרטגיה, ומודלים ליצירת טקסטים ותמונות.

דיברנו גם על האתגרים בבחירת מודלים מתאימים, מתי נכון לשלב כמה מודלים וכיצד להעריך את הצלחתם לפי מדדים עסקיים ושקיפות. הסברנו את ההבדל בין למידת מכונה ללמידה עמוקה ואת התחומים בהם כל שיטה מצטיינת, כמו עיבוד תמונות ושפה טבעית.

לבסוף, סקרנו את האתגרים הצפויים בתחום, מהפיכת רעיונות תיאורטיים לפתרונות מעשיים ועד יישום מערכות חכמות בשוק. בפרק הבא נעמיק בלמידה מונחית ונדבר על האלגוריתמים המרכזיים שבה. תודה שהאזנתם!

אחרי שלוש עונות ועשרות פרקים שעסקו בניתוח נתונים, הגיע הזמן לגוון ולהעמיק לתוך מחילת הארנב של עולם מדעי הנתונים. מסקירה כללית ועד למושגים כמו עצי החלטה, רגרסיות, אנסמבלים ועוד – אנחנו כאן כדי לעשות סדר בבלאגן.

המטרה בסדרת הפרקים החדשים היא להסביר את המושגים המורכבים בצורה פשוטה, פרקטית ומובנת, ולתת לכם הבנה על עולם מדעי הנתונים גם תוך כדי נסיעה בפקקים, טיול או סתם בזמן קפה. אל המסע הזה מצטרף מיכאל ווינר, האחד והיחיד, שילווה אותנו ויעזור לנו להנגיש את הנושאים האלה בצורה מקצועית ומרתקת.

בפרק הראשון סקרנו את תחום מדעי הנתונים, ההבדלים בינו לבין דאטה-אנליטיקס, ואת חשיבותו כיום. דיברנו על הכישורים הנדרשים מדאטה סיינטיסט, תחומי האחריות שלו, האתגרים שהוא פוגש, והכלים שבהם הוא משתמש. בנוסף, שיתפנו טיפים למתחילים ותובנות על עתיד התחום.

מראיונות לתהליכי גיוס: בואו נדבר על מבחנים ומשימות הבית בתהליכי גיוס למשרת ה-Data Analyst

תחום ניתוח הנתונים מושך אליו אנשים מרקעים שונים, ומאופיין לא אחת ע"י תהליך גיוס מאתגר, ודרישה לסט כישורים רחב ומגוון. כדי להתמודד עם הדרישות המגוונות ולבלוט בתהליך גיוס, חשוב להבין את המבחנים ולהתכונן אליהם בצורה מיטבית.

ועל זה בדיוק אני וגדי כרוסט עוסקים בוובינר. יחד עם מומחים מהתעשייה, שוחחנו על הדברים שאתם צריכים לדעת כדי לצלוח את מבחני הבית בצורה הטובה ביותר.

היו איתנו: נעמה דולב, מורג שילו, עשאל ישראלי, עומר ביבר, ושגיא דוד.

והפעם התיישבנו לשוחח עם ג'ינג'י לוהט וחריף, אביעד קליין, Director of Data Science בפלאריום. איש של סטטיסטיקה, מודולים ואלגוריתמיקה. אדם שטייל מפה ועד לתאילנד בחיפוש אחר המתודה המזוקקת ובסוף נחת בפלאריום להטמיע אותה במערכת. דיברנו על משפחה ורקורד מגוון, דיברנו על השונה והמשותף בין האנאליסט לדאטה סיינטיסט ואפילו Meta הוזכרה שם. דיברנו על הנגיעה של ה- Data Science במשחקים, במרקטינג, במכירות ובתנועה באתר. דיברנו על אריסטו, אפלטון אבל דיברנו על ניסויים בעיקר. דיברנו על היפותזות, רנדומיזציה, שיערוכים, זמני ריצה ומדידות. וכמובן דיברנו על זה שאין דבר כזה אני יודע מה יקרה בלי נתונים והשוואות. כלומר ... נראה לנו שעל כל זה דיברנו. הקול של אביעד כל כך מרגיע וזה לבד שווה את ההקשבה.

והפעם התיישבנו לשיחה עם איש משפחה חם, אב לשלושה ופריק של בינה מלאכותית ודאטה. כן, כן, נמרוד פישר אנאליסט עם ניסיון עשיר בחברות כמו סימילר-ווב, זום-אינפו ואופטימוב, והיום פרילנסר כדאטה אנליסט שגם מייעץ לחברות לגבי AI ואוטומציות.

שוחחנו על מהפיכת הבינה המלאכותית בעולם בכלל, ובתחום שלנו בפרט. שוחחנו על ייעול תהליכים, למידה ושיפור עצמי, על אתגרים שיש לחברות קטנות ובינוניות, על איך אנחנו יכולים לתקשר עם צ'ט-ג'יפיטי וג'ימיני, על היתרונות, החסרונות וגם על מלכודות.

אז אם אתם לא אדישים לגמרי לשינוי העצום שאנחנו עוברים, בואו תקשיבו לפרק עם נמרוד, בטוח תצאו מועשרים

והפעם התיישבנו לשוחח עם מאור נתיב, Director of Data ב- Tipalti. גיק של דאטה שהקדים את זמנו ולא מסתפק ב- day job המאתגר שלו ולכן מייעץ לחברות וכותב בלוג PickMyDataBrain.com. דיברנו על טניס טריצה, על Data Literacy ושפות משותפות, על הכשרות עובדים מכל המחלקות, על טרמינולוגיה והסתכלות משותפת, על ה- upstream של הדאטה והצרכנים, על בניית דשבורדים וקבלת החלטות מבוססות דאטה, על פינטק והעברות תשלומים, רשימות שחורות ופספוס של PayPal וכן גם למדנו על לא מעט KPIs. בקיצור פרק מאוד מעשיר על הובלת תהליכי Data Literacy עם גיק של דאטה עם ברכיים גמורות. בואו תאזינו.

והפעם התיישבנו לשוחח עם ניקול פרנסה, Fraud & Risk Analyst ב- Checkout.com. שושואיסטית שאפילו אמא שלה לא יודעת מה היא עושה. בוגרת המכללה למנהל, מובילת משלחות למזרח הרחוק, מתרגלת SQL ומנטורית לג'וניורים וג'וניוריות. דיברנו על Fraud ו- Risk והקשר בינהם. על היצירתיות שחשובה לתפקיד והסכומים האדירים שמושפעים מהעבודה שלה. על כלבים, רכישות אונליין ולרגע חשבנו שפתרנו סוגייה עתיקת יומין - Shein זה שיין או שי-אין? בקיצור היה מרתק ומעשיר. בואו תאזינו.

והפעם התיישבנו לשיחה עם שחר שוורץ, FP&A Director בפלאריום. רואה חשבון בעבר, אדם מצחיק ומוכשר, חובב ספורט שפות וטיולים ומאזין להמלצות של אשתו לפודקאסטים. דיברנו על תכנון פינאנסי, תחזיות ו- ROAS, על הורדות, DAU, MAU ומה שמסתירים בדאטה. דיברנו על הסתכלות רוחבית, היכרות עם המוצר, חשיבה מחוץ לקופסה ולחץ זמנים בסוף רבעון או בסוף שנה. דיברנו על כל מה שאתם צריכים לדעת אם תרצו להכנס לתפקיד ה- FP&A בחברה כמו פלאריום- בואו תקשיבו לאיך שחר לא מסתיר כלום