המקפצה לקריירה שלך בהייטק: תואר שני (M.Sc) בהנדסת תוכנה
תוכנית דו-שנתית גמישה, המותאמת במיוחד לאנשים עובדים
משך
סמסטרים
היקף
נ״ז
תנאי סף
ציון ממוצע ב-B.Sc (הנדסה/מדעים)
המסלול הכללי
לבחירה גמישה והעמקה במגוון תחומים
קורסי חובה | בסיס חזק
קורסי בחירה ממגוון תחומים | גמישות מירבית
פרוייקט גמר מעשי | יישום
לתכנית הלימודים
מומלץ
התמחות בבינה מלאכותית (AI)
המסלול המבוקש לפיתוח מומחיות בדאטה ואלגוריתמים
קורסי חובה | בסיס חזק
קורסי התמחות ב-AI ולמידת תוכנה | פוקוס על העתיד
קורסי בחירה נוספים | השלמת ידע
פרוייקט גמר יישומי ב-AI | חוד החנית
לתכנית הלימודים
סמסטרים
נ״ז
ציון ממוצע ב-B.Sc (הנדסה/מדעים)
קורסים
קורסי חובה
- עקרונות רשתות נוירונים
- אלגוריתמים מבוזרים
- כלים מתמטיים בהנדסה תוכנה
- סמינריון בהנדסה תוכנה ו-AI
קורסי בחירה
- תכנות מואץ עם מעבדים גרפיים
- כלים מתמטיים ל-Data Science
- למידת חיזוק
- בינה מלאכותית כללית
הצג יותרהצג פחות
- למידת מכונה בגראפים
- עיבוד תמונה וראייה ממוחשבת
- DevOps & MLOps Infrastructure
- הדמיית נתונים
- ביולוגיה חישובית
- שימוש בסימולציה ו-Digital Twins
- בדיקות תוכנה ואיכות נתונים
קורסי התמחות ב-Ai
- למידה עמוקה מתקדמת
- תורת האינפורמציה (10550)
- למידת מכונה בגרפים (10560)
- נושאים בבינה מלאכותית (10507)
- למידת חיזוק בבינה מלאכותית (10139)
סילבוס
עקרונות רשתות נוירונים (Principles of Neural Networks)
ה-א'-ב' של הבינה המלאכותית.
מטרות: קורס חובה המשמש כמבוא ותנאי הכרחי לקורס המתקדם. הקניית הבנה מעשית ואינטואיטיבית של האופן שבו מחשבים "לומדים".
נושאים: ארכיטקטורות בסיס (FC), רשתות קונבולוציה (CNN) לראייה ממוחשבת, רשתות לטיפול בסדרות עיתיות (RNN/LSTM), ואלגוריתמי אופטימיזציה (Backpropagation).
חשיבות: לפני שרצים למודלים גנרטיביים, חייבים להבין איך בונים, מאמנים ומדבגים רשת עמוקה מאפס.
למידה עמוקה מתקדמת (Advanced Deep Learning & GenAI)
הפלאגשיפ של התואר.
מטרות: שליטה בארכיטקטורות המהפכניות ביותר ששינו את העולם: מ-Transformers ועד מודלים גנרטיביים (Generative AI).
קראו עודקראו פחות
נושאים: עבודה עם מודלי שפה ענקיים (LLMs/ChatGPT), רשתות GAN ליצירת תוכן ויזואלי, מנגנוני Attention ולמידה בפיקוח עצמי (Self-supervised).
חשיבות: זהו הכרטיס כניסה לפיתוח הדור הבא של מוצרי AI.
למידת מכונה (Machine Learning)
היסודות עליהם הכל בנוי.
מטרות: הבנה עמוקה של האלגוריתמים הקלאסיים המהווים את הבסיס לכל מערכת בינה מלאכותית.
נושאים: למידה מונחית (Supervised) ולא מונחית, SVM, עצי החלטה, ומבוא לרשתות נוירונים.
קראו עודקראו פחות
חשיבות: כי אי אפשר לבנות רשתות נוירונים עמוקות בלי להבין את היסודות הסטטיסטיים של למידה.
סמינר מתקדם בהנדסת תוכנה (Agents & Innovation)
חוד החנית הטכנולוגי (Bleeding Edge).
מטרות: הגשר הישיר לתעשייה ולמחקר העדכני ביותר. הקורס דינמי ומשתנה בהתאם לטרנדים החמים ביותר.
נושאים: התמקדות בטכנולוגיות מתפרצות כגון סוכנים אוטונומיים (AI Agents), ארכיטקטורות ענן חדשות ואתגרים בפיתוח מערכות AI מודרניות.
קראו עודקראו פחות
חשיבות: כדי להיות צעד אחד לפני כולם ולהכיר את הטכנולוגיות שיכנסו לשוק רק בעוד שנה.
תכנות מואץ עם מעבדים גרפיים (GPU Programming)
המנוע שמאחורי המהפכה.
מטרות: לשבור את מחסום המהירות. התמחות בחישוב מקבילי מסיבי על גבי כרטיסי מסך (GPU), החומרה שמאפשרת את קיומם של מודלים עמוקים.
נושאים: ארכיטקטורת CUDA, ניהול זיכרון מתקדם ואופטימיזציה של חישובים מתמטיים כבדים הנדרשים לאימון רשתות נוירונים.
קראו עודקראו פחות
חשיבות: אימון מודל Deep Learning דורש כוח חישוב עצום; כאן לומדים איך לנצל את החומרה עד הקצה.
כלים מתמטיים ל-Data Science
המתמטיקה של הבינה.
מטרות: רכישת הכלים המתמטיים המאפשרים למחשב "להבין" נתונים ולבצע אופטימיזציה למודלים מורכבים.
נושאים: אלגברה לינארית מתקדמת (SVD – הבסיס להורדת מימדים), ערכים עצמיים, תהליכים אקראיים ושרשראות מרקוב.
קראו עודקראו פחות
חשיבות: זהו ההבדל בין מי שרק "מריץ קוד" למי שמבין איך המודל עובד "מתחת למכסה המנוע" ויודע לשפר אותו
למידת חיזוק (Reinforcement Learning)
אימון סוכנים חכמים.
מטרות: ללמד מחשבים ללמוד מניסיון. התחום שמאפשר רובוטיקה אוטונומית ומערכות קבלת החלטות מתקדמות.
נושאים: מודלים בהשראת AlphaZero, תהליכי קבלת החלטות (MDP), ואימון רשתות עצביות הפועלות בזמן אמת בסביבה משתנה.
קראו עודקראו פחות
חשיבות: המעבר מ-AI שמסווג תמונות ל-AI שמקבל החלטות ופועל בעולם האמיתי.
בינה מלאכותית כללית (General AI)
התמונה הגדולה והאתיקה.
מטרות: חקר גבולות הבינה המלאכותית (AGI) והבנת מנגנוני הסקה שאינם מבוססים רק על סטטיסטיקה.
נושאים: אלגוריתמי חיפוש חכמים, ייצוג ידע, תכנות לוגי וסוגיות באתיקה של AI (כגון הטיות ואחריות).
חשיבות: פיתוח AI אחראי דורש הבנה עמוקה של מגבלות המכונה וההשלכות האתיות שלה.
למידת מכונה בגראפים (Graph ML)
AI מעבר לתמונות וטקסט.
מטרות: יישום Deep Learning על מבני נתונים מורכבים ומקושרים (כגון רשתות חברתיות, מולקולות או רשתות הונאה).
נושאים: רשתות נוירונים גרפיות (GNNs), יצירת מודלים גנרטיביים של גרפים וייצוג ידע וקטורי (Embeddings).
למה זה קריטי: חיוני לתעשיות הפינטק, הסייבר וגילוי תרופות.
עיבוד תמונה וראייה ממוחשבת (Computer Vision)
העיניים של ה-AI.
מטרות: הבנת היסודות הקלאסיים של עיבוד תמונה המהווים את שלב קדם-העיבוד (Pre-processing) לכל מערכת ראייה ממוחשבת.
נושאים: אלגוריתמים לשיפור תמונה, זיהוי גבולות, פילוח (Segmentation) והכנת דאטה ויזואלי לאימון מודלים.
קראו עודקראו פחות
חשיבות: מודל Deep Learning טוב מתחיל בנתונים טובים. הקורס מלמד איך לטפל בתמונה לפני שהיא נכנסת לרשת.
אלגוריתמים מבוזרים (Distributed Systems)
מטרות: איך מתמודדים עם נתונים שלא נכנסים במחשב אחד? עקרונות לארכיטקטורות ענק (Scale).
נושאים: חישוב מקבילי ב-MapReduce, תכנות ב-Spark (PySpark) וניהול מערכות מבוזרות.
קראו עודקראו פחות
חשיבות: אימון מודלים של AI דורש עיבוד כמויות דאטה עצומות (Big Data) בצורה מבוזרת ויעילה.
DevOps & MLOps Infrastructure
מפיתוח לייצור.
מטרות: גישור הפער בין כתיבת המודל לבין הטמעתו במוצר חי (Production).
נושאים: אוטומציה של תהליכים (CI/CD), עבודה עם ענן (AWS) וקונטיינרים (Docker) לניהול סביבות עבודה.
חשיבות: בתעשייה, מהנדס AI חייב לדעת איך "לארוז" את המודל שלו ולפרוס אותו לענן בצורה אוטומטית (MLOps).
הדמיית נתונים (Data Visualization)
Storytelling עם דאטה.
מטרות: הצגת נתונים מורכבים ותוצאות של מודלים בצורה ויזואלית שתומכת בקבלת החלטות.
נושאים: טכניקות להצגת נתונים רב-ממדיים (High-dimensional data), אינפוגרפיקה אינטראקטיבית והנגשת תובנות.
קראו עודקראו פחות
חשיבות: היכולת להסביר את ביצועי המודל ("Explainable AI") להנהלה או ללקוחות היא מיומנות חובה.
ביולוגיה חישובית (AI in Biotech)
יישום: הייטק בשירות הרפואה.
מטרות: שילוב בין מדעי המחשב לגנומיקה. דוגמה מושלמת ליישום אלגוריתמים על נתוני עתק.
נושאים: ניתוח רצפי DNA, שימוש בספריות Python לניתוח ביולוגי וכריית מידע ממאגרי ענק.
קראו עודקראו פחות
חשיבות: חשיפה לאחד התחומים הצומחים ביותר המשתמשים ב-AI לפיתוח תרופות ורפואה מותאמת אישית.
שימוש בסימולציה ו-Digital Twins
יצירת מציאות וירטואלית.
מטרות: בניית מודלים ממוחשבים המחקים תהליכים אמיתיים לצורך אופטימיזציה וחיזוי.
נושאים: מודלים סטוכסטיים וסימולציית אירועים בדידים.
קראו עודקראו פחות
חשיבות: משמש כיום ליצירת "תאומים דיגיטליים" ולייצור דאטה סינתטי (Synthetic Data) לאימון מערכות AI כשחסרים נתונים אמיתיים.
בדיקות תוכנה ואיכות נתונים (Quality Assurance)
אמינות מערכות מורכבות.
מטרות: מתודולוגיות להבטחת איכות בקוד ובנתונים.
נושאים: אוטומציה של בדיקות, Unit Testing ובדיקות רגרסיה.
חשיבות: מערכת AI טובה ככל שהקוד והדאטה שלה אמינים. הבטחת איכות היא שומר הסף לפני עליה לאוויר.
כלים לפיתוח קוד פתוח (Open Source)
עבודה בסטנדרטים של תעשיית ההייטק ושיתוף פעולה גלובלי.
נושאים: Git, GitHub, ניהול גרסאות ותרומה לפרויקטים.
למה זה קריטי: רוב מחקר ה-AI והכלים (כמו PyTorch/TensorFlow) הם בקוד פתוח. המהנדסים הטובים ביותר יודעים לעבוד עם הקהילה.
תנאי קבלה
בוגרי תואר ראשון ממוסד אקדמי מוכר להשכלה גבוהה, יכולים להגיש את מועמדותם לתוכנית התואר השני בהנדסת תוכנה.
בוגרי תואר ראשון עם בסיס מתמטי מובהק, המקנה ידע מעשי משמעותי בתכנות:
מקצועות הנדסה: הנדסת תוכנה, הנדסת מחשבים, הנדסת תעשייה וניהול בהתמחות מדע נתונים או מערכות מידע, הנדסת חשמל, והנדסת חשמל ואלקטרוניקה.
מקצועות מדעי הטבע ומתמטיקה: מדעי המחשב, מערכות מידע, מתמטיקה, ופיזיקה.
מועמד חייב להיות עם ממוצע כללי של כל לימודיו בתואר ראשון של 85 ומעלה.
כחלק מתהליך קבלה לתואר שני בהנדסת תוכנה המועמד חייב להגיש את המסמכים הבאים:
- תעודת סיום תואר ראשון ממוסד להשכלה גבוהה מוכר, או מכתב רשמי מן המוסד בו למד, המעיד על זכאותו לקבל תואר ראשון.
- תעודת זהות ישראלית או דרכון.
- גיליון ציונים רשמי חתום ע"י המוסד בו למד, עם ציוני כל הקורסים שלמד במהלך כל שנות הלימודים.
- שני מכתבי המלצה עם תאריך עדכני, של חברי סגל של המוסד בו למד תואר ראשון (בעלי תואר דוקטור לפחות), חתומים ועם דרכי התקשרות (טלפון נייד ודואר אלקטרוני) לממליצים. ניתן להביא מכתב אחד מממונה במקום העבודה העדכני של המועמד.
- קורות חיים של המועמד, עם דרכי התקשרות.
הבקשה לקבלה לתואר שני תידון לאחר הגשת המסמכים כפי שמפורט מעלה.
תשובה סופית תינתן למועמד ע"י מרכז יעוץ ורישום.
לתואר השני מועמדים שאינם בוגרי הנדסת תוכנה או מדעי המחשב ידרשו לקורסי השלמה בהתאם להחלטת ועדת הקבלה.
הבהרות:
- על מנת לעבור את קורסי ההשלמה, דרוש ציון של 70 לפחות בכל קורס. וממוצע של לפחות 80. במקרה של קורס השלמה אחד נדרש 80 בקורס זה.
- ככלל, את קורסי ההשלמה יש להשלים לפני תחילת הלימודים בתוכנית לתואר שני.
- ראש התוכנית לתואר שני יכול לפטור סטודנטים מקורסי השלמה מסוימים או לאשר לסטודנטים לקחת קורסי השלמה מסוימים במקביל ללימודים לתואר שני.
קורס מבוא לתכנות (סמסטר א)
קורס תכנות מונחה עצמים (סמסטר ב)
קורס מבנה נתונים (סמסטר ב)
קורס אלגוריתמיקה 1 (סמסטר א)
קורס חישוביות וסיבוכיות (סמסטר ב)
רשימה זאת תתעדכן מעת לעת בהתאם להחלטות מועצת בית הספר להנדסת תוכנה ומדעי המחשב.
בוגרים
האזינו לבוגרים שלנו
כפיר יחזקאלי
- 2022
- צ׳יפ ארכיטקט, AT&T
- Tools for exploring metrics of design and popularity of open-source softwares repositories
שלום דימנט
- 2020
- ראש צוות בינה מלאכותית, wisesight
- Medical deep learning segmentation and classification
אלון שמילוביץ
- 2020
- ראש קבוצת פיתוח תוכנה, Abra R&D; Solutions
- Software system’s modules from density matrix using projectors
שאוקי ח׳ורי
- 2022
- Data Engineer at Argus Cyber Security
- Advances in medical deep learning segmentation and classification
שרה גבריאל
- 2020
- Senior Software Engineer at ExLibris
- Reduce CI Servers’ Dependencies for Testing Purpose
המרצים בתכנית
Dr. Assaf Spanier
Medical image processing and computer vision, deep learning and machine learning.
Dr. Noa Cohen
Bioinformatics, Computational Biology, Data Science, Machine Learning
Dr. Boris Gorelik
Data visualization, social network analysis
Dr. Zur Luria
Combinatorics, Probability and Algorithm
Dr. Miriam Allalouf
Storage systems and Big Data, Distributed Internet systems and Algorithms, Computer Networks, Knowledge Repositories and Natural Language Processing
Dr. Avraham Ben-Aroya
Theoretical computer science in general. In particular: pseudorandomness, error-correcting codes, randomness extractors, quantum computing
Dr. Yehuda Hassin
Algorithms, Molecular Dynamic Simulations and Machine Learning
Prof. Rachel Ben Eliyahu Zohary
Artificial Intelligence, Knowledge Representation, Knowledge Mining, Nonmonotonic Reasoning, Logic Programming
Dr. Shimrit Tzur David
Deep packet inspection, Fast pattern matching: algorithms, hardware based architectures, Software defined networks, Quantum safe privacy and authentication.
Dr. Eli Engelberg
medical image processing and computer vision, deep learning and machine learning.