המחלקה להנדסת תוכנה

לימודי הנדסת תוכנה לתואר שני .M.Sc

בואו להעשיר ולחזק את הנסיון והידע המעשי שלכם בהנדסת תוכנה בהתמחות בבינה מלאכותית

תוכנית דו שנתית

4

סמסטרים

38

נ"ז

ימים

שני וחמישי

אחה״צ-ערב

תנאי קבלה

B.S.c

במקצועות ההנדסה ובמקצועות מדעי הטבע ומתמטיקה

85+

ממוצע ציונים שנתי

הרכב התואר - כללי

4

קורסי חובה

6

קורסי בחירה

1

פרויקט מעשי

הרכב התואר עם התמחות בינה מלאכותית

3

קורסי חובה

3

קורסי בחירה

2

קורסי התמחות

1

פרויקט בבינה מלאכותית

מטרת התואר היא להעמיק ולהרחיב את הידע בתחום הנדסת התוכנה, וכן לחשוף את הסטודנטים למחקרים וטכנולוגיות המתקדמות ביותר בתחום הנדסת התוכנה, עם דגש למדע הנתונים, Deep Learning ו-Big Data.

התואר השני כולל קורסים ופרויקטים במגוון נושאים הנדסיים עם מיטב המרצים בתחום וכן שיתוף פעולה והדרכות מעשיות עם חברות הייטק מובילות.

קורסים

הקורסים מתקיימים בימי שני וחמישי בשעות אחה״צ-ערב. בכל סמסטר לומדים כ- 3 קורסים.

4 קורסי חובה:

מטרות הקורס היכרות עם כלים ותהליכים לפיתוח תוכנה שמשמשים את התעשיה וגם את האקדמיה בעזרת עבודה על פרויקט קוד פתוח.
נושאי הקורס
A wide range of topics are covered in the course, including: Git – GitHub, Issues, Pull Requests, etc. – Docker | Testing – Static Analysis and Software Design Patterns, as well as a variety of other topics.
תוצרי למידה
בסיום קורס זה, הסטודנט יידע להשתמש ב-Git עבור בקרת גרסאות, ליצור ולפרוס קונטיינרים של Docker, לכתוב בדיקות יחידות ולבצע ניתוח סטטי. הם גם ילמדו דפוסי עיצוב תוכנה שונים ויקבלו הבנה של היישום שלהם.
מטרות הקורס אספקטים תאורתיים ויישומיים של אלגוריתמים מבוזרים ומקביליים. נציג את היסודות לאלגוריתמים מבוזרים המאפשרים חישוביות מבוזרת ומקבילית ונסביר מהם האתגרים העומדים בפני בניית ומימוש מערכת זו. נסקור בפרטים אלגוריתמים ומנגנונים המאפשרים פעולה, חישוב ותכנות במערכות מבוזרות.
נושאי הקורס נלמד את עיקרי האלגוריתמים במערכות הדורשות מספר גדול מאוד של יחידות (scalability , (זמינות גבוהה של היחידות (availability-high (עם מנגנוני שכפול מידע (replication (עבור אבטחת השירות ובעיית הקונסיסטנטיות הנוצרת. נלמד את עיקרי החישוב המקבילי בסביבה מרובת מחשבים mapReduce ואת הבסיס לתכנות בפלטפורמת Spark לחישוב מקבילי (Python Spark).
תוצרי למידה בסיום הקורס הסטודנט יוכל לתכנן, לנתח וליישם אלגוריתמים מבוזרים. הבן את הפשרות בין מערכות מבוזרות שונות וליישם את האלגוריתמים הנכונים לבעיה נתונה. נתח את הביצועים של אלגוריתמים שונים המשמשים במערכות מבוזרות.
מטרות הקורס אלגברה לינארית מתקדמת, ניתוח תהליכים מקריים, אופטימיזציה ותכנון לינארי. מטרת קורס זה היא לספק לסטודנטים ארסנל של כלים מתמטיים הניתנים ליישום נרחב בתחומים רבים. נתמקד בשלושה נושאים עיקריים:
  1. כלים מתקדמים באלגברה לינארית.
  2. תכנות לינארי.
  3. ניתוח תהליכים אקראיים.
נושאי הקורס
חישוב ערכים עצמיים: מנת ריילי, שיטת ההספק  |  אלגוריתם דירוג הדף של גוגל  |  נורמות, מוצרים פנימיים, ערכים עצמיים של גרפים ולמה של ערבוב המרחיב | משפט פירוק הערך הסינגולרי (SVD)  |  אלגוריתם הסימפלקס  |  דואליות LP ורפיון משלים  |  יישומי תכנות ליניאריים נוספים  |  תהליכי ברנולי ואי-שוויון בריכוז  |  שרשראות מרקוב וזמני ערבוב  |  שדות אקראיים של מרקוב  |  סקירה והכנה לבחינה.
תוצרי למידה
בסיום הקורס כלים מתמטיים בהנדסת תוכנה – יידע הסטודנט ליישם מושגים מתמטיים לפתרון בעיות הנדסיות. הם יוכלו לנתח ולהעריך אלגוריתמים כדי לקבוע את יעילותם ודיוקם. הם גם יוכלו לעצב אלגוריתמים לפתרון בעיות מורכבות של הנדסת תוכנה.
מטרות הקורס סמינר בו הסטודנטים לומדים ומציגים מאמרים חשובים מהשנים האחרונות. כמו כן, כולל הסמינר סקירה והצגת טכנולוגיות של חברות הייטק מובילות..
נושאי הקורס
הסמינר מכסה נושאים שונים של בניית מערכות וניהול מערכות כגון התקנת מערכות מחשב, אבטחת מחשבים, ניהול נתונים, אבטחת מידע ועוד. לינארי. הסמינר בשיתוף חברות הייטק מובילות (מיקרוסופט, אמזון ועוד) בהן הסטודנטים יחשפו ויסקרו נושאים שהן בחזית הטכנולוגיה.
תוצרי למידה
(בנוסף לשיתוף פעולה עם חברת ההיי-טק) עד תום הסמינר להנדסת תוכנה, הסטודנטים יוכלו להציג עבודה אקדמית.

קורסי בחירה:*

מטרות הקורסלהכין את הסטודנטים לעולם האמיתי בהקשר של בדיקות תוכנה. המטרה היא שהמפתחים לעתיד והמהנדסי בדיקות לעתיד ידברו בשפה משותף עם עולם מונחים מוכר.
נושאי הקורס
עקרונות בדיקה בסיסיים | סקירות | טכניקות בדיקה | בדיקות סטטיות | בדיקות חוקרות | בדיקות יחידה | בדיקות ביצועים | בדיקות אוטומטיות | הגדרת אסטרטגיית בדיקות ותכנון בדיקות | עיצוב בדיקות (test design)
הרצאות הקורס יכסו את הנושאים הבאים:
  1. עקרונות ומושגים בסיסיים בבדיקות תוכנה
  2. טכניקות בדיקה סטטיות ודינמיות
  3. בדיקות יחידה (unit test)
  4. סקירות (reviews)
  5. אוטומציה של בדיקות
  6. נושאים נוספים (תכנון בדיקות, בדיקות חוקרות, בדיקות ביצועים, דיווח באגים, ועוד)
תוצרי למידהבקורס זה ילמדו העקרונות התיאורטיים והמונחים הבסיסיים של תחום בדיקות התוכנה.
מטרות הקורסקורס זה הוא מבוא לתפיסות ולטכניקות הבסיסיות בעיבוד תמונות דיגיטליות בסיסיות ויישומיהם לפיתרון בעיות בחיים האמיתיים. הנושאים שנמצאים כוללים יסודות תמונה דיגיטליים, טרנספורמציות תמונה, שיפור תמונה, שחזור ודחיסה, עיבוד תמונה מורפולוגית, עיבוד תמונות לא לינארי וניתוח תמונות.
נושאי הקורס
יסודות תמונה דיגיטליים | יסודות תפיסה חזותית | האור והספקטרום האלקטרומגנטי | חישה תמונה ורכישה | דגימה וכימות תמונה | כמה מערכות יחסים בסיסיות בין פיקסלים | פעולות לינאריות ולא לינאריות | שיפור תמונה בתחום המרחבי | טרנספורמציות בסיסיות בגוון אפור | עיבוד היסטוגרמה | יסודות סינון מרחבי | החלקת מסננים מרחביים | חידוד מסננים מרחביים | עיבוד תמונות צבעוניות | יסודות צבעוניים | דגמי צבע | יסודות של עיבוד תמונה בצבע מלא | טרנספורמציות צבע | החלקה וחידוד | פילוח צבע | פילוח תמונות | איתור אי-רציפות | קישור קצה וגילוי גבול | סף | פילוח מבוסס אזור | פילוח לפי קו מורשת מים מורפולוגיים | עיבוד תמונה מורפולוגית | התרחבות ושחיקה | פתיחה וסגירה | הרחבות לתמונות בגווני מידה אפור.
תוצרי למידה
  • להסביר כיצד מיוצגים ומניפולציות של תמונות דיגיטליות במחשב, כולל קריאה כתיבה והצגה.
  • לכתוב תוכנית שמיישמת אלגוריתמים בסיסיים לעיבוד תמונה.
  • תיאור המתמטי של טכניקות עיבוד תמונה וידע כיצד לעבור ממשוואה לקוד.
  • להריץ רשתות deep learning בסיסיות
מטרות הקורס DevOps היא מתודולוגיה של יצירת תרבות בארגונים של תהליכים של פיתוח ושיתוף. מאפשרת יצירת סביבת עבודה של בניית קוד תוכנה, בדיקות ושחרור גרסת תוכנה באופן מתמשך ויעיל.
נושאי הקורס
בקורס נעסוק בפרקטיקה ותיאוריות ע"י ניתוח מצבים אמיתיים מעולם התעסוקה הישראלית מטרות הקורס | הבנה ותרגול בעולם של טכנולוגיה קונטיינרים | DOCKER | הבנה ותרגול בעולם של AWS CLOUD | יצירת תהליך אוטומטי של פריסה של קוד כחלק מפרויקט סיום קורס.
תוצרי למידה קורס DevOps יצייד את התלמידים בידע ובמיומנויות לנהל ביעילות את מחזור החיים של פיתוח התוכנה תוך שימוש בעקרונות ופרקטיקות של DevOps. בסוף הקורס, הם יבינו אינטגרציה מתמשכת, אספקה ופריסה, כמו גם כלים כמו קונטיינריזציה וניטור. הם גם ילמדו לטפח שיתוף פעולה ותקשורת בין צוותים, וכיצד לזהות ולפתור במהירות בעיות פיתוח ופריסה של תוכנה.
מטרות הקורס להקנות לתלמידים היכרות עם מושגים ביולוגיים ועם עבודה עם מאגרי מידע ביולוגיים. כמו כן, הקורס מקנה יכולות של ניתוח מידע ביולוגיה בעזרת כלים של ביואינפורמטיקה וביולוגיה חישובית
נושאי הקורס
ויזואליזציה של מידע | מודולים בפיית'ון: biopython, pandas, numpy | מאגרי מידע וכלים: UCSC Genome Browser, Gencode, RefSeq, GeneBank, Uniprot, Gene Ontology, BLAST o | פורמטים של קבצים שימושיים בביולוגיה: genbank, fasta o עימוד רצפים (alignment sequence) | מרחקים בין רצפים ביולוגיים (דנ"א וחלבונים) | בניית עצים פילוגנטיים
תוצרי למידה
בסיומו של הקורס הסטודנטים יהיו מסוגלים לכתוב תוכנות פיית'ון (Python) שעושות עיבוד ואנליזה של מידע ביולוגי, וכן ויזואליזציה של הנתונים ושל התוצאות.
מטרות הקורסהקניית כלים להמחשה וויזואלית של נתונים בסביבת מחקר ופיתוח. הקניית כלים לבחינה ביקורתית של הצגה גרפית של נתונים ובחירת הדרך המיטבית להצגה כזאת. התנסות מעשית בכלים שונים להצגת נתונים הן ככלי בתהליך מחקר ופיתוח והן ככלי לדיווח והעברת המידע.
נושאי הקורס
בין נושאי הקורס (אבל לא רק):
  1. נתונים, מודלים ומה שביניהם. סוגי הנתונים. השוואת מודל מול תצפית
  2. תפיסה חזותית של צורות גיאומטריות. תלת מימד
  3. הדמיית נתונים כמותיים ואיכותיים דחיסת מימדים רבים לתוך תמונה דו-מימדית.
  4. אינטראקטיביות ו-grammar of graphics
  5. מסמכים אינטרקטיביים
תוצרי למידה
בסיום הקורס הסטודנטים יכירו מושגים וכלים בתחום הדמיית הנתונים. ידעו איך להתאים שיטות הדמיה שונות למטלות שונות בתהליך מחקר ופיתוח.
מטרות הקורס
  • ללמד כלים לבניית מודל סימולציה בדיד בשפת קוד
  • ללמד שימוש בתכנת סימולציה לבניית מודל סימולציה בדיד
  • ללמד אופן שימוש נכון במודל סימולציה
  • ללמד שיטות להשוואה בין החלופות המיושמות באמצעות מודל סימולציה
נושאי הקורס
הגדרת מודל לוגי: שימוש בהתפלגות אמפירית או בשיטת Bootstrap כמקור של נתונים סטוכסטיים להרצת המודל. אופן שימוש בכל סוגי מקור של נתונים כמותיים ב-ARENA. | בניית מודל סימולציה: שיטת טרנספורם הופכי ושיטת קבלה דחיה לפיתוח אלגוריתם דגימה, שיטה לחילול זרם מספרים אקראיים. | שימוש במודל סימולציה: תכנון הניסוי וניתוח התוצאות | שימוש במודל סימולציה: שיטות להשוואת חלופות שונות ושימוש ב-Output Analyzer
תוצרי למידה
בסיומו של הקורס הסטודנטים יהיו מסוגלים:
  • להגדיר מודל לוגי לבניית מודל סימולציה
  • לבנות תכנות אירועים למודל סימולציה בדיד
  • לפתח אלגוריתם דגימת מספרים אקראיים מהתפלגויות
  • לבנות מודל סימולציה באמצעות תכנת סימולציה
  • לתכנן שימוש נכון במודל סימולציה בדיד
  • להשוות בין החלופות המיושמות באמצעות מודל סימולציה
מטרות הקורס דחיסת נתונים ותקשורת בערוץ רועש הן שתיים מהבעיות החשובות ביותר במדעי המחשב. השאלות הבסיסיות הן: עד כמה ניתן לדחוס נתונים? מהו הקצב המקסימלי שבו ניתן לשלוח מידע? קלוד שאנון, אחד מהאבות המייסדים של מדעי המחשב, פיתח תיאוריה יפה כדי לענות על שאלות אלו, המבוססת על הרעיון של אנטרופית מידע. בקורס זה נלמד על התיאוריה הבסיסית שלו, יישומיה לדחיסת נתונים ותקשורת, וגם נחקור כמה שאלות פתוחות ותחומי מחקר פעילים.
נושאי הקורס
  1. נגדיר את האנטרופיה של משתנה אקראי, ונלמד את תכונותיו הבסיסיות.
  2. נרחיב הגדרה זו לקבוצות של משתנים אקראיים
  3. נשתמש במושג האנטרופיה כדי לתת גבול עליון כללי לאופן שבו ניתן לדחוס נתונים.
  4. אנו נראה כי קודי Huffman מספקים דחיסה כמעט אופטימלית, ונדון בסכימות דחיסה אחרות.
  5. נדון בכמה קשרים בין תורת המידע ל-AI.
  6. נדון בערוצי תקשורת, ונגדיר את יכולתם.
  7. נוכיח כי המספר הממוצע של ביטים שניתן לשלוח בצורה מהימנה בערוץ רועש לא יכול לחרוג מהיכולת שלהם.
  8. נגדיר קודים טובים לתיקון שגיאות, ונוכיח שהם קיימים.
  9. נדון ביישומים בעולם האמיתי של קודי תיקון שגיאות.
תוצרי למידה קורס זה יעזור לך להבין מושגים כמו אנטרופיה, מידע הדדי ויכולת ערוץ בתורת המידע. באמצעות שימוש בקודי תיקון שגיאות ובאפנון, ניתן לפתור בעיות בדחיסת נתונים ותקשורת בערוצים רועשים. הקורס יכין אותך גם לנתח עבודות מחקר בתחום ולהעריך את החוזקות והמגבלות של תורת המידע.
מטרות הקורססמינר בו הסטודנטים לומדים ומציגים מאמרים חשובים מהשנים האחרונות. כמו כן, כולל הסמינר סקירה והצגת טכנולוגיות של חברות הייטק מובילות.
נושאי הקורס
הסמינר מכסה נושאים שונים של בניית הסמינר בשיתוף חברות הייטק מובילות (מיקרוסופט, אמזון ועוד) בהן הסטודנטים יחשפו ויסקרו נושאים שהן בחזית הטכנולוגיה. כגון – מערכות וניהול, אבטחת מחשבים, ניהול נתונים, אבטחת מידע ועוד.
 
תוצרי למידה(בנוסף לשיתוף פעולה עם חברת ההיי-טק) עד תום הסמינר להנדסת תוכנה, הסטודנטים יוכלו לסקור ולהציג עבודה אקדמית.
מטרות הקורסקורס זה יחקור את ההיבטים הבסיסיים של למידה חישובית, יכסה נושאים כמו: מהי למידה, כיצד היא מתרחשת, בחירת תכונות מתאימות מנתוני קלט, בחירת מודלים מתאימים לבעיות שונות, זיהוי וטיפול בהתאמת יתר, ושליטה באלגוריתמים בסיסיים בתחום. התלמידים יתעמקו גם במושגים כמו רגרסיה, רגרסיה לוגיסטית, רשתות עצביות, גרעינים ומכונות וקטור תמיכה (SVM), עצי החלטה, חיזוק, כמו גם מודל PAC ומשפטי יסוד.
נושאי הקורס
בקורס זה, התלמידים ייצאו למסע מקיף בעולם הלמידה החישובית במשך 12 שבועות. הקורס מתחיל בחקירה של עצם מהות הלמידה החישובית, צלילה אל נבכי תהליך הלמידה וסוגי הלמידה השונים. בשבועות שלאחר מכן, ההתמקדות עוברת להיבטים קריטיים, כגון בחירת תכונות ועיבוד מקדים של נתונים, ולאחר מכן מבט מעמיק בבחירת מודלים מתאימים של למידת מכונה עבור מגוון רחב של סוגי בעיות. מתעמק באלגוריתמי ליבה של למידת מכונה, כולל רגרסיה ורגרסיה לוגיסטית, ששיאו בהבנה עמוקה של רשתות עצביות. kernels, ומכונות וקטור תמיכה (SVM), עצי החלטה ואלגוריתמי חיזוק (boosting) מכוסים גם הם בפירוט. יתר על כן, התלמידים יחקרו את מודל ה-PAC ואת משפטי היסוד בלמידה חישובית, יספקו בסיס תיאורטי. וכן Unsupervised learning. K-means, GMM and the EM algorithm

הקורס מכיל תרגילים מעשיים ויישומים מהעולם האמיתי, המאפשרים לתלמידים ליישם את הידע החדש שנרכש באופן מעשי.

 
תוצרי למידהלהבין את היסודות של למידה חישובית. כיצד פועלים תהליכי למידה.
לפתח את היכולת לבחור תכונות מתאימות מנתוני קלט. לרכוש את הכישורים לבחירת מודלים הנכונים לסוגי בעיות שונים. זיהוי וטיפול בבעיות התאמת יתר. שליטה באלגוריתמים בסיסיים בתחום הלמידה החישובית.
מטרות הקורסהבינה המלאכותית פרצה לחיינו והפכה למושג ידוע לכל. בקורס זה נלמד על "בינה מלאכותית כללית"   (Artificial General Intelligence)  שהיא הייתה מטרת התחום הזה כשהוגדר עוד באמצע המאה שעברה. נלמד מה היו הנושאים שעניינו את החוקרים בתחום במאה שעברה ונעמיק בחלק מנושאים אלו. כמו כן, נקדיש פרק למערכות בינה מלאכותית כיום – במה הן עדיין מוגבלות בהתייחס לבינה מלאכותית כללית ומה הבעיות האתיות שנוצרות עם פיתוחן. 
נושאי הקורס

נתחיל בנושאים בסיסיים כגון חיפוש, בעיות סיפוק אילוצים, תכנון, ועצי משחק. לאחר מכן, במידה ויותיר הזמן, נלמד נושאים מתקדמים בייצוג ידע: תכנות לוגי, חישוב מודלים מינימליים, וגילוי ידע. ההרצאות של הסטודנטים ישתלבו בזמני ההרצאות.

תוצרי למידהמדובר בחומר בסיסי בתחום המחקר של בינה מלאכותית ולא בקורס על למידת מכונה שזהו התחום הקרוי כיום בתקשורת "בינה מלאכותית". הנושאים שעליהם ירצו הסטודנטים הם נושאים מתקדמים הנוגעים לבינה מלאכותית כללית.
מטרות הקורסקורס זה מספק היכרות עם שימוש ברשתות נוירונים בבינה מלאכותית, עם התמקדות בטכניקות שהומצאו על ידי גוגל דיפמיינד בפיתוח AlphaGo ו־ AlphaZero, שהובילו לפריצות דרך משנות עולם. הנושאים כוללים ארכיטקטורת רשת ניורונים, אלגוריתמי חיפוש, נושאים בלמידת חיזוק  learning reinforcement  ורשתות נוירונים הניתנות לעדכון ביעילות. הקורס יכלול תרגילי תכנות בשפת Python . 
נושאי הקורס

בקורס זה אנו מתעמקים בהיבטים שונים של למידת מכונה, עם דגש מיוחד על למידת חיזוק. אנו מתחילים בביסוס בסיס איתן בלמידת חיזוק, כיסוי מושגי יסוד וחקירת תהליכי החלטה. כמו כן, אנו בוחנים את היישום של שיטות מונטה קרלו ללמידת חיזוק. ממשיכים הלאה, אנו מנתחים את הארכיטקטורה של AlphaZero, ומציעים סקירה מעמיקה של המבנה שלה והמורכבות של שימוש בלמידה חיזוק להכשרת מודל AlphaZero. אנו ממשיכים לחקור את האתגרים הקשורים לעדכון יעיל של רשתות עצביות ביישומים בזמן אמת, תוך נגיעה בארכיטקטורת NNUE ובהדרכה והערכה של מודלים של NNUE. בנוסף, אנו עוסקים בתחום המעשי על ידי בניית מנוע משחק קומפקטי למשחק מבוסס רשת עצבית פשוטה, הכולל בחירת משחק מתאים, תכנון קפדני וביצוע תהליך אימון הרשת העצבית.

תוצרי למידהבמהלך הקורס, התלמידים מקבלים תובנות חשובות לגבי טכניקות למידת מכונה מתקדמות, שליטה באמנות למידת חיזוק, הבנת הארכיטקטורה מאחורי AlphaZero, התמודדות עם אתגרי עדכון רשת עצבית בזמן אמת ורכישת המיומנויות המעשיות הדרושות לבניית מנוע משחק המופעל על ידי עצבים רשתות. מסע מקיף זה מצייד את הלומדים בהבנה מוצקה של עקרונות למידת מכונה מתקדמים והיישומים שלהם.
מטרות הקורסקורס זה מספק חקר מעמיק של טכניקות למידת ייצוג גרפים ויישומה בפתרון בעיות בעולם האמיתי. הוא מכסה גישות מסורתיות, הטמעות צמתים, רשתות גרפיות עצביות (GNN) ומודלים של גרפים יצירתיים. התלמידים יקבלו הן ידע תיאורטי והן מיומנויות מעשיות בעבודה עם נתוני גרפים. 
נושאי הקורס

להבין את המושגים הבסיסיים של נתוני גרפים ואת הרלוונטיות שלהם בתחומים שונים.
השג מיומנות בטכניקות למידת ייצוג גרפים.
חקור Graph Neural Networks (GNNs) והיישומים שלהם.
למד על מודלים של גרפים גנרטיביים לסינתזה ויצירת נתונים.
לפתח את היכולת ליישם טכניקות אלו על בעיות ומערכי נתונים בעולם האמיתי.

תוצרי למידההבנת החשיבות של נתוני גרפים בתחומים ויישומים מגוונים.

תיאור אלגוריתמי גרפים מסורתיים, מבני נתונים ומגבלותיהם.

הבנת יסודות התיאורטיים והמניעים מאחורי Graph Neural Networks (GNNs).

קורסי התמחות בבינה מלאכותית:

אחד מתוך הקורסים הבאים:

  • תורת האינפורמציה – 10550
  • למידת מכונה בגרפים – 10560
  • נושאים בבינה מלאכותית – 10507
  • למידת חיזוק בבינה מלאכותית – 10139
מטרות הקורסרשתות ניורונים עמוקות מיישמות כלים מתקדמים אלו כדי לפתור בעיות במגוון של תחומים, כולל חיפוש, הבנת תמונה, מיפוי, רפואה, מזל"טים, ותכנות אוטומטית. התפתחויות האחרונות ברשתות עצביות עמוקות קידמו בצורה דרמתית את הביצועים של מערכות זיהוי אלו.
קורס זה יצלול לעומק לתוך הפרטים של ארכיטקטורות למידה עמוקות, עם דגש על לימוד מודלים מקצה לקצה ובדגש על סיווג תמונה וראייה ממוחשבת.
נושאי הקורס
בקורס נלמד כיצד לאמן ולייעל רשתות עצביות בסיסיות (FC), רשתות עצביות קונבולוציה (CNN), ורשתות זיכרון ארוכות טווח (LSTM) ועוד. הקורס יועבר תוך שימוש בספרית הלמידה Pytorch/TensorFlow. בקורס נלמד לפתור בעיות חישוביות אשר עד לפני שנים בודדות נחשבו קשות ביותר. בקורס נלמד להעריך טוב יותר את האופי המורכב של האינטליגנציה המלאכותית תוך כדי פתרון של אותן בעיות קשות, בקלות יחסית תוך שימוש בשיטות למידה עמוקות. כמוכן, הקורס ילווה בסקירת המאמרים והעבודות העדכניים בתחום.
תוצרי למידהמטרת הקורס להקנות לסטודנטים עקרונות בסיסיים בדינמיקה של רשתות נוירונים עמוקות ולצייד אותם בשיטות אנליטיות ונומריות המשמשות לחקר מודלים של רשתות נוירונים עמוקות.
בקורס זה, הסטודנטים ילמדו לממש ולדבג ארכיטקטורות למידה כאלו. הקורס מספק מבט מקיף ורחב על שיטות עדכניות בלמידה עמוקה למידע.
מטרות הקורסThis course will cover advanced topics in deep learning, including: Generative adversarial networks (GANs) | Transformers | Self-supervised learning | Recurrent neural networks (RNNs) | Introduction to natural language processing (NLP) | ChatGPT
נושאי הקורס
Course Schedule: Week 1: Introduction to deep learning   Week 2: Convolutional neural networks   Week 3: Recurrent neural networks   Week 4: Generative adversarial networks   Week 5: Transformers   Week 6: Self-supervised Learning Week 7: Introduction to NLP   Week 8: ChatGPT   Week 9: Final project
תוצרי למידה
By the end of this course, students will be able to:
Understand the key concepts of deep learning, Implement deep learning models in Python, Apply deep learning to solve real-world problems, Stay up-to-date on the latest research in deep learning.

*הרשימה עשויה להתעדכן מעת לעת.

״התואר השני מעשיר את הנסיון המעשי של המהנדסים בתעשייה ומעניק יתרון לבוגרים בהקמת מיזמים, בניהול ובהשתלבות בתפקידים בכירים בתעשייה.״

ד"ר אסף שפנייר

ראש התכנית לתואר שני המחלקה להנדסת תוכנה

נבחרת המרצים שלנו

*ובנוסף, מרצים אורחים מהתעשייה וקהילת ההייטק

תנאי קבלה וקורסי השלמה

בוגרי תואר ראשון ממוסד אקדמי מוכר להשכלה גבוהה, יכולים להגיש את מועמדותם לתוכנית התואר השני בהנדסת תוכנה.

בוגרים מהשנים האחרונות

ודוגמאות לפרויקט גמר

צרו קשר לפרטים נוספים והרשמה

2023 © כל הזכויות שמורות לעזריאלי מכללה אקדמית להנדסה ירושלים
רחוב יעקב שרייבום 26, רמת בית הכרם ירושלים

מדיניות פרטיות  |  תנאי שימוש

עיצוב: IRITA

גלילה לראש העמוד

ביחרו את המחנה המתאים לכם

כיתות ג׳ – ד׳

כיתות ה׳ – ו׳

כיתות ז׳ – ט׳

כיתות י׳ – יב׳

מלאו את הטופס ותקבלו קישור לסיור וירטואלי למייל
דילוג לתוכן