מהנדס AI / ML ו-MLOps

לקרוא מאמר על ML זה לא להיות מהנדס ML. רוב "קורסי AI" בשוק מלמדים להריץ Notebook ב-Colab. המסלול הזה הוא 380 שעות של הנדסה אמיתית: בנייה, אימון, הערכה, Deployment ו-Monitoring של מודלים בפרודקשן.

שעות לימוד
380
פורמט
בוקר / ערב
משך
7 חודשים
תעודה
BDO AI / ML Engineer & MLOps

יש הבדל עצום בין "להבין AI" לבין "לבנות AI". רוב הקורסים בשוק מלמדים את הראשון: לקרוא על Transformers, להריץ Notebook מוכן ב-Google Colab, ולקבל תעודה. חברות לא מחפשות את זה. הן מחפשות מהנדסים שיודעים לבנות Pipeline מלא: מנתונים גולמיים, דרך Feature Engineering, אימון מודל, הערכה, ועד Deployment ו-Monitoring בפרודקשן. 380 שעות של הנדסת AI/ML אמיתית שמכסות את כל מחזור החיים. מתחילים עם Python מתקדם וסטטיסטיקה. ממשיכים ל-ML קלאסי: Supervised Learning, Ensemble Methods, Feature Engineering ו-Model Evaluation. עולים ל-Deep Learning: רשתות נוירונים, CNNs, RNNs, Transfer Learning. ואז NLP ו-Transformers, GenAI יישומי עם RAG ו-Fine-tuning, ולבסוף MLOps מלא: MLflow, Model Serving, CI/CD, Monitoring ו-Drift Detection. הביקוש למהנדסי AI/ML בישראל גבוה במיוחד. חברות כמו Microsoft, Google, Nvidia, Mobileye, Meta ו-Wiz מגייסות כל הזמן. אבל הן לא רוצות מישהו ש"עשה קורס". הן רוצות מהנדסים שיודעים לבנות מערכות שעובדות. המסלול הזה מכשיר בדיוק את זה. נדרשת יכולת קוד חזקה ובשלות מתמטית. זה לא מסלול למתחילים. זה מסלול למי שרוצה להיות מהנדס AI/ML אמיתי, עם פרויקטים שמוכיחים את זה.

Python למדע ולחישוב

Python מתקדם לעבודה עם נתונים, מטריצות וחישוב מדעי

לעבוד עם Python, NumPy ו-Pandas ברמה מקצועית

  • Python מתקדם
  • NumPy ו-Pandas
  • Matplotlib ו-Seaborn
  • סביבות עבודה ו-Jupyter

סטטיסטיקה ויסודות אנליטיים

הבסיס הסטטיסטי שנדרש לכל עבודה עם ML

להבין סטטיסטיקה ברמה שמספיקה לעבודה עם מודלים

  • הסתברות ותיאורי
  • בדיקות השערות
  • רגרסיה וקורלציה
  • סטטיסטיקה יישומית ל-ML

Machine Learning בסיסי

מודלי ML קלאסיים: Supervised, Ensemble, Evaluation

לבנות, לאמן ולהעריך מודלי ML קלאסיים

  • Supervised Learning
  • Model Evaluation
  • Feature Engineering
  • Ensemble Methods

Unsupervised Learning וייצוגים

Clustering, Dimensionality Reduction ומושגי ייצוג

להשתמש ב-Unsupervised Learning ולהבין ייצוגים

  • K-Means, DBSCAN
  • PCA ו-Dimensionality Reduction
  • Anomaly Detection
  • Representation Learning

Deep Learning

רשתות נוירונים: CNNs, RNNs, Transfer Learning

לבנות רשתות נוירונים ולהשתמש ב-Transfer Learning

  • Neural Networks
  • CNNs ו-Computer Vision
  • RNNs ו-Sequences
  • Transfer Learning

NLP ויסודות LLM

עיבוד שפה טבעית ומודלי שפה גדולים

להבין NLP מודרני, Transformers ויסודות LLMs

  • Text Processing
  • Transformers Architecture
  • Hugging Face
  • Fine-tuning בסיסי

תחום יישומי מתקדם

Computer Vision או תחום בחירה נוסף, העמקה מעשית

לבנות מערכת בתחום יישומי ספציפי

  • Computer Vision / NLP מתקדם
  • Object Detection
  • Image Segmentation
  • פרויקט מעשי בתחום

GenAI יישומי והתאמת מודלים

שימוש מעשי ב-GenAI: RAG, Fine-tuning, Evaluation

לשלב GenAI בפרויקטים הנדסיים ולהתאים מודלים

  • RAG בסיסי
  • Fine-tuning: LoRA/QLoRA
  • Evaluation Frameworks
  • Model Selection

MLOps ומחזור חיי מודלים

Deployment, Monitoring, CI/CD למודלי ML

לפרוס ולתחזק מודלי ML בפרודקשן

  • MLflow ו-Experiment Tracking
  • Model Serving
  • CI/CD for ML
  • Model Monitoring ו-Drift

תשתיות AI, Serving, ביצועים ועלויות

תשתיות Production ל-AI: GPU, Serving, Cost

להבין תשתיות AI ולקבל החלטות טכניות מושכלות

  • GPU ו-Compute
  • Model Serving Patterns
  • Performance Optimization
  • Cost-Performance Trade-offs

AI אחראי, Explainability ו-Governance

Responsible AI: הטיות, הסברתיות, Governance

לבנות מערכות AI אחראיות ושקופות

  • Bias Detection
  • Explainability: SHAP, LIME
  • Governance Frameworks
  • Ethics ו-Responsible AI

פרויקט גמר End-to-End

פרויקט ML/AI מלא: מנתונים ועד Deployment ומצגת

להציג פרויקט AI/ML מלא בפורטפוליו

  • הגדרת בעיה
  • פיתוח End-to-End
  • Evaluation ו-Deployment
  • מצגת בפני פאנל תעשייתי

כלים וטכנולוגיות

  • Python
  • pandas
  • scikit-learn
  • PyTorch
  • Hugging Face
  • MLflow
  • Docker
  • Git
  • Weights & Biases

שאלות נפוצות

צריך רקע טכני?

כן. נדרשת יכולת קוד חזקה, Python בסיסי ובשלות מתמטית. זה לא מסלול למתחילים.

מה ההבדל בין AI/ML Engineer ל-GenAI Developer?

AI/ML Engineer מתמקד ב-ML קלאסי, Deep Learning, NLP ו-MLOps. GenAI Developer מתמקד בבניית אפליקציות מבוססות LLMs. שניהם מבוקשים מאוד.

יש השמה?

כן. Nona Jobs מלווה את הבוגרים.

מה ההבדל מתואר?

המסלול מתמקד ב-100% מעשי ומכוון לשוק העבודה. תצאו עם פורטפוליו של פרויקטים ותעודה מקצועית.

אינדקס המדריכים המלא · כל הקורסים · הבלוג