Data Drivens Podcast

כשהמשחק מאבד שחקנים - מה הדאטה מספר לנו ?

בפרק הזה רם וגדי חוזרים מאחורי המיקרופון כדי לצלול לעומק של אחת השאלות הכי קלאסיות בעולם האנליטיקה - מה עושים כשפתאום יש ירידה במספר המשתמשים הפעילים היומיים (DAU)? דרך יוזקייס מעולם הגיימינג, הם מפרקים את הבעיה לגורמים, שואלים את השאלות הנכונות, ומראים איך לגשת לתעלומות דאטה בצורה מתודית, בלי להיבהל מהגרפים. נדבר על איך מזהים את הגורם לירידה, האם זו בעיה שיווקית, שינוי תקציב, עלייה ב-CPI, או אולי נטישה של משתמשים קיימים - ואיך כל זה מתחבר לחשיבה אנליטית שעוזרת לנו להבין לא רק מה קרה, אלא למה זה קרה. קישור למצגת המלווה של הפרק https://docs.google.com/presentation/d/1PrvGvR6r1v8fS4dkSx_KplNayTW2bS3S2AEPZPLN4Yk/edit?slide=id.g39e71db9e50_0_93#slide=id.g39e71db9e50_0_93 [https://docs.google.com/presentation/d/1PrvGvR6r1v8fS4dkSx_KplNayTW2bS3S2AEPZPLN4Yk/edit?slide=id.g39e71db9e50_0_93#slide=id.g39e71db9e50_0_93]

המודל לכניסה אל תחום המשין-לרנינג

איך נכנסים לתחום הדאטה סיינס? פרק חמישי ואחרון בסדרת ה Machine Learning עם מיכאל ווינר בפרק האחרון שלנו, סגרנו את המעגל ודיברנו על כל מה שחשוב לדעת כשמתחילים ✅איך להתחיל ללמוד ואילו כישורים כדאי לפתח ✅ מהם הכלים החשובים ביותר לג׳וניורים בתחום ✅ טעויות נפוצות שעושים כשנכנסים לתוך התחום, ואיך להימנע מהם ✅ איך בונים פרויקטים אישיים ✅ ואיך ביומיום - מזהים בעיות עסקיות ומתרגמים אותן למודלים של למידת מכונה תודה לגדי ומיכאל שתרמו מזמנם, תודה לכל מי שהאזין, נתראה בפרקים הבאים בנושאים חדשים שמתבשלים להם אז-ווי-ספיק :)

למידה ללא פיקוח - כשנותנים למכונות להסתדר לבד

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.

רגרסיות, יערות רנדומליים ומה שבינהם

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.

מכונה לומדת - כשמחשבים מתחילים לחשוב

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!