למידת מכונה, למידה עמוקה ו-NLP בפועל, מקורס מהנדסי AI באוניברסיטה העברית.
עבודת AI בפרודקשן נשענת על יסודות. אני בונה את הבסיס הזה באופן מסודר, בקורס של 210 שעות, במקביל לעבודה על מוצרים.
מודלים ב-PyTorch על נתונים טבלאיים, טקסט ותמונות פנים. ה-MLP הטבלאי הגיע ל-ROC-AUC של 0.85 מול 0.78 בבסיס של XGBoost. השוואה בין CNN שבניתי מאפס ל-FaceNet מאומן מראש, ניתוח השמטת מודאליות עם רווחי סמך ב-bootstrap, ודיבוג של CNN שלא למד (חסר BatchNorm).
ניתוח נתונים ועיבוד מקדים על נתוני תקשורת; מודלי בסיס של רגרסיה לוגיסטית, Random Forest, XGBoost ו-CatBoost; בדיקת overfitting וכיוונון; הסבר המודל עם SHAP.
נתונים ב-SQLite דרך SQLAlchemy, ניתוח חקרני ב-pandas ורגרסיה ליניארית עם אבחון OLS.
ניקוי טקסט, דמיון מסמכים עם TF-IDF, אחזור עם BM25 ומידול נושאים עם LDA.
הקורס בעיצומו (210 שעות): למידת מכונה קלאסית, למידה עמוקה, פריסת מודלים, סוכנים אוטונומיים ו-NLP.