Data Science and GenAI expertise

בשנים האחרונות, הפך תפקיד ה-Data Scientist לאחת המשרות הנחשקות ביותר בתעשיית הטכנולוגיה וההייטק. בעולם מונע נתונים, חברות זקוקות למומחים שיכולים לא רק לנתח נתונים, אלא גם לרתום אותם לטובת פיתוח מוצרים חדשניים ופתרון בעיות מורכבות.

תפקידם אינו מסתכם רק בניתוח הנתונים – הם גם אמונים על תרגום התובנות המורכבות שגילו לשפה המובנת לבעלי העניין, תוך שימוש ביכולות ויזואליזציה והדמיה מתקדמות.

עם התקדמות מהפכת ה-AI הפך תפקיד ה-Data Scientist למשמעותי מתמיד, שכן הוא משמש כאחד העוגנים המרכזיים בתחום פיתוח המודלים ואימון מערכות לומדות. טכנולוגיות AI מתקדמות, כמו למידת מכונה ולמידה עמוקה, נשענות על כמויות אדירות של נתונים וביצועים של מודלים סטטיסטיים – תחומים שבהם ל- Data Scientists יש יתרון מובהק.

מעבר לכתיבת קוד ואימון מודלים, הם גם אחראים להבטיח את הוגנותם ואת אמינותם של האלגוריתמים, תוך הבנה מעמיקה של ההשלכות האתיות והחברתיות של מערכות AI . בכך, הם הופכים לדמויות מפתח בבניית כלים שיכולתם לשנות את פני החברה והעולם העסקי היא חסרת תקדים.

מדובר בתפקיד מרתק ומאתגר, עם שילוב נדיר של כישורים אנליטיים, טכניים ובינאישיים, המציע הזדמנות להשפיע באופן ממשי על העתיד הטכנולוגי.

נאיה קולג’, חטיבת ההדרכה של חברת נאיה טכנולוגיות, מתמחה בעולמות הדאטה מעל עשור ומציעה מסלולי הכשרה וקורסים בתחום הדאטה במטרה להכשיר דור חדש של מומחי דאטה מקצועיים ובעלי ידע עדכני ונדרש ביותר בתעשיה. מסלול הכשרה זה צמח מהשטח לנוכח הביקוש הגובר לאנליסטים בעלי יכולות טכניות גבוהות ובעלי ידע מעשי ופרקטי בעבודה עם טכנולוגיות חדשניות מגוונות.

מוזמנים לצפות בהקלטה של מפגש מקצועי בנושא Data Science עם עמית רפל,  Data Scientist ומדריך מוביל בנאיה קולג’.

מבנה מסלול הכשרה – Practical Data Science

מסלול זה מקנה את הכלים הנדרשים לכל שלב ושלב בעבודתו של ה-Data Scientist עם דגש על פרקטיקה ויכולות תכנות מתקדמות. מעבר לתרגול השוטף שיתבצע כחלק מתהליך הלימוד של כל נושא, יינתנו במהלך המסלול פרויקטים “אמיתיים”, כך שבסוף המסלול יהיה ברשות הסטודנט תיק עבודות מכובד שילווה אותו בהמשך דרכו.

מודול ראשון – תכנות

בחלקו הראשון של המסלול נלמד לתכנת ב-Python (מועבר בגרסת Python3), שהיא השפה המובילה כיום לתחקור הנתונים, ונרכוש כלים לעבודה עם נתונים ממקורות שונים ולהצגתם. נפתח מאפס קוד בסביבה מונחית-עצמים (Object-Oriented), שהיא המתודה הסטנדרטית כיום בפיתוח תוכנה ונבין לעומק את היתרונות הגלומים במתודה זו. בנוסף, נכיר את ספריית המודולים העשירה של השפה ונדע כיצד להיעזר בה.

מודול שני – עבודה על נתונים:

בחלקו השני של המסלול נסקור את משפחת החבילות מ- PyData, המהוות את סט הכלים המושלם לעבודה עם נתונים בכלל ונתונים טבלאיים בפרט. ראשית נכיר לעומק את חבילת ה-Pandas, דרכה ניחשף לעקרונות שונים בהכנה ובויזואליזציה של נתונים ולחבילות נוספות כגון numpy, matplotlib ו-seaborn. לאחר מכן נתוודע לפורמטים נפוצים (כגון JSON ו-HTML) ולמקורות נפוצים של נתונים, כגון בסיסי נתונים ורשת האינטרנט. בעזרת הכלים הללו נתנסה במגוון שיטות של Exploratory Data Analysis – EDA.

מודול שלישי – Machine Learning:

בחלקו השלישי של המסלול נצלול לפרקטיקה היומיומית של ה-Data Scientist, ובאמצעות use-case-ים שונים ניחשף באופן שיטתי והדרגתי לעולם אינסופי של כלים, שיטות, אתגרים, עקרונות, וכמובן – מודלים סטטיסטיים. נתוודע ל-CRISP-DM, המתודולוגיה המקובלת לפיתוח בעולם ה-Data Science, נבין את השלבים השונים שלה, וניישם אותם בפועל על אוסף רחב של בעיות עסקיות מעולמות תוכן שונים. נכיר לעומק את החבילה הנפוצה ביותר בעולם ה-Machine Learning, הלא היא Scikit-Learn.

מוזמנים לצפות בקטע מהשיעור ממנו מתחיל מודול Machine Learning, בהדרכתו של דרור גבע, ראש צוות Data Science בנאיה טכנולוגיות ומדריך בכיר.

מודול רביעי – Deep Learning & GenAI

יתמקד בעומקם של עולמות ה-Deep Learning וה-Generative AI, תוך שילוב בין תיאוריה לפרקטיקה. נתחיל בהיכרות עם רשתות נוירונים והארכיטקטורות השונות שבהן נעשה שימוש, וניישם אותן בעזרת Keras – אחת מהספריות הפופולריות ביותר בתחום. לאחר מכן, נעמיק ביסודות של Generative AI, נלמד על Transformers, Diffusion Models,

ו-Embeddings, ונעבוד עם הכלים של HuggingFace תוך חקר מודלים גדולים (LLMs) מאחורי הקלעים.
השלב הבא יתמקד בשימוש מעשי ב-LLMs, כולל הכרת אפליקציות מבוססות מודלים אלו, לימוד Prompt Engineering, התנסות בפלטפורמות כמו LangChain ו-LlamaIndex, ושימוש בפתרונות מתקדמים כגון Agentic AI ו-RAG (Retrieval-Augmented Generation). בנוסף, נחקור את התהליך של Fine Tuning במודלים, לצד כלים מוכרים לעיבוד, אוטומציה, והערכת ביצועים – כל זאת תוך בניית ידע המלווה ביישומים עסקיים מעשיים.

מודול חמישי – פרויקט מסכם

של המסלול נקדיש לעבודה בפועל על פרויקט אישי מסכם, בו יוכל כל סטודנט להתנסות בטכניקות וברעיונות שנלמדו בקורס מול בעיה עסקית אמיתית. במהלך מפגשי הפרויקט הסטודנטים יסבירו את הבעיה העסקית שנבחרה ואת הנתונים המלווים אותה, ידגימו את תהליכי ה-pre-processing וה-feature engineering שלהם, ויציגו את המודלים שבהם בחרו להשתמש בסופו של דבר.

מסלול הכשרה זה מלווה בלפחות 50% תרגול מעשי במהלך השיעורים, ובנוסף הסטודנטים יקבלו משימות ופרויקטים לכל נושא רלוונטי, במסגרתם יוכלו לממש את הידע הנרכש במהלך השיעורים. תוצרים של הפרויקטים יועלו לחשבון GitHub של כל סטודנט ובכך ייצרו תיק עבודות עשיר ומקצועי להצגה בפני המעסיקים בהמשך.