למידת מכונה - Machine Learning

👶 הדרך המסורתית (תכנות רגיל)

נסביר לילד חוקים:

• "כלב זה חיה עם 4 רגליים"
• "יש לו פרווה"
• "יש לו אוזניים"
• "יש לו זנב"

❌ הבעיות:

• גם לחתול יש 4 רגליים, פרווה, אוזניים וזנב
• יש כלבים בלי זנב
• יש כלבים עם אוזניים זקופות ויש עם אוזניים מושכות
• יש כלבים קטנטנים ויש כלבים ענקיים
• אי אפשר לכתוב את כל החוקים!

🧒 הדרך של למידת מכונה

נראה לילד אלפי תמונות:

• "זה כלב" (ראה 1000 תמונות)
• "זה לא כלב" (ראה 1000 תמונות של חתולים, שפנים, וכו')

✅ מה קורה:

• הילד לומד לבד את הדפוסים
• הוא לא יכול להסביר בדיוק איך הוא יודע - אבל הוא יודע
• הוא יכול לזהות כלבים חדשים שמעולם לא ראה

📊 שלב 1: איסוף נתונים

אוספים הרבה דוגמאות. ככל שיש יותר - יותר טוב.

דוגמה: 10,000 תמונות של כלבים ו-10,000 תמונות של לא-כלבים

🏷️ שלב 2: תיוג (לפעמים)

מסמנים את הנתונים - מה התשובה הנכונה לכל דוגמה.

דוגמה: כל תמונה מסומנת "כלב" או "לא כלב"

🏋️ שלב 3: אימון (Training)

המחשב עובר על כל הדוגמאות, מנתח אותן, ומחפש דפוסים.

זה כמו "ללמוד למבחן" - המחשב מתרגל שוב ושוב עד שהוא מצליח.

זמן: יכול לקחת דקות עד שבועות, תלוי במורכבות

🎯 שלב 4: מודל

התוצאה היא "מודל" - מבנה מתמטי שמייצג את מה שהמחשב למד.

המודל הוא כמו "המוח" שנבנה מהלמידה.

🔮 שלב 5: חיזוי (Inference)

עכשיו אפשר לתת למודל קלט חדש והוא "מנחש" את התשובה.

דוגמה: תמונה חדשה → המודל אומר "93% סיכוי שזה כלב"

📈 שלב 6: הערכה ושיפור

בודקים כמה המודל צודק. אם הוא טועה הרבה - משפרים ומתאימים.

זה תהליך חוזר של שיפור מתמיד.

איך זה עובד:

כמו ללמוד ממורה שנותן לך תרגילים עם פתרונות:

• המחשב רואה: קלט (X) → תשובה (Y)
• המחשב לומד: מה הקשר בין X ל-Y?
• עכשיו כשיש X חדש → המחשב מנחש Y

דוגמאות מהעולם האמיתי:

• זיהוי ספאם: אלפי מיילים מסומנים "ספאם" / "לא ספאם" → המודל לומד להבדיל
• חיזוי מחירי דירות: נתונים על דירות שנמכרו ומחיריהן → המודל מנבא מחיר לדירה חדשה
• אבחון רפואי: צילומי רנטגן מסומנים "בריא" / "חולה" → המודל מזהה מחלות
• זיהוי פנים: תמונות מסומנות בשמות → המודל מזהה מי בתמונה
• תרגום: מיליוני משפטים מתורגמים → המודל לומד לתרגם

איך זה עובד:

• המחשב מקבל נתונים ללא תיוגים
• מחפש דמיון בין הנתונים
• מקבץ (Clustering) או מוצא מבנים נסתרים

דוגמאות מהעולם האמיתי:

• פילוח לקוחות: המערכת מנתחת התנהגות קנייה ומחלקת לקבוצות (VIP, מזדמנים, רדומים...)
• זיהוי אנומליות: מציאת עסקאות חריגות בכרטיס אשראי
• דחיסת נתונים: מציאת ייצוג יעיל יותר למידע
• מנועי המלצות: קיבוץ מוצרים/משתמשים דומים
• ניתוח רשתות חברתיות: מציאת קהילות

איך זה עובד:

כמו לאמן כלב:

• סוכן (Agent): מי שלומד (הכלב / התוכנה)
• סביבה (Environment): העולם שבו הוא פועל
• פעולות (Actions): מה הסוכן יכול לעשות
• תגמול (Reward): משוב על הפעולות (+1 על הצלחה, -1 על כישלון)

הסוכן לומד לאט לאט אילו פעולות מביאות לתגמול הגבוה ביותר.

דוגמאות מהעולם האמיתי:

• AlphaGo: למד לשחק גו ברמת אלוף עולם
• רובוטים: לומדים ללכת, לתפוס חפצים
• נהיגה אוטונומית: לומד מניסיון נהיגה
• משחקי מחשב: AI שמנצח שחקנים אנושיים
• אופטימיזציה: ניהול חשמל במרכזי נתונים

איך זה עובד:

• נוירונים: יחידות חישוב קטנות שמקבלות קלט ומוציאות פלט
• שכבות: הנוירונים מאורגנים בשכבות
• חיבורים: כל נוירון מחובר לנוירונים בשכבה הבאה
• משקלים: לכל חיבור יש "משקל" שקובע את עוצמת ההשפעה

בתהליך הלמידה, המערכת מכוונת את המשקלים כדי לשפר את התוצאות.

דוגמה - זיהוי פנים:

• שכבות ראשונות: מזהות קצוות ועקומות בסיסיות
• שכבות אמצעיות: מזהות צורות (עיניים, אף, פה)
• שכבות עמוקות: מזהות פנים שלמות וזהות

כל שכבה לומדת ייצוגים יותר ויותר מופשטים.

CNN - Convolutional Neural Networks

מתמחות בתמונות ווידאו. משמשות לזיהוי פנים, אובייקטים, ניתוח תמונות רפואיות.

RNN / LSTM - Recurrent Neural Networks

מתמחות ברצפים (טקסט, זמן). משמשות לתרגום, ניתוח רגשות, חיזוי.

Transformers

הארכיטקטורה המהפכנית מ-2017. הבסיס ל-GPT, BERT, ורוב מודלי השפה המודרניים. מסוגלת לעבד קלט ארוך ולהבין קשרים מרוחקים בטקסט.

🏥 רפואה - אבחון סרטן

הבעיה: רופאים מפספסים לפעמים גידולים קטנים בצילומים

הפתרון:

• אימון על מיליוני צילומים מתויגים
• המודל לומד לזהות דפוסים של גידולים
• מציג "נקודות חשודות" לרופא

התוצאה: שיעור זיהוי של 95%+, לפעמים יותר מרופאים מומחים

🏦 בנקאות - זיהוי הונאות

הבעיה: מיליוני עסקאות ביום, אי אפשר לבדוק ידנית

הפתרון:

• המודל לומד מהי עסקה "רגילה" לכל לקוח
• מזהה חריגות: מיקום יוצא דופן, סכום חריג, דפוס קנייה שונה
• שולח התראה או חוסם את העסקה

התוצאה: חיסכון של מיליארדי דולרים בשנה

🎵 Spotify - המלצות מוזיקה

הבעיה: יש עשרות מיליוני שירים, איך למצוא את מה שתאהבו?

הפתרון (שילוב של גישות):

• Collaborative Filtering: "אנשים שאהבו X אהבו גם Y"
• Content-Based: ניתוח מוזיקלי של השירים (קצב, כלים, ז'אנר)
• NLP: ניתוח מילות השיר ותיאורים
• Audio Analysis: ניתוח הסאונד עצמו

התוצאה: Discover Weekly - רשימה אישית שמפתיעה אתכם בכל שבוע

🚗 טסלה - נהיגה אוטונומית

הבעיה: נהיגה דורשת הבנת סביבה מורכבת ותגובות בזמן אמת

הפתרון:

• מצלמות: 8 מצלמות מקיפות את הרכב
• Computer Vision: זיהוי מכוניות, הולכי רגל, שלטים, נתיבים
• חיזוי: ניבוי התנהגות של משתמשי דרך אחרים
• תכנון מסלול: החלטה לאן לנסוע
• למידה מרחוק: כל נסיעה של כל טסלה מלמדת את המערכת

התוצאה: מיליארדי קילומטרים של נתוני נהיגה

💬 ChatGPT - מודל שפה

הבעיה: יצירת שיחה טבעית עם מחשב

הפתרון:

• Pre-training: אימון על טריליוני מילים מהאינטרנט
• המשימה: לנבא את המילה הבאה בטקסט
• Fine-tuning: כיוונון עם דוגמאות של שיחות טובות
• RLHF: למידה מחיזוק על סמך משוב אנושי

התוצאה: מודל שיכול לענות על כמעט כל שאלה בשפה טבעית

📊 1. נתונים (Data) - הדלק

ללא נתונים אין למידת מכונה. צריך:

• כמות: בדרך כלל ככל שיותר - יותר טוב (אלפים עד מיליארדים)
• איכות: נתונים נקיים, מדויקים, ללא שגיאות
• מגוון: נתונים שמייצגים את כל המקרים האפשריים
• תיוג: בלמידה מונחית - צריך לסמן את התשובות

💻 2. כוח חישוב (Compute)

אימון מודלים דורש עיבוד כבד:

• GPU: מעבדים גרפיים שמצטיינים בחישוב מקבילי
• TPU: שבבים מיוחדים של גוגל ל-ML
• ענן: AWS, Google Cloud, Azure מציעים חומרה חזקה

עלויות: אימון מודל בקנה מידה של GPT-5 עלה לפי הערכות עשרות עד מאות מיליוני דולר.

🧮 3. אלגוריתם

השיטה המתמטית שבה המחשב לומד:

• בחירת ארכיטקטורה (CNN, Transformer, וכו')
• פונקציית מטרה (מה המודל מנסה לשפר?)
• אופטימיזציה (איך משפרים את המשקלים?)
• היפר-פרמטרים (קצב למידה, גודל batch, וכו')

👨‍💻 4. מומחיות

צריך אנשים שמבינים:

• Data Scientists - מנתחים נתונים ובונים מודלים
• ML Engineers - מממשים ומטמיעים מערכות
• Domain Experts - מבינים את התחום הספציפי

⏰ 5. זמן

אימון לוקח זמן:

• מודל קטן: דקות עד שעות
• מודל בינוני: שעות עד ימים
• מודל גדול (למשל GPT-5): שבועות עד חודשים

🎯 Overfitting (התאמת יתר)

כשהמודל "משנן" את נתוני האימון במקום ללמוד דפוסים כלליים.

דוגמה: תלמיד ששינן את כל התשובות במבחן לדוגמה - אבל נכשל במבחן האמיתי.

פתרון: יותר נתונים, רגולריזציה, בדיקה על נתונים חדשים.

📉 Underfitting (התאמת חסר)

כשהמודל פשוט מדי ולא מצליח ללמוד את הדפוסים.

פתרון: מודל מורכב יותר, יותר פיצ'רים, יותר אימון.

🔄 Training / Validation / Test Sets

מחלקים את הנתונים לשלוש קבוצות:

• Training (70%): לאימון המודל
• Validation (15%): לכיוון וכיול
• Test (15%): לבדיקה סופית - לא נוגעים עד הסוף!

📊 Accuracy, Precision, Recall

מדדים להערכת איכות המודל:

• Accuracy: כמה פעמים צדקנו מתוך הכל
• Precision: כשאמרנו "כן" - כמה פעמים צדקנו?
• Recall: מכל ה"כן" האמיתיים - כמה מצאנו?

⚖️ Bias (הטיה)

כשהמודל מפלה באופן שיטתי. קורה בגלל נתונים לא מאוזנים.

דוגמה: מודל גיוס שלמד מעובדים קיימים (רובם גברים) מפלה נשים.