אודסיטי · Nanodegree · 4 קורסים · 50 שעות
מסלול Nanodegree בלמידה עמוקה — אודסיטי
המסלול מורכב מארבעה קורסים ברצף: בנייה ואימון של רשתות נוירונים · רשתות קונבולוציה לראייה ממוחשבת · מודלים סדרתיים וטרנספורמרים · ובסוף בניית מודלים גנרטיביים.
"מסלול-המשך ללמידה עמוקה, למי שכבר כותב פייתון ברמת ביניים ומכיר NumPy ואלגברה לינארית — לא מסלול מאפס ולא העברת-מודל לייצור. בקצב של אדם עובד: בין חודש וחצי לשני חודשים, וארבעה פרויקטים באימון-מודלים."
50ש׳
משך רשמי
ביניים
רמת כניסה
4 · 4
קורסים · פרויקטים
4.7★
992 מדרגים
2חוד׳
עד סיום · שלנו
הרשמה ותמחור מתבצעים אצל אודסיטי · קישור שיווקי · אנחנו לא מוכרים את הקורס
בשורה אחת
חמש שאלות, חמש תשובות
אם אין לך זמן לקרוא את כל העמוד — אלה התשובות שמספיקות כדי להחליט.
למי זה
למי שכבר כותב פייתון ברמת ביניים, מכיר NumPy ו-Pandas ולא נבהל מאלגברה לינארית ומנגזרות — אודסיטי מגדירה את המסלול כרמת-ביניים.
מה יוצא ביד
מודל PyTorch מאומן עם דוח הערכה, מסווג תמונות עם אפליקציה, מאחזר סמנטי מבוסס טרנספורמר ושני מודלים גנרטיביים שמייצרים כתב-יד.
כמה זמן באמת
50 שעות רשמיות. בקצב של 6 עד 8 שעות בשבוע זה בין חודש וחצי לשני חודשים.
איפה זה ממקם אותך
בכיוון של מהנדס/ת למידת-מכונה ומדען/ית נתונים — בצד של בניית מודלים והערכתם, לא בצד התשתית והייצור.
מה חסר
כל התוכן באנגלית, אין כאן העברת מודל לייצור וניטור, והמחיר נקבע ומתעדכן אצל אודסיטי בלבד.
המסגרת במספרים
50 שעות, ומה שיוצא מהן
אלה המספרים שאודסיטי עצמה מפרסמת בעמוד-המוצר. נמדדו ב-8.9.2026.
50
שעות רשמיות
בקצב של 6 עד 8 שעות בשבוע — בין חודש וחצי לשני חודשים בקצב הזה
4
קורסים
83
שיעורים
4
פרויקטים
4.7 ★
992 מדרגים
8.2026
עודכן
2
עד סיום · שלנו
מסלול הלימוד
ארבעה קורסים ברצף אחד
אורך העמודה מציג את יחס השעות בין הקורסים. פתח קורס כדי לראות כל שיעור בשמו.
קורס 1
בנייה ואימון של רשתות נוירונים
14.6ש׳
קורס 2
רשתות קונבולוציה לראייה ממוחשבת
13.3ש׳
קורס 3
מודלים סדרתיים וטרנספורמרים
11ש׳
קורס 4
בניית מודלים גנרטיביים
11ש׳
1בנייה ואימון של רשתות נוירונים14.6 שעות
- סקירת הקורס: בנייה ואימון של רשתות נוירונים — יעדי הקורס, דרישות הקדם והיכרות עם המדריך לפני שבונים ומאמנים רשתות מאפס.
- מבוא ללמידה עמוקה — מה מקומה של הלמידה העמוקה בבינה מלאכותית ומתי היא הכלי הנכון לנתונים לא-מובנים בקנה מידה גדול.
- אבני הבניין של רשתות נוירונים — איך נוירונים מלאכותיים פשוטים מצטרפים לשכבות שלומדות תבניות מורכבות.
- כתיבת הרשת החד-שכבתית הראשונה — בונים נוירון בודד בפייטורץ' ורואים איך משקלים והיסט יוצרים גבול החלטה.
- איך רשתות לומדות אי-לינאריות — פונקציות ההפעלה מאפשרות לרשת ללמוד תבניות שאינן קו ישר.
- בחירת פונקציות הפעלה בפועל — משווים סיגמואיד, טנגנס היפרבולי ו-ReLU ומבינים את מגבלותיהן.
- מרשת חד-שכבתית לרשתות עמוקות — איך עומק ורוחב של שכבות משנים את יכולת הלמידה של הרשת.
- תכנון רשתות רבות-שכבות — בונים ומשווים רשתות רבות-שכבות בפייטורץ', כולל שכבות חבויות וספירת פרמטרים.
- איך נתונים זורמים קדימה ברשת — גרפים חישוביים וצורות טנזור שמאפשרים לעקוב אחרי החיזוי ולנפות בעיות.
- מעקב אחרי טנזורים בהתפשטות קדימה — כותבים מעבר-קדימה מותאם ומאתרים שגיאות ארכיטקטורה דרך מעקב אחר צורות.
- איך רשתות מודדות שגיאה — פונקציות הפסד ובחירת הפונקציה המתאימה לרגרסיה, לסיווג בינארי ולסיווג רב-מחלקות.
- בדיקת פונקציות הפסד במשימות שונות — מיישמים שגיאה ריבועית לרגרסיה ואנטרופיה בינארית לסיווג.
- איך רשתות לומדות בזמן אימון — ירידה בגרדיאנט, התפשטות לאחור ואופטימייזרים כמו Adam שמייצבים את האימון.
- בניית לולאת האימון הראשונה — לולאה בת חמישה שלבים בפייטורץ', והשוואה בין SGD ל-Adam.
- איך מכינים נתונים לאימון — חלוקת מסדי נתונים, עיבוד מוקדם לאיכות ולאופטימיזציה, וטעינה יעילה.
- בניית צינורות טעינת נתונים יעילים — ניקוי, קידוד, נרמול, אצוות והגדרות טעינה לנתונים טבלאיים בפייטורץ'.
- איך מאבחנים ביצועי מודל — זיהוי תת-התאמה, התאמת-יתר וחוסר יציבות דרך מאזן ההטיה-שונות ועקומות ההפסד.
- שרטוט ופענוח של עקומות הפסד — משווים הפסד אימון להפסד אימות כדי לזהות את מצב המודל.
- איך מעריכים מודל — בוחרים מדדים כמו דיוק, היזכרות, MAE ו-RMSE לפי עלות הטעות בעולם האמיתי.
- מדידת ביצועים מעבר לדיוק — דיוק, היזכרות, F1 ועקומות PR ו-ROC, במיוחד בנתונים לא מאוזנים.
- איך משפרים ביצועי מודל — מסגרת שיטתית לשיפור בארבעה צירים: נתונים, מודל, אופטימיזציה והסקה.
- כיוונון ביצועים בתרחישים שונים — נשירה, דעיכת קצב-למידה ושיטות שיטתיות מול התאמת-יתר וחוסר יציבות.
- מעבר לרשתות שאינן מקושרות-מלא — למה ארכיטקטורות מיוחדות כמו רשתות קונבולוציה, רשתות חוזרות וטרנספורמרים מתמודדות טוב יותר עם נתונים מובנים.
- פרויקטחיזוי סיכון לסוכרת בפייטורץ'
2רשתות קונבולוציה לראייה ממוחשבת13.3 שעות
- סקירת הקורס — יעדי הקורס, היכרות עם המדריך, ואיך ראייה ממוחשבת ורשתות קונבולוציה מפרשות תמונות.
- מבוא לראייה ממוחשבת ולרשתות קונבולוציה — איך רשתות קונבולוציה שומרות על המבנה המרחבי ומזהות עצמים בלי תלות במקומם בתמונה.
- קונבולוציות וחילוץ מאפיינים — פילטרים נלמדים שמחלצים מאפיינים מתמונה ומאפשרים זיהוי חסכוני.
- יישום קונבולוציות בפייטורץ' — שכבות קונבולוציה דו-ממדיות, פילטרים מותאמים והצגת מפות מאפיינים.
- גרעינים, צעדים וריפוד — איך ריפוד וצעד קובעים את גודל מפת המאפיינים ואת רמת הפירוט שנשמרת.
- שכבות איגום בפייטורץ' — איגום מקסימום וממוצע שמקטין מפות מאפיינים ומייצב את הרשת.
- ארכיטקטורות של רשתות קונבולוציה — איך שכבות קונבולוציה, הפעלה ואיגום נערמות לחילוץ מאפיינים ולסיווג תמונות.
- בניית רשת קונבולוציה מאפס — מאמנים, מציגים מפות מאפיינים ופילטרים, ומשפרים דרך נתונים, ארכיטקטורה ורגולריזציה.
- העשרת נתונים — טרנספורמציות שמרחיבות את מסד האימון ומלמדות את המודל לעמוד בשינויים אמיתיים.
- צינורות העשרת נתונים בפייטורץ' — שרשור טרנספורמציות עם torchvision וטעינת אצוות לאימון ולהערכה.
- אימון מתקדם של רשתות קונבולוציה — נתונים לא מאוזנים, קצב למידה ורגולריזציה למודלים אמינים שמכלילים היטב.
- אימון מתקדם בפייטורץ' — העשרת נתונים, נשירה, נרמול אצווה, תזמון קצב-למידה ועצירה מוקדמת מול התאמת-יתר.
- ארכיטקטורות ראייה מפורסמות — LeNet, AlexNet, VGG, ResNet, ConvNeXt וטרנספורמרים לתמונה, וההמצאה שמאחורי כל אחת.
- למידת העברה וכיוונון עדין — שימוש במודלים מאומנים מראש לבניית מודל ראייה מדויק עם מעט נתונים.
- למידת העברה בפייטורץ' — מכווננים מודל מאומן מראש, מתאימים מסווג ומטפלים באתגרי נתונים אמיתיים.
- רשתות קונבולוציה מוסברות וניתנות לפירוש — שיטות הצגה וייחוס כמו מיקסום מאפיינים ו-Grad-CAM שהופכות את המודל לשקוף יותר.
- יישום: העברת סגנון נוירונית — משלבים תוכן של תמונה אחת עם סגנון של אחרת בעזרת רשת VGG19 מאומנת מראש.
- רשתות מקודד-מפענח — אוטואנקודרים שדוחסים ומשחזרים נתונים, לניקוי רעש, זיהוי חריגות ולמידת מאפיינים.
- בניית אוטואנקודרים בפייטורץ' — שחזור תמונות וניקוי רעש על מסד MNIST, בארכיטקטורות מקושרות-מלא וקונבולוציוניות.
- זיהוי עצמים — תיבות חוסמות, רשתות מרובות-ראשים ומדדים כמו חפיפה ממוצעת ודיוק ממוצע.
- זיהוי עצמים בפייטורץ' — בונים YOLO מאפס, מפעילים Faster R-CNN ומציגים תוצאות על תמונות אמיתיות.
- פילוח תמונה — פילוח סמנטי שמסווג כל פיקסל בעזרת רשתות מקודד-מפענח כמו U-Net וחיבורי דילוג.
- פילוח תמונה בפייטורץ' — בונים ומאמנים מודלי U-Net לסיווג פיקסלים, בתרגילים מעשיים על תמונות.
- פרויקטסיווג ותיוג נקודות-ציון לרשתות חברתיות
3מודלים סדרתיים וטרנספורמרים11 שעות
- סקירת הקורס — היכרות עם מודלים סדרתיים וטרנספורמרים, עם המדריך ועם יעדי הקורס.
- למה מודלים סדרתיים חשובים — למה סדר הנתונים משנה, אילו יישומים נשענים עליו ומה האתגרים בעיבוד מידע סדרתי.
- פירוק טקסט לאסימונים — איך טקסט הופך לאסימונים ולמספרים, ואיך הבחירה משפיעה על ביצועי המודל ועל עלותו.
- בניית מפרק אסימונים בפייטורץ' — משווים פירוק לפי מילים לשיטות תת-מילה שמשמשות מודלים מודרניים.
- מציאת משמעות בשיכוני מילים — איך מילים הופכות לווקטורים שמאפשרים למכונה לתפוס משמעות, יחסים ואנלוגיות.
- שיכונים מאומנים מראש בפייטורץ' — עובדים עם וקטורי GloVe, פותרים אנלוגיות ומבדילים בין שיכון סטטי להקשרי.
- מודלים סדרתיים: רשתות חוזרות, LSTM ו-GRU — איך הן מתגברות על מגבלות זיכרון ומאפשרות חיזוי טקסט, תרגום וחיזוי סדרות בזמן.
- חיזוי סדרות עם וריאנטים של רשתות חוזרות בפייטורץ' — משווים זיכרון, דיוק ויעילות במשימות טקסט ברמת התו.
- תרגום רעיונות עם מודלי Seq2Seq — ארכיטקטורת מקודד-מפענח שמאפשרת תרגום, תמצות ותשובות של צ'אט.
- בניית רשת Seq2Seq ראשונה בפייטורץ' — מקודדים, מפענחים, אילוץ מורה וצוואר הבקבוק של וקטור ההקשר.
- הפניית תשומת הלב של המודל לעיקר — מנגנוני קשב שמאפשרים למודל להתמקד בחלקים הרלוונטיים של הקלט.
- שיפור Seq2Seq בקשב בפייטורץ' — מוסיפים קשב, מודדים תשובות בהתאמה מדויקת וב-F1 ומטפלים בנתונים.
- טרנספורמרים וכוחו של קשב עצמי — קשב עצמי, קשב מרובה-ראשים וקידוד מיקום, ואיך הם מאפשרים עיבוד שפה יעיל.
- חקר טרנספורמרים עם Hugging Face — פירוק לאסימונים, שיכונים הקשריים והצגת קשב עם BERT לצורך פירוש המודל.
- הערכת מודלי טרנספורמר: מושגים ופרקטיקה בתעשייה — מדדים כמו התאמה מדויקת, F1, BLEU ו-ROUGE יחד עם ניתוח שגיאות איכותני.
- יישום מדדי הערכה עם Hugging Face — התאמה מדויקת, F1, דיוק ב-k ודירוג הדדי ממוצע למודלי שאלות-ותשובות, וניתוח שגיאות.
- כיוונון טרנספורמרים לשאלות ותשובות — הכנת נתונים, אימון עם Hugging Face והערכה על SQuAD בהתאמה מדויקת וב-F1.
- השוואה בין רשתות חוזרות לטרנספורמרים — עיבוד סדרתי מול קשב עצמי מקבילי, על יתרונות, מגבלות ויישומים.
- פרויקטמנוע שאלות-ותשובות מבוסס טרנספורמר
4בניית מודלים גנרטיביים11 שעות
- סקירת הקורס — היכרות עם בניית רשתות יריבות גנרטיביות, עם המדריך ועם הנושאים המרכזיים.
- מבוא למודלים גנרטיביים — המעבר מזיהוי נתונים ליצירת נתונים, ההבדל ממסווגים ושאלות האתיקה שנלוות אליו.
- מרחבים סמויים והתפלגויות נתונים — איך רעש מקרי הופך לפלט מובנה דרך מיפוי וקטורים פשוטים לנתונים מורכבים.
- בניית רשת מחוללת פשוטה — רשת בפייטורץ' שהופכת רעש מקרי לתמונות, כבסיס לרשתות יריבות גנרטיביות.
- מבחינים ואימון יריב — התחרות בין המחולל למבחין שמייצרת נתונים סינתטיים אמינים.
- יישום מבחין בפייטורץ' — בונים, מאמנים ומעריכים מבחין כחלק מרשת יריבה גנרטיבית.
- רשתות יריבות גנרטיביות — שתי רשתות שמתחרות זו בזו ומייצרות תמונות, אמנות וטקסט.
- אימון GAN שלב אחר שלב בפייטורץ' — בונים, מאמנים ומנתחים מחולל ומבחין ומבינים את התהליך היריב.
- שיפור אימון GAN — החלקת תוויות, נרמול אצווה ו-LeakyReLU מול קריסת מודוסים וחוסר יציבות.
- שיפורי אימון GAN בפייטורץ' — איך החלקת תוויות והתאמת מאפיינים מייצבות את האימון ומגדילות את הגיוון.
- רשתות GAN קונבולוציוניות עמוקות — שכבות קונבולוציה, קונבולוציה מוחלפת ואימון יציב לייצור תמונות איכותיות.
- בניית DCGAN ואימונו בפייטורץ' וב-TorchVision — מייצרים תמונות מציאותיות מרעש מקרי ושולטים בארכיטקטורה ובאימון.
- יצירת תמונות מותנית — שילוב תוויות עם רעש שמאפשר שליטה במה שהמודל מייצר, כולל טקסט-לתמונה.
- יישום GAN מותנה — מאמנים מודל שמייצר תמונות ממחלקה מסוימת לפי תווית שנתת לו.
- מבוא למודלי דיפוזיה — איך הוספת רעש והסרתו בשלבים מייצרות תמונות, ולמה זה יציב ויעיל.
- ארכיטקטורת U-Net לדיפוזיה — נתיבי מקודד-מפענח, חיבורי דילוג ושיכון זמן שמשמרים מבנה וגם פרטים עדינים.
- יישום מודל דיפוזיה פשוט — הוספת רעש קדימה, ארכיטקטורת U-Net ויצירת תמונה בשלבי ניקוי רעש.
- דגימה ויצירת תמונות בדיפוזיה — דיפוזיה הפוכה מרעש לתמונה, והאיזון בין מהירות היצירה לאיכותה.
- השוואה בין GAN למודלי דיפוזיה — מהירות מול איכות תמונה, ואיזה כלי מתאים לאיזו משימת יצירה.
- פרויקטמחולל כתב-יד סינתטי למערכות CAPTCHA
מה יישאר לך ביד
4 פרויקטים בקוד שרץ
לא מסמכים ולא מצגות. כל פרויקט נעול בשיעור מסומן בסילבוס ומוגש לבדיקה.
- 01
1 · בנייה ואימון של רשתות נוירונים
חיזוי סיכון לסוכרת בפייטורץ'
21 מאפיינים בכל דגימה. כ-50,000 דגימות, בחלוקה מאוזנת של 50 ל-50. שמונה משימות ממוספרות: צורת הנתונים ועמודותיהם, ערכים חסרים, התפלגות היעד, סטטיסטיקות, קורלציות, תצפיות, הפרדת מאפיינים מיעד, וחלוקות. מועד ההגשה שהופיע בכיתה: 6 באוקטובר 2026.
- 02
2 · רשתות קונבולוציה לראייה ממוחשבת
סיווג ותיוג נקודות-ציון לרשתות חברתיות
ארכיון tar.gz עם שלוש מחברות — רשת מאפס, למידת-העברה ואפליקציה — ותיקיית קוד src
- 03
3 · מודלים סדרתיים וטרנספורמרים
מנוע שאלות-ותשובות מבוסס טרנספורמר
ארכיון או GitHub עם קובץ המאחזר, קובץ ההערכה ומחברת מלווה
- 04
4 · בניית מודלים גנרטיביים
מחולל כתב-יד סינתטי למערכות CAPTCHA
ארכיון או GitHub עם שני המודלים הגנרטיביים ודוח השוואה ביניהם
החסם של האנגלית
יש בכיתה עוזר שמדבר עברית
בתוך הכיתה של אודסיטי יושב עוזר בשם מארווין. שואלים בעברית — הוא עונה בעברית, על החומר שמוצג באותו רגע.
כל שאלה על מה שכתוב בעמוד
שואלים בעברית והוא עונה בעברית, על השיעור שפתוח מולך.
סיכום, ואז בוחן
אפשר לבקש סיכום של השיעור שקוראים עכשיו, ואז לבקש שיבחן אותך לפני שממשיכים.
בדקנו את זה בפועל ב-7.9.2026: שלוש שאלות חופשיות, בקשת סיכום ובקשת בוחן — חמש מתוך חמש חזרו בעברית שוטפת ומדויקת לתוכן.
✓בחר במסלול הזה אם…
אתה כבר כותב פייתון ורוצה לעבור מקריאה על רשתות נוירונים לבנייה שלהן בפייטורץ'; אתה צריך ארבעה תוצרים שנבדקו מול רובריקה, ולא עוד קורס צפייה; ומעניין אותך הרוחב: רשתות בסיס, ראייה ממוחשבת, טרנספורמרים ומודלים גנרטיביים באותו רצף.
✕דלג עליו אם…
אתה מחפש מסלול פתיחה לתכנות או ללמידת מכונה — הרמה כאן ביניים והדרישות אמיתיות; אתה צריך דווקא את צד התשתית: הגשת מודלים לייצור, ניטור ותפעול; או קריאה מקצועית באנגלית היא חסם, ואתה לא מוכן להישען על עוזר תרגום בתוך הכיתה.
לפני שמחליטים
מה זה לא נותן
- כל התוכן באנגלית: שיעורים, הוראות הפרויקטים והרובריקות. מארווין עונה בעברית, אבל החומר עצמו לא מתורגם.
- זה לא מסלול לאדם שמתחיל מאפס: אודסיטי מונה 23 דרישות-קדם: בהן פייתון ברמת ביניים, NumPy, Pandas, אלגברה לינארית וחשבון דיפרנציאלי.
- הפרויקטים מאמנים מודלים על מסדי-נתונים מוכנים בסביבת הכיתה. אין כאן העברת מודל לייצור: ניטור בייצור, ניהול גרסאות או תשתית נתונים אמיתית.
- 50 השעות הן מספר רשמי: לא לוח-זמנים: בקצב של 6 עד 8 שעות בשבוע מדובר בחודש וחצי עד שני חודשים, ולכל פרויקט מופיע מועד הגשה בכיתה.
שאלות ותשובות
צריך לדעת פייתון לפני שנרשמים?
כן. בין 23 דרישות-הקדם שאודסיטי מונה מופיעים פייתון ברמת ביניים, NumPy, Pandas ומחברות ג'ופיטר, וגם אלגברה לינארית, נגזרות והסתברות בסיסית. הרמה הרשמית של המסלול היא ביניים.
אפשר להסתדר עם אנגלית בינונית?
החומר כולו באנגלית — שיעורים, הוראות והרובריקות. בתוך הכיתה יושב מארווין, עוזר שמדבר עברית: בדקנו בפועל שהוא עונה על שאלות, מסכם שיעור ובוחן על החומר.
מה בעצם מגישים בסוף?
ארבעה תוצרים: מודל פייטורץ' עם דוח הערכה, ארכיון עם שלוש מחברות ותיקיית קוד למסווג התמונות, קוד מאחזר סמנטי עם מודול הערכה, ושני מודלים גנרטיביים עם דוח השוואה.
יש מועדי הגשה?
כן. בהוראות הפרויקטים שקראנו בכיתה מופיע תאריך הגשה לכל פרויקט — בפרויקט הראשון, חיזוי סיכון לסוכרת, הופיע 6 באוקטובר 2026.
מי בודק את הפרויקט?
אודסיטי מצהירה שכל פרויקט נבדק בידי אדם מול רובריקה. בפרויקט הראשון הרובריקה מחולקת לארבעה חלקים — דאטה, עיבוד מוקדם, אימון והערכה. קישור ישיר לרובריקה לא נתפס אצלנו; קראנו אותה בתוך עמוד הפרויקט.
כמה זמן זה לוקח באמת?
אודסיטי מפרסמת 50 שעות. בקצב של 6 עד 8 שעות בשבוע, שהוא הקצב שאדם עובד מצליח לעמוד בו, זה בין חודש וחצי לשני חודשים.
50 שעות, ארבעה פרויקטים, תיק אחד
המחיר, תנאי הביטול ומועד הפתיחה — בעמוד המסלול של אודסיטי. ההחלטה שלך.
הרשמה ותמחור מתבצעים אצל אודסיטי · קישור שיווקי · אנחנו לא מוכרים את הקורס
מקורות
- עמוד-המוצר הרשמי של מסלול Deep Learning Nanodegree באודסיטי — משך, רמה, דירוג, מספר הקורסים, השיעורים והפרויקטים והסילבוס המלא. נמדד ב-8.9.2026.
- הוראות הפרויקטים בתוך הכיתה של אודסיטי — שלבים, תוצרי הגשה, דרישות מספריות, חומר הגלם, הכלים והרובריקה. נקראו ב-8.9.2026.
MSL הוא קטלוג קורסים — לא ספק הקורס. המסלול מתפרסם ומנוהל על ידי אודסיטי. תוכן הקורס, המחיר, התעודה ותנאי השימוש הם באחריות אודסיטי בלבד. הקישורים לאודסיטי הם קישורים שיווקיים.