רשימת הקורסים: תואר ראשון ושני

מה היא למידה? מה הן מערכות לומדות? האם מכונה יכולה ללמוד ואילו מושגים ניתנים ללמידה? כיצד ניתן ללמד מכונה? באילו שיטות ועבור אילו בעיות?

בשנים האחרונות הודגם שלא רק שמכונות יכולות ללמוד, אלא שזהו כלי חיוני מאין כמוהו לטיפול בבעיות סבוכות ובגודש המידע המציף אותנו. מערכות אוטומטיות הלומדות לזהות דפוסים משמשות כיום מרכיב חשוב במגוון עצום של תחומים וישומים.

בקורס נציג את תחום המערכות הלומדות ואת הקשר שלו לתחומים אחרים. נלמד דרך דוגמאות מעשיות את הנושאים הבאים:

רגרסיה: התאמת מודל לנתונים. שיטות מינימום שגיאה ריבועית. Support Vector machines. זיהוי – detection (האם בתמונה נמצאים פנים? היכן?)  recognition (מהו האוביקט הנמצא בקלט, האם זהו אדם?)  identification, individualiztion (מי החתול הזה? האם זה מיצי?), למידה מונחית – supervised learning. סיווג – classification (האם הקלט המוגש שייך לקבוצה זו או אחרת, האם זה תפוח או תפוז?)  שיטת השכן הקרוב, סיווג בייס נאיבי, עצי החלטה. רשתות עצבים מלאכותיות. למידה בלתי מונחית – unsepervised learning. ניתוח אשכולות – clustering. הפחתת מימדים – dimensionality reduction. למידת חיזוק – reinforcement learning. מודלים להערכת התפלגויות - Probabalistic graphic models. אלגוריתמים גנטיים. ספריות תוכנה ובהן כלי Matlab ו Python (scikit-learn) המממשים מערכות לומדות. בקורס ינתן דגש על למידה אוטומטית מתוך מידע ביורפואי לצרכי זיהוי, אפיון, ניתוח והערכה של המידע.

ארכיטקטורה היא התחום במדעי המחשב שמספק את הפלטפורמה למימוש מעשי של חידושים בתכנות ואלגוריתמים.  אחרי חזרה קצרה על נושאים מקורס הבוגר בארכיטקטורה של מחשבים, הקורס מציג שיטות עדכניות לשיפור ביצועים: מעבדי superscalar ו- instruction level parallelism, חיזוי התנהגות פקודות סיעוף (branch prediction), מטמון זרימות (trace caching), מעבדים רבי-ליבות ו- thread level parallelism, תמיכה בתכנות מקבילי.

הבנת הישום של הנדסת תוכנה בפרויקטי תוכנה. הקמת מסגרת העבודה של פרויקט. מהלך ביצוע פרויקט תוכנה משלב תכנון ועד שלב סיום, הלכה למעשה. העמקה בניתוח תהליכי ושלבי הפיתוח השונים והיחסים ביניהם. פרוט הפעולות התומכות בפרויקט (מדידות, ניהול סיכונים, ניהול איכות ועוד) .נתוח והשוואה בין שיטות ניהול קלאסיות ומודרניות שונות תוך הבנת היתרונות והחסרונות של כל אחת מהן והשילוב ביניהן.

נדון במערכות אינטראקטיביות ‏באינטרנט מערכות ניידות. ‏ ‏הסמינר כולל אוסף נושאים בתחום עולם האינטרנט ומשתמשים, המערכות וחברתיות ,התנהגויות, הבטחה ושימוש במערכות ניידות, כולל תחומי המחקר הנוכחיים.

איך ניתן להעביר הודעה סודית? איך ניתן לחתום על הודעה במחשב? איך מחלקים סודות? איך מוכיחים זהות? איך מטילים מטבע באינטרנט? בקורס נראה כמה תשובות.

הנושאים הנלמדים: מערכות הצפנה קלאסיות: מצפיני בלוק, מצפיני זרם, מבוא ל-DES. מערכות הצפנה ציבוריות: מבוא, שיטת RSA, התקפות על RSA, הלוג הדסקרטי, חתימות דיגיטליות, פונקציות hash. עקומות אליפטיות ושימושיהן בקריפטוגרפיה. הוכחות חוסר ידע. שיתוף סוד. במהלך הסמסטר נחזור על המושגים המתמטיים הדרושים להצפנה כמו המספרים השלמים מודולו n ושדות סופיים ונעמיקם.

המשימות שרופאים נדרשים לבצע הם רבים ומגוונים, כמו ניתור חולים, אבחנה, בחירת טיפול נכון ואופטימלי, ניתוח של נתונים, סיכום מידע. משימות אלו דורשות מטודולוגיות מתחומים שונים כמו מדעי המחשב, בינה מלאכותית, סטטיסטיקה וניתוח החלטות.

בקורס נכיר את העולם של המערכות תומכות החלטה ברפואה ואת המטודולוגיות השונות שמשתמשים בתחום זה.

נלמד את הנושאים הבאים: מבוא למידענות רפואית (Medical Informatics), רשומות רפואיות וסטנדרטים רפואיים, בסיסי נתונים טמפוראלים, ייצוג יידע,  סוגים שונים ומאפיינים של מערכות תומכות החלטה: מערכות מבוססות חוקים, מערכות מבוססות ידע, מערכות לאבחנה רפואית. היסק תלויי זמן, הטיות בשיפוט אנושי, עצי החלטה, הפשטה (abstraction) של נתונים תלויי זמן,  וויזואליזציה וניתוח של נתונים רפואיים תלויי זמן, מידול והרצת קווים מנחים, מערכת לסיכום מילולי של נתונים רפואיים. 

למידה עמוקה פרצה לתודעה התקשורתית בשנים האחרונות ככלי המחולל העיקרי במהפכת ה AI, אבל למעשה זהו מושג די ותיק. הרעיון ומימושיו עולים ופורחים כעת בגלל שלושה גורמים עיקריים: כמות עתק של נתונים, כח מיחשוב רב ואלגוריתמי למידה המנצלים את שני הגורמים האחרים ביעילות.

בקורס נציג את תחום הלמידה העמוקה ואת הקשר שלו לתחומים אחרים. נשתמש בכלים עדכניים כדי לבצע משימות שעד לאחרונה נחשבו כשייכות לתחום המדע הבדיוני. נלמד על המגבלות של הכלים והשיטות ונתאר כיווני התפתחות עתידיים.

נתמקד בהיבטים הפרקטיים של למידה עמוקה:

איסוף נתונים ומאגרי נתונים קיימים, בחירת מודלים, שימוש במודלים קיימים ובלמידת העברה, שימוש בספריות ומעטפות תוכנה (דוגמתTensorFlow, Theano, Keras, Matlab Neural Network Toolbox ), פתרון בעיות במהלך אימון מודל, מיחשוב ענן, יצוא ושימוש במודל במכשירי קצה שונים ובתנאים שונים.

בתרגילים ובהדגמות נראה שימוש בפועל בלמידה עמוקה לפתרון של מגוון בעיות כגון: עיבוד טקסט ושפה טבעית, מערכות המלצה, ייצור טקסט על פי סגנון, עיבוד תמונות, חיפוש תמונות, זיהוי סגנון והחלתו בתמונות, ייצור תמונות בעזרת Autoencoders, טיפול באודיו ובמוזיקה, פתרון משחקים ובעיות אחרות בעזרת למידת חיזוק עמוקה.  

מטרות אבטחת מידע, איומים כללים על מערכות מידע. יסודות תורת ההצפנה, הנדסת קריפטוגרפיה: צפנים סימטריים ואסימטריים (DES, AES), צפני גושיים וצפני זרם (RC4). שיטות החלפת מפתחות (Diffie-Helman). אלגוריתמי גיבוב (HASH)  קריפטוגרפים וחתימות דיגיטליות. סרטיפיקטים ותשתיות מפתחות פומביים (PKI). מדיניות אבטחה ויסודות הגנה: הגנה לעומק , הפרדת אחריויות והרשאות, זיהוי, אימות, הרשאות ועיקרון של זכות מינימלית, Bell LaPadua model. מושגים וטכניקות של התקפות. תוקפים ואתיקה. יסודות אבטחת רשתות, ניתוח מקרה SSL, יסודות אבטחת מחשבים, מערכות הפעלה ו-Trusted Computing. ניתוח מקרה אנדרויד.

האם מחשב יכול לראות? בעבר נידונה שאלה זו בעיקר בסיפורת הבדיונית אך כיום מתרבים היישומים המשתמשים בראייה ממוחשבת. בקרת תהליכים במפעלים, זיהוי סטיית רכב מן הנתיב, מעקב אחר חשודים בשדות תעופה וזיהוי פנים הם דוגמאות לשימוש מסחרי במערכות של ראייה ממוחשבת.

בקורס נציג את התחום ונתאר בצורה שיטתית את הגיאומטריה של מערכות ראייה ממוחשבת. הנושאים אותם נלמד: פרמטרים של מצלמה, הטלה פרספקטיבית, הטלה אפינית. גיאומטריה פרויקטיבית ושימושיה. טרנספורמציות סיבוב והזזה בדו מימד ובתלת מימד, קואורדינאטות הומוגניות, מעברי מערכות קואורדינאטות. מטריצות הטלה. קליברציה של מצלמות: פתרון מערכת משוואות בשיטת מינימום שגיאה ריבועית, פתרון Ax=0, Ax=b, פסאודו אינברס. הערכה של מטריצת ההטלה בשיטה ליניארית ובשיטה לא ליניארית. פרמטרים פנימיים וחיצוניים של המצלמה, פרוק מטריצת ההטלה. עיוותים רדיאליים. קליברציה אוטומטית. הגיאומטריה של מספר כיווני מבט: גיאומטריה אפיפולרית, חישוב fundamental matrix ישירות ובעזרת נקודות התאמה. Epipolar image rectification. שלושה כיווני מבט. סטראוסקופיה ושחזור תלת מימדי. שימוש בקורלציה להתאמה. שחזור צפוף או על פי נקודות נבחרות. רדיומטריה – מדידת אור: אור במרחב ועל פני משטחים. מקורות אור הצללה וזיהוי מבנה. שימוש ב RANSAC, Hough transform, Harris corner detection ל robust estimation. הפחתת מימדים וזיהוי פרצופים בעזרת PCA. שימוש במידע רב (אינטרנט) לזיהוי: detection and recognition.