README.md

🌐 תמיכה בריבוי שפות

נתמך באמצעות פעולה ב-GitHub (אוטומטי ותמיד מעודכן)

ערבית | בנגלית | בולגרית | בורמאית (מיאנמר) | סינית (מפושטת) | סינית (מסורתית, הונג קונג) | סינית (מסורתית, מקאו) | סינית (מסורתית, טייוואן) | קרואטית | צ’כית | דנית | הולנדית | אסטונית | פינית | צרפתית | גרמנית | יוונית | עברית | הינדי | הונגרית | אינדונזית | איטלקית | יפנית | קנדה | קוריאנית | ליטאית | מאלית | מאליימית | מרטהית | נפאלית | פידג’ין ניגרי | נורבגית | פרסית (פרסי) | פולנית | פורטוגזית (ברזיל) | פורטוגזית (פורטוגל) | פונג’אבי (גורמוכ’י) | רומנית | רוסית | סרבית (קירילית) | סלובקית | סלובנית | ספרדית | סוואהילי | שבדית | טגלוג (פיליפינית) | טמילית | טלוגו | תאית | טורקית | אוקראינית | אורדו | ויאטנמית

מעדיפים לשכפל באופן מקומי?

מאגר זה כולל יותר מ-50 תרגומים לשפות שונות, מה שמגדיל משמעותית את גודל ההורדה. כדי לשכפל בלי תרגומים, השתמשו ב-sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

זה נותן לכם את כל מה שצריך כדי להשלים את הקורס במהירות הורדה גבוהה יותר.

הצטרפו לקהילה שלנו

יש לנו סדרת למידה ב-Discord בנושא AI, למדו והצטרפו אלינו ב-סדרת למידה עם AI בין התאריכים 18-30 בספטמבר, 2025. תקבלו טיפים וטריקים לשימוש ב-GitHub Copilot לנתוני מדע.

למידת מכונה למתחילים - תכנית לימודים

🌍 טוסו סביב העולם בזמן שאנו חוקרים למידת מכונה באמצעות תרבויות העולם 🌍

מקדמי ענן במיקרוסופט שמחים להציע קורס בן 12 שבועות עם 26 שיעורים בנושא למידת מכונה. בקורס זה תלמדו על מה שנקרא לפעמים למידת מכונה קלאסית, תוך שימוש בעיקר בספריית Scikit-learn והימנעות מלמידה עמוקה, שמכוסה בתכנית הלימודים שלנו AI למתחילים. שלבו שיעורים אלו עם תכנית 'מדעי נתונים למתחילים' שלנו, גם כן!

טיילו איתנו ברחבי העולם בעוד אנו מיישמים את הטכניקות הקלאסיות הללו על נתונים מאזורים רבים בעולם. כל שיעור כולל מבחני ידע לפני ואחרי השיעור, הוראות כתובות להשלמת השיעור, פתרון, משימה ועוד. הפדגוגיה המבוססת פרויקטים מאפשרת לכם ללמוד תוך כדי בנייה, דרך מוכחת להטמעת מיומנויות חדשות.

✍️ תודות חמות למחברינו ג'ן לופר, סטיבן הוואול, פרנצסקה לזרי, טומומי אימורה, קסי ברוויו, דמיטרי סושניקוב, כריס נורינג, אנירבאן מוקהרג’י, אורנלה אלטוניאן, רות יאקובו ואיימי בויד

🎨 תודה גם לאיוריות שלנו טומומי אימורה, דאסאני מדיפלי, וג'ן לופר

🙏 תודה מיוחדת 🙏 למחברי, מבקרים ותורמי תוכן של שגרירי הסטודנטים של מיקרוסופט, במיוחד רישיט דגלי, מוחמד סקיב חאן אינאן, רוחאן ראג', אלכסנדרו פטרסקו, אבישק ג’איסוואל, נאורין טאבסום, יואן סמואילה, וסניגדה אגרוול

🤩 תודה מיוחדת לשגרירי הסטודנטים של מיקרוסופט אריק וואנג’או, ג’אסלין סונדי ווידושי גופטה על שיעורי R שלנו!

התחלנו

עקבו אחר הצעדים הבאים:

1. עשו Fork למאגר: לחצו על כפתור "Fork" בפינה הימנית-עליונה של דף זה.
2. שכפלו את המאגר: git clone https://github.com/microsoft/ML-For-Beginners.git

מצאו את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו

🔧 צריכים עזרה? בדקו את מדריך פתרון בעיות עבור פתרונות לבעיות נפוצות בהתקנה, הקמה והרצת שיעורים.

סטודנטים, לשימוש בתוכנית זו, בצעו fork לכל המאגר לחשבון GitHub הפרטי שלכם וסיימו את התרגילים בעצמכם או בקבוצה:

• התחילו עם מבחן חימום לפני ההרצאה.
• קראו את ההרצאה והשלימו את הפעילויות, עצרו והרהרו לאחר כל בדיקת ידע.
• נסו ליצור את הפרויקטים על ידי הבנת השיעורים במקום להריץ את קוד הפתרון; עם זאת, הקוד זמין בתיקיות /solution בכל שיעור מונחה פרויקט.
• עברו מבחן לאחר ההרצאה.
• השלימו את האתגר.
• השלימו את המשימה.
• לאחר השלמת קבוצה של שיעורים, בקרו בלוח הדיונים ו"למדו בקול" על ידי מילוי טופס PAT מתאים. PAT הוא כלי הערכת התקדמות שהוא טופס שממלאים כדי לקדם את הלמידה. ניתן גם להגיב ל-PATים אחרים כדי ללמוד יחד.

ללימוד נוסף, מומלץ לעקוב אחרי מודולים ונתיבי למידה של Microsoft Learn.

מורים, כללנו כמה המלצות לניצול התכנית.

---

סרטוני וידאו הדרכה

חלק מהשיעורים זמינים כסרטוני וידאו קצרים. ניתן למצוא אותם בקו בתוך השיעורים, או ברשימת ההשמעה ML for Beginners בערוץ מיקרוסופט לדבלופרים ב-YouTube בלחיצה על התמונה למטה.

---

הכירו את הצוות

גיף מאת Mohit Jaisal

🎥 לחצו על התמונה למעלה לסרטון על הפרויקט והאנשים שיצרו אותו!

---

פדגוגיה

בחרנו שני עקרונות פדגוגיים בבניית תוכנית זו: להבטיח שהיא מונחית פרויקטים וכוללת מבחני ידע תכופים. בנוסף, לתוכנית יש נושא משותף אחד שמעניק לה קוהרנטיות.

על ידי הבטחת התאמה של התוכן לפרויקטים, התהליך נעשה מעניין יותר לסטודנטים והחזקת המושגים משתפרת. בנוסף, מבחן קל לפני השיעור קובע את כוונת הסטודנט ללמוד נושא, בעוד מבחן שני אחרי השיעור מוודא המשך החזקה. תוכנית זו עוצבה להיות גמישה ומהנה וניתן לקחתה בשלמותה או בחלקיה. הפרויקטים מתחילים קטנים והופכים למורכבים יותר לקראת סוף מחזור ה-12 שבועות. התכנית כוללת גם נספח על יישומים בעולם האמיתי של למידת מכונה, שניתן להשתמש בו כאשראי נוסף או כבסיס לדיון.

מצאו את קוד ההתנהגות שלנו, הדרכת תרומה, הדרכת תרגום ופתרון בעיות. נשמח למשוב בונה שלכם!

כל שיעור כולל

• סקיצת עזר אופציונלית
• וידאו משלים אופציונלי
• סרטון הדרכה (בחלק מהשיעורים בלבד)
• מבחן חימום לפני השיעור
• שיעור כתוב
• לשיעורים מבוססי פרויקטים, מדריכים שלב-אחר-שלב לבניית הפרויקט
• בדיקות ידע
• אתגר
• קריאה משלימה
• משימה
• מבחן לאחר השיעור

הערה על שפות: השיעורים האלו כתובים בעיקר בפייתון, אך רבים מהם זמינים גם ב-R. כדי להשלים שיעור ב-R, גשו לספריית /solution וחפשו שיעורים ב-R. הם כוללים סיומת .rmd המייצגת קובץ R Markdown שניתן להגדירו פשוט כהטמעה של פרקי קוד (של R או שפות אחרות) וכותרת YAML (המנחה כיצד לעצב פלטים כגון PDF) בתוך מסמך מרקדאון. לכן, הוא משמש כמסגרת יצירת תוכן אידיאלית למדעי הנתונים מכיוון שהוא מאפשר לכם לשלב את הקוד שלכם, את הפלט שלו, ואת המחשבות שלכם באמצעות כתיבתם במרקדאון. בנוסף, מסמכי R Markdown ניתנים להמרה לפורמטי פלט כמו PDF, HTML או Word.

הערה על בחנים: כל הבחנים נמצאים בתיקיית אפליקציית הבחן, הכוללת סך הכל 52 בחנים עם שלוש שאלות בכל אחד. הם מקושרים מתוך השיעורים אך ניתן להריץ את אפליקציית הבחנים באופן מקומי; עקבו אחר ההוראות בתיקיית quiz-app לאירוח מקומי או פריסה ב-Azure.

מספר שיעור	נושא	קבוצת השיעור	מטרות הלמידה	שיעור מקושר	מחבר/ת
01	מבוא ללמידת מכונה	Introduction	למדו את המושגים הבסיסיים שמאחורי למידת המכונה	שיעור	מוחמד
02	ההיסטוריה של למידת מכונה	Introduction	למדו את ההיסטוריה העומדת מאחורי התחום	שיעור	ג'ן ואיימי
03	צדק ולמידת מכונה	Introduction	מהם הנושאים הפילוסופיים החשובים סביב צדק שהסטודנטים צריכים לשקול בבניית ויישום מודלים בלמידת מכונה?	שיעור	טומומי
04	טכניקות ללמידת מכונה	Introduction	אילו טכניקות חוקרי למידת מכונה משתמשים כדי לבנות מודלים?	שיעור	כריס וג'ן
05	מבוא לרגרסיה	Regression	התחילו עם פייתון ו-Scikit-learn למודלי רגרסיה	Python • R	ג'ן • אריק ואנדג’או
06	מחירי דלועים בצפון אמריקה 🎃	Regression	הציגו ונקו נתונים כהכנה ללמידת מכונה	Python • R	ג'ן • אריק ואנדג’או
07	מחירי דלועים בצפון אמריקה 🎃	Regression	בניית מודלים של רגרסיה ליניארית ופולינומית	Python • R	ג'ן ודמיטרי • אריק ואנדג’או
08	מחירי דלועים בצפון אמריקה 🎃	Regression	בניית מודל רגרסיה לוגיסטית	Python • R	ג'ן • אריק ואנדג’או
09	אפליקציית ווב 🔌	Web App	בניית אפליקציית ווב לשימוש במודל שאומן	Python	ג'ן
10	מבוא לסיווג	Classification	ניקוי, הכנה והצגת הנתונים; מבוא לסיווג	Python • R	ג'ן וקסי • אריק ואנדג’או
11	מטבחים אסייתיים והודיים טעימים 🍜	Classification	מבוא לממיינים	Python • R	ג'ן וקסי • אריק ואנדג’או
12	מטבחים אסייתיים והודיים טעימים 🍜	Classification	עוד ממיינים	Python • R	ג'ן וקסי • אריק ואנדג’או
13	מטבחים אסייתיים והודיים טעימים 🍜	Classification	בניית אפליקציית ווב שממליצה באמצעות המודל שלכם	Python	ג'ן
14	מבוא לקיבוץ	Clustering	ניקוי, הכנה והצגת הנתונים; מבוא לקיבוץ	Python • R	ג'ן • אריק ואנדג’או
15	חקר הטעמים המוזיקליים של ניגריה 🎧	Clustering	חקר שיטת קיבוץ ה-K-Means	Python • R	ג'ן • אריק ואנדג’או
16	מבוא לעיבוד שפה טבעית ☕️	Natural language processing	למדו את היסודות של עיבוד שפה טבעית על ידי בניית בוט פשוט	Python	סטפן
17	משימות נפוצות בעיבוד שפה טבעית ☕️	Natural language processing	העמיקו את הידע בעיבוד שפה טבעית על ידי הבנת משימות נפוצות הנדרשות בטיפול במבני שפה	Python	סטפן
18	תרגום וניתוח סנטימנטים ♥️	Natural language processing	תרגום וניתוח סנטימנטים עם ג’יין אוסטן	Python	סטפן
19	בתי מלון רומנטיים באירופה ♥️	Natural language processing	ניתוח סנטימנטים עם ביקורות על מלונות 1	Python	סטפן
20	בתי מלון רומנטיים באירופה ♥️	Natural language processing	ניתוח סנטימנטים עם ביקורות על מלונות 2	Python	סטפן
21	מבוא לתחזית סדרות זמן	Time series	מבוא לתחזית סדרות זמן	Python	פרנצ’סקה
22	⚡️ שימוש עולמי בכוח ⚡️ - תחזית סדרות זמן עם ARIMA	Time series	תחזית סדרות זמן עם ARIMA	Python	פרנצ’סקה
23	⚡️ שימוש עולמי בכוח ⚡️ - תחזית סדרות זמן עם SVR	Time series	תחזית סדרות זמן עם רגרסור וקטור תמיכה	Python	אנירבן
24	מבוא ללמידת חיזוק	Reinforcement learning	מבוא ללמידת חיזוק עם למידת Q	Python	דמיטרי
25	עזרו לפיטר להימנע מהזאב! 🐺	Reinforcement learning	למידת חיזוק Gym	Python	דמיטרי
פרפראזה	תרחישים ויישומים בעולם האמיתי של ML	ML in the Wild	יישומים מעניינים וחושפניים בעולם האמיתי של למידת מכונה קלאסית	שיעור	צוות
פרפראזה	איתור באגים במודלים של ML באמצעות לוח בקרה RAI	ML in the Wild	איתור באגים במודלים של למידת מכונה באמצעות לוח בקרה של Responsible AI	שיעור	רות יאקובו

מצאו את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו

גישה לא מקוונת

ניתן להריץ תיעוד זה оффליין באמצעות Docsify. סעו על fork לרפו זה, התקינו Docsify במחשב המקומי שלכם, ואז בתיקיית השורש של הרפו, הקלידו docsify serve. האתר יוגש על פורט 3000 במחשביכם המקומי: localhost:3000.

PDF-ים

מצאו PDF של התכנית עם קישורים כאן.

🎒 קורסים אחרים

הצוות שלנו מייצר קורסים נוספים! בדקו:

LangChain

Azure / Edge / MCP / סוכנים

---

סדרת AI יוצרת

---

למידה בסיסית

---

סדרת קופיילוט

קבלת עזרה

אם נתקעת או יש לך שאלות לגבי בניית אפליקציות AI. הצטרף ללומדים אחרים ומפתחים מנוסים בדיונים על MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה והידע נחלק בחופשיות.

אם יש לך משוב על המוצר או שגיאות בזמן הבנייה בקר באתר:

טיפים ללמידה נוספת

• עבר על המחברות לאחר כל שיעור להבנה טובה יותר.
• תרגל יישום אלגוריתמים בעצמך.
• חקור מערכי נתונים מהעולם האמיתי תוך שימוש במושגים שנלמדו.

---

כתב ויתור: מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית Co-op Translator. אנו שואפים לדיוק, אך יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית מהווה את המקור הרשמי והמהימן. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אנושי. איננו אחראים לכל אי הבנה או פרשנות שגויה הנובעת משימוש בתרגום זה.