1
00:00:00,000 --> 00:00:04,904
מהי למידה חישובית? בסרטון זה ננסה להגדיר את המונח וגם ננסה

2
00:00:04,904 --> 00:00:09,520
לתת תחושה מתי נרצה להשתמש בלמידה חישובית. אפילו בקרב העוסקים

3
00:00:09,520 --> 00:00:14,252
בתחום למידה חישובית, אין הגדרה מוסכמת על כולם של

4
00:00:14,252 --> 00:00:18,926
מהי למידה חישובית. אבל תנו לי להראות לכם מספר דוגמאות לדרכים

5
00:00:18,926 --> 00:00:23,600
שבהן אנשים ניסו להגדיר את המונח. זו ההגדרה של מהי למידה חישובית

6
00:00:23,600 --> 00:00:28,520
לפי ארתור סמואל. הוא הגדיר את הלמידה החישובית כתחום מחקר שנותן

7
00:00:31,037 --> 00:00:33,554
למחשבים את היכולת ללמוד מבלי להיות מתוכנתים באופן מפורש. סמואל זכה

8
00:00:33,554 --> 00:00:38,452
להכרה אי-שם בשנות ה-50, כשכתב תוכנה שמשחקת דמקה.

9
00:00:38,452 --> 00:00:43,603
העובדה המדהימה לגבי התוכנה ההיא הייתה שארתור סמואל בעצמו

10
00:00:43,603 --> 00:00:48,268
לא היה שחקן דמקה כל כך טוב. אבל הוא תיכנת את התוכנה כך שתשחק

11
00:00:48,268 --> 00:00:52,245
עשרות אלפי משחקים נגד עצמה. על ידי צפייה באילו מהלכים

12
00:00:52,245 --> 00:00:56,698
על הלוח הובילו בדר"כ לניצחון, ואילו מהלכים הובילו בדר"כ להפסד.

13
00:00:56,698 --> 00:01:00,725
תוכנת הדמקה למדה במשך הזמן אילו מהלכים טובים

14
00:01:00,725 --> 00:01:04,713
ואילו מהלכים גרועים. בסופו של דבר היא למדה

15
00:01:04,713 --> 00:01:09,514
לשחק דמקה יותר טוב מארתור סמואל בעצמו. זו הייתה תוצאה מדהימה.

16
00:01:09,514 --> 00:01:14,535
לא בגלל שארתור סמואל לא היה שחקן דמקה כל כך טוב, אלא מכיוון

17
00:01:14,535 --> 00:01:19,254
שלמחשב היתה סבלנות לשחק עשרות אלפי משחקים נגד עצמו.

18
00:01:19,254 --> 00:01:24,275
לאף אדם אין סבלנות לשחק כל כך הרבה משחקים. באופן זה המחשב יכל

19
00:01:24,275 --> 00:01:29,235
לצבור המון נסיון במשחק דמקה, כך שבסופו של דבר הוא הפך

20
00:01:29,235 --> 00:01:33,817
לשחקן דמקה טוב יותר מארתור סמואל. זוהי הגדרה

21
00:01:33,817 --> 00:01:38,547
לא רשמית וישנה. הנה הגדרה קצת יותר מעודכנת

22
00:01:38,547 --> 00:01:43,607
של טום מיטצ'ל, שהוא חבר שלי מקרנגי-מלון. טום הגדיר למידה חישובית

23
00:01:43,607 --> 00:01:48,819
כך שבעיית למידה מנוסחת היטב מוגדרת באופן הבא: תוכנת מחשב

24
00:01:48,819 --> 00:01:53,843
לומדת מנסיון E ביחס למטלה מסויימת T

25
00:01:53,843 --> 00:01:58,678
וקריטריון ביצועים כלשהו P, אם הביצועים שלה ב-T כפי שנמדד על ידי P משתפרים

26
00:01:58,678 --> 00:02:03,764
ביחס לנסיון שנצבר E. אני חושב שהוא הגיע להגדרה הזו רק

27
00:02:03,764 --> 00:02:08,346
כדי שתהיה חריזה. לדוגמא במשחק הדמקה הנסיון E יהיה

28
00:02:08,346 --> 00:02:13,253
הנסיון שצברה התוכנה מעשרות אלפי משחקים נגד עצמה.

29
00:02:13,253 --> 00:02:17,735
המטלה T היא המטלה של משחק הדמקה. וקריטריון הביצועים P

30
00:02:17,735 --> 00:02:22,399
יהיה ההסתברות שהיא תזכה במשחק דמקה הבא נגד

31
00:02:22,399 --> 00:02:27,157
מתחרה חדש כלשהו. במהלך הסרטונים הקרובים, מלבד לנסות ללמד אתכם דברים,

32
00:02:27,157 --> 00:02:32,291
אני אשאל אתכם שאלות מדי פעם, כדי לוודא שהבנתם את תוכן השיעור.

33
00:02:32,291 --> 00:02:36,891
הנה שאלה אחת, למעלה מופיעה ההגדרה של למידה חישובית לפי

34
00:02:36,891 --> 00:02:42,292
טום מיטצ'ל. בואו נגיד שתוכנת הדוא"ל שלכם רואה אילו הודעות אתה מסמן כדואר זבל.

35
00:02:42,292 --> 00:02:47,826
אז בשרת דוא"ל כזה אתה יכול ללחוץ על כפתור דואר זבל כדי לדווח

36
00:02:47,826 --> 00:02:53,263
על חלק מההודעות כדואר זבל. בהתבסס על אילו הודעות סימנת

37
00:02:53,263 --> 00:02:59,046
כדואר זבל, תוכנת הדוא"ל שלך לומדת איך לסנן הודעות זבל בצורה טובה יותר.

38
00:02:59,046 --> 00:03:04,290
מהי המטלה T במקרה זה? בעוד מספר שניות הסרטון ייעצר וכשזה יקרה

39
00:03:04,290 --> 00:03:09,598
תוכל להשתמש בעכבר כדי לבחור אחת מתוך ארבע אפשרויות, כדי

40
00:03:09,598 --> 00:03:40,190
לאפשר לי לדעת אילו מארבעת האפשרויות היא התשובה הנכונה לדעתך לשאלה זו.

41
00:03:40,190 --> 00:03:45,747
זה יכול להיות מדד ביצועים P. וכך, הביצועים של המטלה שלנו... המטלה שביצועי

42
00:03:45,747 --> 00:03:50,529
המערכת במטלה T, לפי קריטריון הביצועים P ישתפרו לאחר

43
00:03:50,529 --> 00:03:55,957
הנסיון שנצבר E. בהרצאה זו אני מקווה שתלמדו על מגוון סוגים שונים של

44
00:03:55,957 --> 00:04:00,933
אלגוריתמי למידה. ישנם מספר סוגים שונים של אלגוריתמי למידה.

45
00:04:00,933 --> 00:04:05,650
שני הסוגים העיקריים הם אלגוריתמי למידה מודרכת

46
00:04:05,650 --> 00:04:10,690
ולמידה בלתי-מודרכת. אני אגדיר מונחים אלו ביתר פירוט בסרטונים הבאים, אבל

47
00:04:10,690 --> 00:04:16,028
מתברר כי בלמידה מודרכת, הרעיון הוא שאנו נלמד את

48
00:04:16,028 --> 00:04:20,513
המחשב כיצד לעשות משהו, בעוד שבלמידה בלתי-מודרכת אנו ניתן

49
00:04:20,513 --> 00:04:25,016
לו ללמוד בעצמו. אל תדאגו אם שני המונחים האלו עדיין לא ברורים,

50
00:04:25,016 --> 00:04:29,739
בשני הסרטונים הבאים אני הולך להגדיר בדיוק מה שני סוגים אלה של למידה.

51
00:04:29,739 --> 00:04:34,070
אתם גם תשמעו מונחים מפוצצים כמו למידה מחיזוקים ומערכות

52
00:04:34,070 --> 00:04:38,621
המלצה. אלה הם סוגים אחרים של אלגוריתמי למידה חישובית, אשר נדון

53
00:04:38,621 --> 00:04:42,460
בהם מאוחר יותר. אך שני הסוגים הנפוצים ביותר של אלגוריתמי למידה הם

54
00:04:42,460 --> 00:04:46,791
למידה מודרכת ובלתי-מודרכת ואני אגדיר אותם בשני הסרטונים

55
00:04:46,791 --> 00:04:51,123
הבאים ואנו נשקיע את רוב הקורס בשני סוגים אלו

56
00:04:51,123 --> 00:04:55,720
של אלגוריתמי למידה. מתברר שאחד הדברים האחרים שנשקיע בהם המון זמן

57
00:04:55,720 --> 00:05:00,054
בקורס זה, הוא עצות מעשיות איך ליישם אלגוריתמי למידה.

58
00:05:00,054 --> 00:05:04,444
זה משהו שאני מרגיש צורך חזק לעשות אותו וזה משהו שאני

59
00:05:04,444 --> 00:05:08,167
למעשה לא יודע על אף אוניברסיטה אחרת שמלמדת את זה. לימוד של

60
00:05:08,167 --> 00:05:12,509
אלגוריתמי למידה זה כמו לתת לך מגוון של כלים וחשוב באותה מידה או

61
00:05:12,509 --> 00:05:17,616
יותר חשוב מלתת את הכלים, זה ללמד אותך איך להשתמש בכלים האלו.

62
00:05:17,616 --> 00:05:22,413
אני אוהב להשתמש באנלוגיה של למידה להיות נגר. תדמיינו שמישהו

63
00:05:22,413 --> 00:05:26,959
מלמד אותך כיצד להיות נגר והוא אומר לך הנה פטיש, הנה

64
00:05:26,959 --> 00:05:31,077
מברג, הנה מסור, בהצלחה. ובכן, זה לא טוב, נכון? יש לך את

65
00:05:31,077 --> 00:05:34,799
כל הכלים אלה, אך הדבר החשוב יותר, הוא ללמוד כיצד להשתמש

66
00:05:34,799 --> 00:05:38,927
כמו שצריך בכלים האלה. יש הבדל עצום בין אנשים

67
00:05:38,927 --> 00:05:43,456
שיודעים כיצד להשתמש באלגוריתמי למידה חישובית, לעומת אנשים שלא יודעים

68
00:05:43,456 --> 00:05:47,626
כיצד להשתמש בכלים אלה כמו שצריך. כאן בעמק הסיליקון, בו אני חי, כשאני הולך

69
00:05:47,626 --> 00:05:52,328
לבקר חברות שונות אפילו בחברות מובילות בתחומן, לעיתים קרובות אני רואה

70
00:05:52,328 --> 00:05:56,428
אנשים שמנסים להפעיל אלגוריתמי למידה חישובית על בעיה כלשהי

71
00:05:56,428 --> 00:06:00,857
ולפעמים הם עושים את זה במשך שישה חודשים. אך לעתים, כאשר אני מסתכל

72
00:06:00,857 --> 00:06:05,121
מה הם עושים, אני אומר: אתם יודעים, הייתי יכול להגיד לכם

73
00:06:05,121 --> 00:06:09,714
לפני שישה חודשים שאתם צריכים לקחת אלגוריתם למידה חישובית

74
00:06:09,714 --> 00:06:14,470
ולהפעיל אותו קצת בדרך אחרת והסיכויים שלכם להצליח היו

75
00:06:14,470 --> 00:06:19,648
גבוהים בהרבה. אז מה שאנחנו הולכים לעשות בקורס הזה הוא למעשה להשקיע הרבה

76
00:06:19,648 --> 00:06:23,523
זמן לדבר על איך, אם באמת תנסו לפתח מערכת לומדת,

77
00:06:23,523 --> 00:06:27,596
איך לקבל החלטות על שיטות העבודה הטובות ביותר על הדרך שבה

78
00:06:27,596 --> 00:06:31,321
נבנה את המערכת, כך כשתפעיל אלגוריתם לומד סביר פחות

79
00:06:31,321 --> 00:06:35,394
שתגמור כמו אחד מהאנשים האלו שמנסים כבר חצי שנה דרך מסויימת

80
00:06:35,394 --> 00:06:39,373
שאתה יודע שמישהו אחר היה יודע מיד שזה פשוט לא יעבוד

81
00:06:39,373 --> 00:06:43,515
וזה פשוט בזבוז של חצי שנה. אז אני למעשה הולך להשקיע

82
00:06:43,515 --> 00:06:47,707
הרבה זמן ללמד אתכם כל מיני שיטות עבודה מומלצות בלמידה חישובית

83
00:06:47,707 --> 00:06:52,052
ואינטליגנציה מלאכותית, וכיצד לגרום לדברים לעבוד, ואיך אנו עושים זאת, כיצד האנשים הטובים ביותר עושים את זה

84
00:06:52,052 --> 00:06:56,143
בעמק הסיליקון וברחבי העולם. אני מקווה להפוך אותך לאחד האנשים הטובים ביותר

85
00:06:56,143 --> 00:06:59,905
שיודעים כיצד לתכנן ולבנות מערכת לומדת רצינית ומערכות אינטליגנציה מלאכותית. אז,

86
00:06:59,905 --> 00:07:04,698
זו למידה חישובית ואלה הם הנושאים העיקריים שאני מקווה ללמד.

87
00:07:04,698 --> 00:07:09,023
בסרטון הבא אני הולך להגדיר מהי למידה מודרכת ולאחר מכן

88
00:07:09,023 --> 00:07:13,757
מהי למידה בלתי-מודרכת. כמו כן, אתחיל להסביר מתי צריך להשתמש בכל אחד מהם.