Skip to main content

אני רוצה לקבל עוד פרטים

כל השדות המסומנים בכוכבית הינם חובה*

08.01.2025 | ח טבת תשפה

Data Science & GenAI למנהלים טכנולוגיים

ללמוד להוביל פרויקטים טכנולוגיים מתקדמים בעידן של אינטליגנציה מלאכותית וניתוח נתונים

היקף הקורס

אורכה של התוכנית 25 שעות

מתכונת הקורס

היברידי

Data Science & GenAI למנהלים טכנולוגיים

אודות

הקורס "מדע נתונים ו-GenAI למנהלים טכנולוגיים" מציע תוכן מעמיק ומתקדם המיועד למנהלים המעוניינים להוביל ולהתמחות בתחום החדשנות והטכנולוגיה. במהלך הקורס נלמדות שיטות מתקדמות בתחום מדע הנתונים ואינטליגנציה מלאכותית, כולל למידת מכונה, למידה עמוקה, למידת חיזוק ומודלים של שפות גדולות. הקורס מספק כלים מעשיים לניהול פרויקטים טכנולוגיים ומדעי נתונים, עם דגש על תהליכי ML-OPS, ניהול יחידות מדע נתונים ויישום פתרונות אינטליגנציה מלאכותית יוצרת. בנוסף, הקורס מציע סקירה רחבה של כלים, טכנולוגיות ומודלים מתקדמים, ומספק כלים לניהול פרויקטים בתחום זה בצורה יעילה ומקצועית.

הקורס מנוהל על ידי בית הספר להייטק וסייבר, המערך לתוכניות יעודיות

ניהול אקדמי

מר ערן שחם

מחזורי פתיחה

19/12/2024 - ערב
ימי שני, חמישי בין השעות 17:30 - 21:30
משך הקורס 5 מפגשים

היקף הקורס

אורכה של התוכנית 25 שעות

במשך 5 מפגשים 

בימים שני וחמישי בין השעות 17:30-21:30

25

הרשמה

תנאי הקבלה

הקורס מיועד לבעלי  רקע תעסוקתי בתחום הדאטה, כגון:
Data Analysts, BI Developers, Data Engineers, Data Scientists


 

נושאי הלימוד

Data Science 

  • Artificial Intelligence & Machine Learning Overview
  • Supervised /Unsupervised /Semi Supervised Learning
  • Model Selection Straight forward Models & Ensembled Models
  • Deep Learning - Neural Networks Concepts & Engineering
  • Reinforcement Learning
  • The complete data science pipeline Process

Data Science Operation Management :

  • Managing Data Science Initiatives Life Cycle
  • Building & Managing the Data Science unit efficiently
  • Successful organizational ML-OPS process

Data Science Tools & Technologies

  • Industry & Market watch
  • Real world use cases & Best Practices
  • Large Language Models )NLP / NLU( and Omni Models)
  • Generative AI - of the shelf solutions, platforms, self-development, and in between.
  • Key approaches: Prompt Engineering, Retrieval-
  • Augmented Generation (RAG),
  • Preferences Fine-Tuning )PFT(, Supervised Fine- Tuning (SFT), etc.
  • Project Milestones. Technologies & Process (ie. Tokenization, embedding, Vector DBs, etc)