Data Drivens Podcast

המהפכה הסמנטית בעולם האנליטיקסברגע שמחברים AI לדאטה-בייס, הוא יודע לייצר SQL ולהחזיר מספרים – אבל בלי הנחיה מסודרת, הוא לא באמת מבין מה הם אומרים. בפרק הזה שוחחנו - עמית טננבאום (מנהל גילדת האנליטיקס במכבי שירותי בריאות) יוני לייטרסדורף (מייסד חברת Solid) ורם קדם, לשיחה מרתקת על הנושא החם ביותר בעולם הדאטה: השכבה הסמנטית (Semantic Layer). על מה דיברנו בפרק?* מהי שכבה סמנטית, למה היא הפכה לקריטית דווקא עכשיו , ואיך היא מייצרת את ה-"Company Brain" שכולנו שואפים אליו.* למה קטלוגים של דאטה (Data Catalogs) מסורתיים נכשלו שוב ושוב.* הגישות השונות לבניית השכבה: מקובצי יאמל (YAML) פשוטים בגיט, דרך כלים כמו Cortex/Cucu של סנופלאק, ועד לאוטומציה מלאה.* איך משתנה תפקידו של האנליסט בעקבות כניסת ה-AI, והאם נמשיך לכתוב קוד בעוד מספר שנים?* איך ארגונים יכולים "ללכלך את הידיים" ולהתחיל לבנות שכבה סמנטית כבר מחר בבוקר – גם בלי תקציבי עתק. האזנה נעימה!---קישורים https://www.ycombinator.com/rfshttps://docs.google.com/spreadsheets/d/19RYy5cFFE3odEe-2CAzD0D4jcm3BLXL5/edit?usp=sharing&ouid=107968675294649425547&rtpof=true&sd=truehttps://share.google/XrIX5gmElfjcaxwLs

בפרק הזה רם וגדי חוזרים מאחורי המיקרופון כדי לצלול לעומק של אחת השאלות הכי קלאסיות בעולם האנליטיקה - מה עושים כשפתאום יש ירידה במספר המשתמשים הפעילים היומיים (DAU)?דרך יוזקייס מעולם הגיימינג, הם מפרקים את הבעיה לגורמים, שואלים את השאלות הנכונות, ומראים איך לגשת לתעלומות דאטה בצורה מתודית, בלי להיבהל מהגרפים.נדבר על איך מזהים את הגורם לירידה, האם זו בעיה שיווקית, שינוי תקציב, עלייה ב-CPI, או אולי נטישה של משתמשים קיימים - ואיך כל זה מתחבר לחשיבה אנליטית שעוזרת לנו להבין לא רק מה קרה, אלא למה זה קרה.קישור למצגת המלווה של הפרקhttps://docs.google.com/presentation/d/1PrvGvR6r1v8fS4dkSx_KplNayTW2bS3S2AEPZPLN4Yk/edit?slide=id.g39e71db9e50_0_93#slide=id.g39e71db9e50_0_93

איך נכנסים לתחום הדאטה סיינס? פרק חמישי ואחרון בסדרת ה Machine Learning עם מיכאל ווינרבפרק האחרון שלנו, סגרנו את המעגל ודיברנו על כל מה שחשוב לדעת כשמתחילים✅איך להתחיל ללמוד ואילו כישורים כדאי לפתח✅ מהם הכלים החשובים ביותר לג׳וניורים בתחום✅ טעויות נפוצות שעושים כשנכנסים לתוך התחום, ואיך להימנע מהם✅ איך בונים פרויקטים אישיים ✅ ואיך ביומיום - מזהים בעיות עסקיות ומתרגמים אותן למודלים של למידת מכונהתודה לגדי ומיכאל שתרמו מזמנם, תודה לכל מי שהאזין, נתראה בפרקים הבאים בנושאים חדשים שמתבשלים להם אז-ווי-ספיק :)

בפרק זה צללנו לעומק עולם הלמידה הלא מפוקחת, המתמקדת בזיהוי דפוסים ומבנים פנימיים מתוך דאטה לא מתויג. דיברנו על ההבדלים המרכזיים בין למידה מפוקחת ללמידה לא מפוקחת, סקירה של סוגי אלגוריתמים כמו קלאסטרינג (Clustering) ודחיסת נתונים (Dimensionality Reduction), והצגנו מקרי שימוש בתעשייה כמו שיווק ממוקד, ניתוח גנטי וחקר רשתות חברתיות.בנוסף, דנו באתגרים ויתרונות של למידה לא מפוקחת, דרכים להעריך ביצועי מודלים, והאם זו הגישה המתאימה לכל פרויקט.לקינוח, התעמקנו בפילוסופיה של התחום וסקירה של העתיד הצפוי ללמידה לא מפוקחת, כולל הכיוונים העדכניים והמשמעותיים ביותר בתחום.

בפרק זה נצלול לעומקו של עולם הלימוד המפוקח ונכיר את השיטות המרכזיות שבהן מחשבים "לומדים" מנתונים כדי לקבל החלטות. נדבר על אלגוריתמים מובילים כמו רגרסיה לינארית, עצי החלטה, Random Forest ו-Gradient Boosting, ונבין כיצד הם פועלים ומהם היתרונות והחסרונות של כל אחד מהם. בנוסף, נסקור את האתגרים המרכזיים בלימוד מפוקח, כמו Overfitting ו-Underfitting, ונציג דרכים להתמודד איתם. הפרק יספק לכם תובנות מעשיות וכלים שיעזרו לבחור באלגוריתם המתאים ביותר לכל בעיה.