קורס יסודות בינה מלאכותית RB27-13 – בסיסי נתונים-רשתות ניירונים ובינה מלאכותית

כותרת: כיצד בסיסי נתונים ושפת SQL משנים את עולם המיד

בעידן הדיגיטלי, כמויות המידע שעסקים וארגונים צוברים גדלות בקצב מסחרר. כאן נכנסים לתמונה בסיסי הנתונים ו-שפת SQL – כלים קריטיים לארגון, אחסון, שליפה וניתוח של מידע.

בסיס נתונים (Database) הוא מבנה המאחסן מידע בצורה מסודרת, כך שניתן לאחזר ולעדכן אותו ביעילות. לדוגמה, אתר מסחר ישמור מידע על מוצרים, לקוחות והזמנות בבסיס נתונים.

https://www.w3schools.com/mysql/mysql_intro.asp

SQL (Structured Query Language) היא שפה אוניברסלית לניהול בסיסי נתונים. בעזרתה ניתן:

ליצור טבלאות חדשות (CREATE TABLE)
להזין נתונים (INSERT)
לשאול שאלות כמו "מי הלקוח שקנה הכי הרבה?" (SELECT)
לעדכן נתונים (UPDATE)
ולמחוק מידע (DELETE)

1
2

— 1. Show all products
SELECT * FROM products;

1
2

— 2. Show products with selling price > $30
SELECT * FROM products WHERE selling_price > 30;

1
2

— 1. Update selling price of product P002
UPDATE products SET selling_price = 14.99 WHERE product_code = 'P002';

Before: P002 → 13.99
After: P002 → 14.99

1
2

— 2. Add 20 units to stock of P003
UPDATE products SET stock = stock + 20 WHERE product_code = 'P003';

Before: P003 stock = 60
After: P003 stock = 80

1
2
3

— 1. Add Gaming Mouse
INSERT INTO products (product_code, product_name, stock, purchase_price, selling_price)
VALUES ('P006', 'Gaming Mouse', 100, 12.00, 19.99);

New Row Added:

| P006 | Gaming Mouse | 100 | 12.00 | 19.99 |

1
2
3

— 2. Add Webcam
INSERT INTO products (product_code, product_name, stock, purchase_price, selling_price)
VALUES ('P007', 'Webcam 1080p', 50, 18.00, 29.99);

| P007 | Webcam 1080p | 50 | 18.00 | 29.99 |

פקודת ORDER BY ב-SQL – הסבר ודוגמאות

ב-SQL, הפקודה ORDER BY משמשת למיון של תוצאות השאילתה לפי עמודה אחת או יותר. ניתן לבחור למיין מהקטן לגדול (בסדר עולה – ASC) או מהגדול לקטן (בסדר יורד – DESC). ברירת המחדל היא מיון עולה.

מבנה כללי:

דוגמאות על טבלת Orders

נניח שיש לנו טבלה בשם Orders עם העמודות הבאות:

OrderID – מספר הזמנה
CustomerID – מזהה לקוח
EmployeeID – מזהה עובד
OrderDate – תאריך ההזמנה
ShipperID – מזהה חברת שילוח

דוגמה 1: מיון ההזמנות לפי תאריך (מהישן לחדש)

דוגמה 2: מיון לפי מזהה הלקוח מהגבוה לנמוך

דוגמה 3: כמה הזמנות ביצע כל לקוח, ממויין מהכי הרבה לפחות

באמצעות ORDER BY ניתן לשלוט על סדר הצגת הנתונים ולבצע ניתוחים יעילים, כמו איתור לקוחות פעילים יותר, תאריכים עמוסים בהזמנות, ועוד.

טבלת בן ואב

1
2
3
4
5
6

CREATE TABLE orders (
order_id       INT PRIMARY KEY,
customer_code  VARCHAR(10),
shipping_address TEXT,
order_date     DATE
);

טבלת : Orders

טבלת : Order_Items

1
2
3
4
5
6
7
8

CREATE TABLE order_items (
item_id      INT PRIMARY KEY,
order_id     INT,
product_code VARCHAR(10),
quantity     INT,
FOREIGN KEY (order_id) REFERENCES orders(order_id),
FOREIGN KEY (product_code) REFERENCES products(product_code)
);

1
2
3
4
5

— 1. Delete order items
DELETE FROM order_items WHERE order_id = 1001;
— 2. Delete the order itself
DELETE FROM orders WHERE order_id = 1001;

תרגיל כיתה 1 : בסיסי נתונים ובינה מאלכותית

היכנסת לאתר דרך ה גימייל

גש לאתר : https://www.w3schools.com/mysql/trymysql.asp?filename=trysql_select_all

טען את הנתונים הבאים לchat gpt ונתן לבינה מלאכותית ללמוד אותם – לאחר מכן בקש מהבינה המלאכותית לבנות לך שאילתות SQL
CustomerID INT PRIMARY KEY,
CustomerName VARCHAR(100),
ContactName VARCHAR(100),
Address VARCHAR(100),
City VARCHAR(50),
PostalCode VARCHAR(20),
Country VARCHAR(50)

CustomerID	CustomerName	ContactName	Address	City	PostalCode	Country
1	Alfreds Futterkiste	Maria Anders	Obere Str. 57	Berlin	12209	Germany
2	Ana Trujillo Emparedados y helados	Ana Trujillo	Avda. de la Constitución 2222	México D.F.	05021	Mexico
3	Antonio Moreno Taquería	Antonio Moreno	Mataderos 2312	México D.F.	05023	Mexico
4	Around the Horn	Thomas Hardy	120 Hanover Sq.	London	WA1 1DP	UK
5	Berglunds snabbköp	Christina Berglund	Berguvsvägen 8	Luleå	S-958 22	Sweden

4. בנה בעזרת בינה מאלכותית שאילתות עבור בסיס הנתונים שם הבטלה הינה Customers

4.1 – הצגת כל הנתונים בטבלה

4.2 – הצגת שם לקוח (CustomerName) ומדינה (Country)

4.3 – הצגת כל הלקוחות מהעיר 'México D.F.'

4.4 – הצגת כל הלקוחות מגרמניה (Germany) או מבריטניה (UK)

4.5 – הצגת כתובת (Address) ומיקוד (PostalCode) של הלקוחה 'Christina Berglund'

4.6 – הצגת מספר הלקוחות בכל מדינה

4.7 – הצגת לקוחות שהמיקוד שלהם מתחיל ב-‘05’

4.8 – הצגת שמות לקוחות לפי סדר אלפביתי יורד

4.9 – הצגת כל הלקוחות שאין להם מיקוד (PostalCode ריק)

4.10 – שינוי שם העמודה בתוצאה ל-"שם לקוח"

פתרון תרגיל :1

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

— 4.1 – הצגת כל הנתונים בטבלה
SELECT * FROM Customers;
— 4.2 – הצגת שם לקוח ומדינה
SELECT CustomerName, Country FROM Customers;
— 4.3 – הצגת כל הלקוחות מהעיר 'México D.F.'
SELECT * FROM Customers
WHERE City = 'México D.F.';
— 4.4 – הצגת כל הלקוחות מגרמניה או מבריטניה
SELECT * FROM Customers
WHERE Country IN ('Germany', 'UK');
— 4.5 – הצגת כתובת ומיקוד של הלקוחה 'Christina Berglund'
SELECT Address, PostalCode FROM Customers
WHERE ContactName = 'Christina Berglund';
— 4.6 – ספירת לקוחות לפי מדינה
SELECT Country, COUNT(*) AS TotalCustomers
FROM Customers
GROUP BY Country;
— 4.7 – לקוחות שמיקוד שלהם מתחיל ב–‘05’
SELECT * FROM Customers
WHERE PostalCode LIKE '05%';
— 4.8 – שמות לקוחות בסדר יורד
SELECT CustomerName FROM Customers
ORDER BY CustomerName DESC;
— 4.9 – לקוחות ללא מיקוד
SELECT * FROM Customers
WHERE PostalCode IS NULL OR PostalCode = ";
— 4.10 – הצגת שם לקוח עם שינוי כותרת העמודה לעברית
SELECT CustomerName AS 'שם לקוח' FROM Customers;

תרגיל 2 : טבלת ORDERS

1.נתונה הטבלה הבאה https://www.w3schools.com/mysql/trymysql.asp?filename=trysql_select_where

1.1 נתח בעזרת בינה מלאכותית את הטבלה ובנה שאילתות ב SQL הרצ את השאילתות בתיבה

2. בנה שאילתה כמה הזמנות עשה לקוח 58

3. בנה דוח ב SQL שמראה כמה לקוחות עשה כל לקוח ומיין בסדר יורד

4. בנה דוח הזמנות שמראה כמה הזמנות נעשו בכל יום

תרגיל 3 : טבלת OrderDetails קשר בן ואב

למד את הבינה מלאכותית ללמוד את הטבלה לבד שמות העמודות ושם טבלה חובה לתת לה

https://www.w3schools.com/mysql/trymysql.asp?filename=trysql_select_where

מה טבלת אב ומה טבלת בן
בנה שאליתה מראה את הזמנה 10250 וכל הפריטים שהוזמנו בה
בנה שאילתה ב SQL הראה את כל המוצרים שנכללו בהזמנה 10248 יחד עם המידע הרלוונטי מהטבלה Orders.

חלק ב : SDR ובינה מלאכותית

אזהרה:

HackRF מסוגל לשדר, ולכן שימוש לא חוקי בתדרים יכול להפר חוקי תקשורת ולהפריע לשירותים קריטיים (כמו GPS או רשתות סלולר). יש להשתמש בזהירות ובתחומים מורשים לפי החוק של מדינת ישראל ומעבדה מורשה לניסויים.

מה זה HackRF?

HackRF הוא מכשיר Software Defined Radio (SDR) פתוח וזול יחסית, שמאפשר שליחה וקליטה של אותות רדיו בטווח רחב של תדרים – הכל דרך המחשב.

תכונות עיקריות:

טווח תדרים: מ־1 MHz עד 6 GHz
Duplex: רק Half-Duplex – לא יכול לשדר ולקלוט בו זמנית
רוחב סרט: עד 20 MHz
USB: חיבור USB 2.0
תמיכה בתוכנה: עובד עם תוכנות כמו GNURadio, SDR#, GQRX ועוד
קוד פתוח: גם החומרה וגם התוכנה

למה משמש HackRF?

ניתוח אותות אלחוטיים (WiFi, Bluetooth, GSM, GPS, ועוד)
קליטת שידורי לווין
בדיקות אבטחה של מערכות אלחוטיות
יצירת אותות (RF Signal Generation)
לימוד ונסיונות בתחום ה־RF וה־SDR

דוגמה לשימוש:

אפשר להשתמש ב-HackRF עם תוכנה כמו GNU Radio כדי לנתח תדרים, להקליט שידורים, ואפילו לדמות פרוטוקולים כמו NFC או RFID.

1. Replay Attack With HackRF

2. HackRF One Portapack H2+

5. פייטון ו SDR pyrtlsdr התכנה ויצירת קוד בעזרת בינה מלאכותית

pip install pyrtlsdr numpy matplotlib

1	pip install pyrtlsdr numpy matplotlib

import numpy as np
import matplotlib.pyplot as plt
from rtlsdr import RtlSdr
import time

# --- Step 1: Initialize the SDR device ---
sdr = RtlSdr()

# --- Step 2: Configure SDR parameters ---

# Sampling rate in Hz (2.4 million samples per second)
sdr.sample_rate = 2.4e6  

# Center frequency in Hz (e.g., 100 MHz to tune into FM radio band)
sdr.center_freq = 100e6  

# Gain setting – 'auto' lets the SDR choose an appropriate gain
sdr.gain = 'auto'  

# --- Step 3: Read samples for approximately 3 seconds ---
print("Reading SDR samples for 3 seconds...")

start_time = time.time()
samples = []

# Read samples in small chunks for 3 seconds
while time.time() - start_time < 3:
    # Each call returns 1024 complex I/Q samples
    data = sdr.read_samples(1024)
    samples.extend(data)

# Close the SDR device to release hardware
sdr.close()

# Convert list to numpy array
samples = np.array(samples)

# --- Step 4: Plot the Power Spectral Density (FFT graph) ---

# Set up plot size
plt.figure(figsize=(10, 4))

# Compute and display the power spectrum
# NFFT: number of points in FFT window
# Fs: sampling rate (in MHz for plotting)
# Fc: center frequency (in MHz for plotting)
plt.psd(samples, NFFT=1024, Fs=sdr.sample_rate / 1e6, Fc=sdr.center_freq / 1e6)

# Add labels and title
plt.title("SDR Spectrum Analysis (3-second Snapshot)")
plt.xlabel("Frequency [MHz]")
plt.ylabel("Power [dB]")
plt.grid(True)
plt.tight_layout()
plt.show()

import numpy as np

import matplotlib.pyplot as plt

from rtlsdr import RtlSdr

import time

# --- Step 1: Initialize the SDR device ---

sdr = RtlSdr()

# --- Step 2: Configure SDR parameters ---

# Sampling rate in Hz (2.4 million samples per second)

sdr.sample_rate = 2.4e6

# Center frequency in Hz (e.g., 100 MHz to tune into FM radio band)

sdr.center_freq = 100e6

# Gain setting – 'auto' lets the SDR choose an appropriate gain

sdr.gain = 'auto'

# --- Step 3: Read samples for approximately 3 seconds ---

print("Reading SDR samples for 3 seconds...")

start_time = time.time()

samples = []

# Read samples in small chunks for 3 seconds

while time.time() - start_time < 3:

# Each call returns 1024 complex I/Q samples

data = sdr.read_samples(1024)

samples.extend(data)

# Close the SDR device to release hardware

sdr.close()

# Convert list to numpy array

samples = np.array(samples)

# --- Step 4: Plot the Power Spectral Density (FFT graph) ---

# Set up plot size

plt.figure(figsize=(10, 4))

# Compute and display the power spectrum

# NFFT: number of points in FFT window

# Fs: sampling rate (in MHz for plotting)

# Fc: center frequency (in MHz for plotting)

plt.psd(samples, NFFT=1024, Fs=sdr.sample_rate / 1e6, Fc=sdr.center_freq / 1e6)

# Add labels and title

plt.title("SDR Spectrum Analysis (3-second Snapshot)")

plt.xlabel("Frequency [MHz]")

plt.ylabel("Power [dB]")

plt.grid(True)

plt.tight_layout()

plt.show()

ישום המרה :

udio from RTLSDR and convert to text using Google Speech-to-Text service

חלק 3: תרגיל כיתה פיתוח מוצר

זיהוי מצלמות נסתרות באמצעות בינה מלאכותית

מטרת התרגיל:

פיתוח תוכנה מבוססת בינה מלאכותית (AI) לזיהוי מצלמות נסתרות בגודל 10 מ"מ, המותקנות בחדרי מלון ומחוברות באמצעות כבל נסתר באורך של 30 מטר למסך מרוחק.

שלבים לביצוע:

1. חקר ראשוני:

בצעו חיפוש עצמאי באינטרנט כדי להבין את סוגי המצלמות הנסתרות הקיימות בשוק.
אתרו סרטונים ומאמרים המתארים את אופן הפעולה וההתקנה של מצלמות אלו.
הכינו רשימה של לפחות 3 סוגי מצלמות נפוצות, כולל מאפיינים טכניים כגון גודל, סוג עדשה, ואופן החיבור.

2. הבנת עקרונות פיזיקליים:

למדו על עקרונות פיזיקליים הרלוונטיים לזיהוי מצלמות נסתרות, כגון:
- השתקפות אור מעדשות.
- פליטת קרינה אינפרא-אדומה.
- שדות אלקטרומגנטיים הנפלטים ממעגלים אלקטרוניים.
הסבירו כיצד עקרונות אלו יכולים לסייע בזיהוי מצלמות מוסתרות.Szmidjammer

3. סקירת טכנולוגיות קיימות:

חקרו טכנולוגיות קיימות לזיהוי מצלמות נסתרות, כגון:
- גלאי RF (תדר רדיו).
- גלאי אינפרא-אדום.
- אפליקציות מבוססות AI לסמארטפונים.
השוו בין הטכנולוגיות השונות מבחינת יעילות, עלות, ונוחות שימוש.Google Play+2Szmidjammer+2Amazon+2

4. פיתוח אלגוריתם מבוסס AI:

הציעו אלגוריתם מבוסס בינה מלאכותית לזיהוי מצלמות נסתרות, בהתבסס על המידע שנאסף.
הגדירו את סוגי הנתונים שהאלגוריתם ינתח (למשל, תמונות, אותות RF).
הסבירו כיצד האלגוריתם יזהה דפוסים המעידים על נוכחות מצלמה נסתרת.Szmidjammer

5. תכנון ניסוי:

תכננו ניסוי לבדיקת יעילות האלגוריתם שפותח:
- הגדירו את סביבת הניסוי (למשל, חדר מדמה חדר מלון).
- ציינו את הציוד הדרוש לביצוע הניסוי.
- הסבירו כיצד תמדדו את הצלחת האלגוריתם בזיהוי מצלמות נסתרות.

6. דיון במגבלות ואתגרים:

דונו במגבלות האפשריות של הגישה המוצעת, כגון:
- מצלמות שאינן פעילות בזמן הסריקה.
- הסתרה מתוחכמת במיוחד של מצלמות.
הציעו דרכים להתמודדות עם אתגרים אלו.

קורס יסודות בינה מלאכותית RB27-13 –בסיסי נתונים-רשתות ניירונים ובינה מלאכותית

קורס יסודות בינה מלאכותית RB27-13 – בסיסי נתונים-רשתות ניירונים ובינה מלאכותית

https://www.w3schools.com/mysql/mysql_intro.asp

פקודת ORDER BY ב-SQL – הסבר ודוגמאות

מבנה כללי:

דוגמאות על טבלת Orders

דוגמה 1: מיון ההזמנות לפי תאריך (מהישן לחדש)

דוגמה 2: מיון לפי מזהה הלקוח מהגבוה לנמוך

דוגמה 3: כמה הזמנות ביצע כל לקוח, ממויין מהכי הרבה לפחות

טבלת : Orders

תרגיל כיתה 1 : בסיסי נתונים ובינה מאלכותית

תרגיל 2 : טבלת ORDERS

תרגיל 3 : טבלת OrderDetails קשר בן ואב

חלק ב : SDR ובינה מלאכותית

אזהרה:

מה זה HackRF?

תכונות עיקריות:

למה משמש HackRF?

דוגמה לשימוש:

1. Replay Attack With HackRF

2. HackRF One Portapack H2+

5. פייטון ו SDR pyrtlsdr התכנה ויצירת קוד בעזרת בינה מלאכותית

udio from RTLSDR and convert to text using Google Speech-to-Text service

זיהוי מצלמות נסתרות באמצעות בינה מלאכותית

מטרת התרגיל:

שלבים לביצוע:

1. חקר ראשוני:

2. הבנת עקרונות פיזיקליים:

3. סקירת טכנולוגיות קיימות:

4. פיתוח אלגוריתם מבוסס AI:

5. תכנון ניסוי:

6. דיון במגבלות ואתגרים:

כתיבת תגובה לבטל

קורס יסודות בינה מלאכותית RB27-13 – בסיסי נתונים-רשתות ניירונים ובינה מלאכותית

https://www.w3schools.com/mysql/mysql_intro.asp

פקודת ORDER BY ב-SQL – הסבר ודוגמאות

מבנה כללי:

דוגמאות על טבלת Orders

דוגמה 1: מיון ההזמנות לפי תאריך (מהישן לחדש)

דוגמה 2: מיון לפי מזהה הלקוח מהגבוה לנמוך

דוגמה 3: כמה הזמנות ביצע כל לקוח, ממויין מהכי הרבה לפחות

טבלת : Orders

תרגיל כיתה 1 : בסיסי נתונים ובינה מאלכותית

תרגיל 2 : טבלת ORDERS

תרגיל 3 : טבלת OrderDetails קשר בן ואב

חלק ב : SDR ובינה מלאכותית

אזהרה:

מה זה HackRF?

תכונות עיקריות:

למה משמש HackRF?

דוגמה לשימוש:

1. Replay Attack With HackRF

2. HackRF One Portapack H2+

5. פייטון ו SDR pyrtlsdr התכנה ויצירת קוד בעזרת בינה מלאכותית

udio from RTLSDR and convert to text using Google Speech-to-Text service

זיהוי מצלמות נסתרות באמצעות בינה מלאכותית

מטרת התרגיל:

שלבים לביצוע:

1. חקר ראשוני:

2. הבנת עקרונות פיזיקליים:

3. סקירת טכנולוגיות קיימות:

4. פיתוח אלגוריתם מבוסס AI:

5. תכנון ניסוי:

6. דיון במגבלות ואתגרים:

אולי תאהב/י גם

פיתוח אלקטרואופטיקה – פיתוח מצלמה זולה לראיית לילה

קורס רובוטיקה למבוגרים – RA90

איך הלחמת מעגל אלקטורני ?

כתיבת תגובה לבטל