בינה מאלכותית RB108-3 – מבוא לרשתות ניירונים ובינה מלאכותית
-
העשרה : נתחיל משהו מצחיק – מזכיר SUNO
2 .notebooklm פודקאסט
קישור ל-NotebookLM: https://notebooklm.google/
מה יכולת ה-NotebookLM
מה אפשר להעלות?
-
קבצים: PDF, Google Docs, Google Slides. Google Help+2datacamp.com+2
-
קישורים לאתרים או YouTube עם כתוביות. datacamp.com+1
-
ערכי טקסט-גולמיים שהדבקת באופן ידני. datacamp.com
מה המערכת יודעת לעשות?
-
ליצור סיכומים אוטומטיים של המקורות. Google NotebookLM+2datacamp.com+2
-
מענה לשאלות בשפה טבעית בהתבסס על המקורות שהועלו, עם ציטוטים מדויקים. datacamp.com+1
-
הפקת “Audio Overviews” (סיכום אודיו) ו-“Video Overviews” (הצגת וידאו/מצגות) מתוך התוכן שלך. blog.google+2Google Help+2
-
יצירת כלי עזר נוספים: Mind Maps, Study Guides, Flashcards, Quizzes. Workspace Updates Blog+1
-
שיתוף מחברות (Notebooks) עם אחרים, ניתוח שימוש, הרשאות משתנות. Google Help
איך ניתן שהיא לא תוסיף דברים שלא בחורנו ?
-
היא עובדת כ-RAG (Retrieval Augmented Generation): כלומר, התשובות מבוססות בעיקר על המקורות שהעלית. arXiv+1
-
בכל תשובה מופיעים ציטוטים שמצביעים על המקור המדויק שבו המידע לקוח. datacamp.com+1
-
חשוב לוודא שהמקורות עצמם אמינים, עדכניים ומלאים — איכות המקורות משפיעה ישירות על האמינות. datacamp.com
-
אם אין מקור מתאים, יש להיזהר: המערכת עדיין עלולה “להשליך” מידע שלא מגובה. למשל במחקר נמצא שיעור “hallucinations” נמוך יותר מ-LLMים רגילים אך לא אפסי. arXiv+1
איך היא כן תוסיף עצמה – תכנים אוטומטיים
-
עם העלאת המקורות, המערכת יכולה לייצר אוטומטית סיכומים, שאלות מוצעות, ואף Audio/Video Overviews ללא פקודה מפורשת. Google Help
-
ניתן לבחור לשנות שפה/פורמט של הפלט (למשל לשפות שונות או פורמטים שונים) ולהתאים את הפלט לקהל או למטרה
- “הוסף מידע חיצוני אם חסר” → היא תשלב מקורות כלליים.
אפשרות “Auto-Expand”
-
בממשק החדש (2025) יש כפתור “Expand with Gemini” שמאפשר להוסיף תובנות והרחבות מעבר למידע שבמחברת.
-
אם לוחצים עליו, NotebookLM מבצעת הרחבה באמצעות מודל השפה, תוך שמירת ההבחנה בין ציטוטים מהמקורות לבין השלמות AI.
אם זאת יש לעבור אחרי המידע שהיא אספה לעומק
תרגיל כיתה 1 : פיתווח מוצר בצורה מדעית והנדסית – מזווית מדעית תאורטית
- בנה בעזרת בינה מלאכותית תוכנית אשר עשויה לזהות מצלמה נסתרת בגודל 10 ממ אשר משמת בעיקר במצלמות רוורס
- איזה אפשריות קיימות בשוק ומה חירים
- איזה מודל פיסקאלי מאפשר לזהות את המצלמות
- כיצד ניתן לסרוק חדר , איזה תדרים חסרונות ויתרונות
- על פי מה עובדים הסרטוים הקיימים
- בנה טבלח השוואה שמשווה בין השיטות
- בקש מאמרים מדעים וקישור למאמרים מדעיים
רשתות ניירונים ANN בינה מלאכותית
קישור :
https://colab.research.google.com/drive/1aS5y_LKPePjloHi57PZforMGqOESZGgX?usp=sharing
4. ,תרגיל כיתה : בניית רשת ניירונים בעזרת בינה מלאוכתית
4.1 בנה בעזרת בינה מלאוכתי רשת ניירונים בקוד פייטון – בסביבת פיתוח קולאב אשר מקבל את הנתונים הבאים
4.2 הצג את גרף הלימודה הפעל על 40 איפוקס , 100 איפוקס האם הרשת למדה או דרוש יותר ?
4.3 נבא את התוצאות : הבאות
0.1 , 1.5 . -2.85 , 2.6
4.4 הצג את גרף הנתונים של סידרה a ואת הערכים לניסוי
נתונים ערכים לשאלה :
|
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 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 |
a = [ (0, 2107.063993), (1, 1774.894936), (2, 1750.009562), (3, 1481.326385), (4, 1396.077521), (5, 1206.241582), (6, 1226.093311), (7, 1053.402700), (8, 863.965419), (9, 708.908089), (10, 609.188688), (11, 507.225962), (12, 546.267593), (13, 527.910129), (14, 445.411797), (15, 372.281130), (16, 273.318001), (17, 232.070553), (18, 162.902607), (19, 135.674182), (20, 15.810602), (21, 32.953371), (22, -7.529706), (23, -58.090834), (24, 141.533792), (25, 14.234175), (26, 40.625799), (27, -59.885817), (28, 86.203475), (29, 31.991252), (30, 88.132789), (31, 160.413156), (32, -75.607018), (33, 55.269403), (34, -56.520119), (35, -94.585288), (36, 8.086607), (37, -69.322549), (38, 81.048572), (39, 35.469407), (40, 13.428026), (41, 55.077948), (42, -76.633790), (43, 15.156530), (44, -100.269949), (45, 82.102218), (46, -39.703165), (47, -12.988640), (48, -82.648318), (49, -174.654761), (50, -125.680074), (51, 114.949028), (52, 2.739873), (53, 51.751231), (54, 8.351202), (55, -29.036185), (56, -138.659365), (57, 45.099863), (58, 4.898423), (59, -140.341615), (60, 0.263349), (61, -171.835728), (62, -112.363502), (63, 8.291108), (64, 42.170526), (65, -95.476512), (66, 89.265808), (67, 121.477131), (68, 63.346685), (69, 22.926077), (70, -54.681239), (71, -0.003649), (72, -58.438858), (73, 56.850423), (74, -62.948579), (75, 88.712425), (76, -139.472977), (77, -32.893119), (78, 11.448258), (79, -38.987336), (80, 25.303369), (81, -81.415682), (82, -70.917732), (83, 24.433327), (84, 10.738649), (85, -96.212815), (86, -14.961291), (87, -92.290469), (88, -104.987551), (89, 15.086477), (90, -118.130072), (91, -72.749843), (92, -172.149650), (93, -118.275654), (94, -57.536845), (95, 37.355310), (96, -174.049250), (97, 67.392092), (98, -178.348884), (99, 32.446615), (100, 34.355661), (101, -29.564107), (102, -230.259215), (103, -18.166889), (104, -186.462794), (105, -81.414764), (106, -287.880945), (107, -140.773498), (108, -300.851027), (109, -378.673102), (110, -492.544540), (111, -547.831068), (112, -489.163215), (113, -822.436100), (114, -742.851594), (115, -925.768624), (116, -885.407152), (117, -1112.968628), (118, -1234.314197), (119, -1212.259426), (120, -1629.306669), (121, -1508.318170), (122, -1887.185332), (123, -2070.217978), ] |
רשתות ניירונים ANN בינה מלאכותית
הרשת שבה השתמשנו היא רשת מסוג Classification (סיווג), כלומר – רשת שנועדה לבחור בין כמה אפשרויות ולהחליט לאיזו קטגוריה שייך הקלט. במקרה שלנו, הרשת מקבלת מיקום של נקודה במרחב (שני ערכים: X ו־Y) ומסווגת אותה לאחת משלוש קבוצות: אדום, ירוק או כחול.
רשת כזו שייכת למשפחת הרשתות העצביות המלאכותיות (Artificial Neural Networks), ובפרט – לרשתות מסוג Dense Feedforward, שבהן כל נוירון בשכבה אחת מחובר לכל הנוירונים בשכבה הבאה. הרשת מתבססת על למידה מפוקחת (Supervised Learning) – כלומר, היא לומדת מדוגמאות מתויגות מראש.
במה היא שונה מרשת שחוזה ערך כמו טמפרטורה?
רשת שמטרתה לחזות טמפרטורה (או כל ערך מספרי אחר) נקראת Regression Network (רשת רגרסיה). במקום לבחור קטגוריה, היא מנבאת ערך רציף אחד, למשל: 21.4 מעלות.
הבדל עיקרי בין סיווג לרגרסיה:
-
Classification – הפלט הוא אחת מתוך קבוצה סופית של אפשרויות (למשל: אדום, ירוק או כחול) , זהוי מילה שהוקלטה , קטגוריה של המוצר , קטגוריה של התקלה , האם האדם קופץ הולך , נופל מתגלגל .
- הפלט ברשת סיווג הוא לרוב וקטור של הסתברויות לכל קטגוריה, והרשת בוחרת את ההסתברות הגבוהה ביותר.
-
Regression – הפלט הוא מספר ממשי אחד מתוך טווח בלתי מוגבל (למשל: חיזוי מחיר של מוצר, טמפרטורה , גובה , לחץ של תמיסה).
- רגרסיה הפלט הוא פשוט מספר אחד – פלט אחד
קישור ל ANN – (Artificial Neural Network) classifier
https://colab.research.google.com/drive/1MgFjPa8y-megnslGQ7-lhqqxPeKlwype?usp=sharing
SDR – Software Defined Radio
תרגיל כיתה 2.1 רשת ניירונים חיזוי קטגוריה
המטרה של הרשת היא ללמוד לזהות, על בסיס מיקום, לאיזו קבוצה צבעונית משתייכת נקודה חדשה.
במערכת שלנו, רשת הנוירונים לומדת לסווג נקודות במרחב לפי מיקומן. כל נקודה מורכבת משני מספרים – מיקום בציר האופקי (X) ובציר האנכי (Y).
זהו הקלט: שני מספרים שמייצגים את מיקום הנקודה.
הפלט הוא הסיווג שהרשת נותנת לנקודה – האם היא שייכת לקבוצת אדום, ירוק או כחול. הרשת מחליטה לפי מה שלמדה מהנתונים הקודמים.
מטרה : 
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
import numpy as np import matplotlib.pyplot as plt # Re-create data np.random.seed(42) red = np.random.normal(loc=[2, 2], scale=0.5, size=(100, 2)) green = np.random.normal(loc=[5, 5], scale=0.5, size=(100, 2)) blue = np.random.normal(loc=[8, 2], scale=0.5, size=(100, 2)) # Plot each group plt.figure(figsize=(7, 5)) plt.scatter(red[:, 0], red[:, 1], color='red', label='Red Group', alpha=0.7) plt.scatter(green[:, 0], green[:, 1], color='green', label='Green Group', alpha=0.7) plt.scatter(blue[:, 0], blue[:, 1], color='blue', label='Blue Group', alpha=0.7) plt.title('Color Group Clusters (2D)') plt.xlabel('X1') plt.ylabel('X2') plt.legend() plt.grid(True) plt.show() |
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
import numpy as np import matplotlib.pyplot as plt # Re-create data np.random.seed(42) red = np.random.normal(loc=[2, 2], scale=1.8, size=(100, 2)) green = np.random.normal(loc=[5, 5], scale=1.8, size=(100, 2)) blue = np.random.normal(loc=[8, 2], scale=1.8, size=(100, 2)) # Plot each group plt.figure(figsize=(7, 5)) plt.scatter(red[:, 0], red[:, 1], color='red', label='Red Group', alpha=0.7) plt.scatter(green[:, 0], green[:, 1], color='green', label='Green Group', alpha=0.7) plt.scatter(blue[:, 0], blue[:, 1], color='blue', label='Blue Group', alpha=0.7) plt.title('Color Group Clusters (2D)') plt.xlabel('X1') plt.ylabel('X2') plt.legend() plt.grid(True) plt.show() |
|
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 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 |
import numpy as np import matplotlib.pyplot as plt import tensorflow as tf from sklearn.model_selection import train_test_split from sklearn.preprocessing import LabelEncoder from tensorflow.keras.utils import to_categorical # Create synthetic data (3 clusters) np.random.seed(42) red = np.random.normal(loc=[2, 2], scale=1.8, size=(100, 2)) green = np.random.normal(loc=[5, 5], scale=1.8, size=(100, 2)) blue = np.random.normal(loc=[8, 2], scale=1.8, size=(100, 2)) # Combine the data and labels X = np.vstack((red, green, blue)) y = np.array(['R'] * 100 + ['G'] * 100 + ['B'] * 100) # Encode labels encoder = LabelEncoder() y_encoded = encoder.fit_transform(y) y_categorical = to_categorical(y_encoded) # Split data X_train, X_test, y_train, y_test = train_test_split(X, y_categorical, test_size=0.2, random_state=42) # Build the model model = tf.keras.Sequential([ tf.keras.layers.Input(shape=(2,)), tf.keras.layers.Dense(16, activation='relu'), tf.keras.layers.Dense(12, activation='relu'), tf.keras.layers.Dense(3, activation='softmax') # 3 output classes ]) # Compile the model model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # Train the model (increased epochs) history = model.fit(X_train, y_train, epochs=150, batch_size=16, validation_data=(X_test, y_test)) # Plot training history plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.plot(history.history['loss'], label='Train Loss', color='red') plt.plot(history.history['val_loss'], label='Val Loss', color='orange') plt.xlabel('Epoch') plt.ylabel('Loss') plt.title('Model Loss over Epochs') plt.legend() plt.subplot(1, 2, 2) plt.plot(history.history['accuracy'], label='Train Accuracy', color='blue') plt.plot(history.history['val_accuracy'], label='Val Accuracy', color='green') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.title('Model Accuracy over Epochs') plt.legend() plt.tight_layout() plt.show() # --------------------- # 🔍 Prediction Examples # --------------------- test_points = np.array([ [1, 1], # Likely Red [5, 5], # Likely Green [9, 1.5], # Likely Blue [4, 4], # Maybe Green [7, 2.5] # Maybe Blue ]) preds = model.predict(test_points) pred_labels = encoder.inverse_transform(np.argmax(preds, axis=1)) print("\nPrediction Examples:") for point, label in zip(test_points, pred_labels): print(f"Point {point} → Predicted Color: {label}") |
במהלך אימון של רשת נוירונים, אנו מודדים שני מדדים חשובים:
אובדן אימון (Training Loss)
אובדן האימון מודד עד כמה המודל מצליח לחזות נכון את הדוגמאות שהוא ראה ולמד מהן בזמן האימון.
ו־אובדן ולידציה (Validation Loss).
אובדן הולידציה מודד את ביצועי המודל על דוגמאות שהוא לא ראה — כלומר, על נתונים שלא היו חלק מהאימון, כדי לבדוק את יכולת ההכללה שלו לעולם האמיתי. אם המודל טוב, שני הערכים אמורים לרדת יחד. אך אם רואים שהאובדן באימון ממשיך לרדת ואילו אובדן הולידציה מתחיל לעלות, זו אינדיקציה לכך שהמודל מתחיל לזכור את הנתונים במקום ללמוד מהם — תופעה שנקראת התאמת יתר (Overfitting). המטרה היא לשמור על איזון בין השניים, כדי שהמודל ילמד טוב אך גם ידע להתמודד עם נתונים חדשים.
רשתות ניירונים – בינה מלאכותית – TensorFlow ANN
תרגיל 2 : בנה רשת ניירונים colab בעזרת בינה מאלכותית TensorFlow עבור הפונקציה 1 משתנה
y=x^2+3
- בנה את הפונקציה והצב לה ערכים מ -10 עד 10 בקפיצות של 1
- הצג גרף של הפונקציה
- בנה רשת בעזרת בינה מלאוכתית אשר מקבל את קלט ופלט ומאמנת את הרשת
- בצע פרדיקציה עבור הערכים -2 , -3.45 ,7.45 והצג אותם ערכים לפי הנוסחה וערכים לפי פרדקציה של הרשת
תרגיל 3 : בנה רשת ניירונים colab בעזרת בינה מאלכותית TensorFlow עבור הפונקציה 2 משתנים
- בנה את הפונקציה והצב לה ערכים m מ0 עד 10 בקפיצות של 1 , h מ 0 עד 10
- הצג גרף של הפונקציה עבור m=2 h=0 to 10
- בנה רשת בעזרת בינה מלאוכתית אשר מקבל את קלט ופלט ומאמנת את הרשת
- בצע פרדיקציה עבור הערכים m=2 h=0.5 ; m=2 h=2.5
תרגיל כיתה 4 : :Car_Purchasing_Data
- Customer Name
- Customer e-mail
- Country
- Gender
- Age
- Annual Salary
- Credit Card Debt
- Net Worth
תרגיל כיתה עצמאי (ליווי מדריך) הרצה על מחשב מקומי 
הרצה באחת הסביבות TensorFlow
התקן ספריות ובדוק כל תקלה בעזרת בינה מלאוכתית TensorFlow
|
1 2 3 4 |
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns |
|
1 |
car_df = pd.read_csv('d:/temp/Car_Purchasing_Data.csv', encoding='ISO-8859-1') |
|
1 |
car_df |
|
1 |
sns.pairplot(car_df) |
|
1 |
X = car_df.drop(['Customer Name', 'Customer e-mail', 'Country', 'Car Purchase Amount'], axis = 1) |
|
1 |
print(X) |
|
1 2 3 |
y = car_df['Car Purchase Amount'] print(y.shape) print(type(y)) |
|
1 2 3 4 5 6 7 8 9 10 11 12 |
from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() X_scaled = scaler.fit_transform(X) print("Max values per column:", scaler.data_max_) print("Max values per column:", scaler.data_max_) scaler.data_min_ print(X_scaled[:,1]) |
|
1 2 |
print(X_scaled[:,0]) print(X_scaled[:,1]) |
reshape(-1, 1) ממיר את המערך החד־ממדי (1D) למערך דו־ממדי (2D) עם עמודה אחת וכמות שורות
|
1 |
y = y.values.reshape(-1,1) |
|
1 |
y_scaled = scaler.fit_transform(y) |
|
1 |
y_scaled |
|
1 2 |
from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X_scaled, y_scaled, test_size = 0.25) |
|
1 2 3 4 5 6 7 8 9 10 |
import tensorflow.keras from keras.models import Sequential from keras.layers import Dense from sklearn.preprocessing import MinMaxScaler model = Sequential() model.add(Dense(25, input_dim=5, activation='relu')) model.add(Dense(25, activation='relu')) model.add(Dense(1, activation='linear')) model.summary() |
|
1 |
model.compile(optimizer='adam', loss='mean_squared_error') |
|
1 |
epochs_hist = model.fit(X_train, y_train, epochs=20, batch_size=25, verbose=1, validation_split=0.2) |
|
1 |
print(epochs_hist.history.keys()) |
|
1 2 3 4 5 6 7 |
plt.plot(epochs_hist.history['loss']) plt.plot(epochs_hist.history['val_loss']) plt.title('Model Loss Progression During Training/Validation') plt.ylabel('Training and Validation Losses') plt.xlabel('Epoch Number') plt.legend(['Training Loss', 'Validation Loss']) |
|
1 2 3 |
# Gender, Age, Annual Salary, Credit Card Debt, Net Worth X_Testing = np.array([[1, 50, 50000, 10985, 629312]]) |
|
1 2 |
y_predict = model.predict(X_Testing) y_predict.shape |
|
1 |
print('Expected Purchase Amount=', y_predict[:,0]) |
