יסודות הבינה מלאכותית 09- RB34: תרגול כיתה , ניתוח קובץ אקסל , מבוא ל RL

חדש בשכונה

---

---

חלק א : ניתוח קובץ אקסל בעזרת בינה מלאכותית ( מתוך קובץ האקסל בלבד )

• ניתוח
• ופרדיקציה 

נתון גרף אקסל תוצאות ניסו  exp1

1. ניתוח ידני : הורד את קובץ האקסל למחשב  , פתח את קובץ האקסל  ועבור ידנית על הנתונים – כמה שורות יש  ?
2. ניתוח בעזרת A.I בקשו מהבינה המלאכותית –    https://claude.ai/    לנתח את הנתונים מתוך קובץ האקסל בלבד   :

2.1  כמה קבוצות של רמה בחשבון יש  ?

2.2 מה הפרמטרים שמשפעים  על כל קבוצה  – הנמוכה 0 , והקבוצה הגבוהה ביותר

2.3  (פרדיקציה ) :

מתוך קובץ האקסל בלבד  איזה עצה היית נותן שיש לאנשים עם הכנסה נמוכה ואין באפשרותם  לשלם כסף למורים פרטים עבור ילדיהם   שלהם יהיו טובים בחשבון  ?

3.3 לפי הנתונים –  מתוך קובץ האקסל בלבד    האלה האם לכל ילד שנולד יש הזדמנות טובה להיות טוב במתמטיקה  ?

---

תרגיל כיתה 2 : ניתוח והשוואה נתוני רכבי שטח ורכב רגיל בעזרת בינה מלאכותית

נתונים קבצי PDF של ג'יפים

חלק א :

2027-landcruiser-brochure-20260612-172306

g-class-0324

Recon_STATIC Buyers_Guide_FINAL_nontagged

2026_rav4_brochure_20260612_142557

2027-landcruiser-brochure-20260612-172306

1. תרגיל כיתה טען לתוך CHATGPT ו GIMINI  claude.ai
2. הצג בסוף , מי נתן תשובה יותר טובה  לניתוח יותר טובה
3. איזה 10 פרמטרים חשובים לבדוק לפני רכישת ג'יפ חדש – הסבר מושגים טכניים
4. מה התקלות הנפוצות בג'יפים
5. איזה רכב מתאים לשטח , למשפחה , לרכב שטח לתנאים קשים מאוד – צור טבלת השוואה בין הדגמים ומחיר הערכה  הוסף תמונה  פר ג'יפ בטבלה
6. בקש מהבינה מלאכותית לייצר דוח מסכם , הגדר איזה ג'יפ לדעתך מתאים לך –  ובקש מהבינה המלאכותית עשוי להתאים לכם הכי טוב

חלק ב :

1.צור מצגת סיכום  עבור טבלת השוואה הכוללת תמונה של הגיפ

2. בעזרת notebooklm  טען את קבצי הPDF

הוסף את כל השאלות – ובחר פלט בשפה העברית בקשת ניתוח קולי

איזה 10 פרמטרים חשובים לבדוק לפני רכישת ג'יפ חדש – הסבר מושגים טכניים

מה התקלות הנפוצות בג'יפים

איזה רכב מתאים לשטח , למשפחה , לרכב שטח לתנאים קשים מאוד – צור טבלת השוואה בין הדגמים ומחיר הערכה  הוסף תמונה  פר ג'יפ בטבלה

בקש מהבינה מלאכותית לייצר דוח מסכם לפי סוג הג'יפ שעשוי להתאים לך

 

---

 

חלק ב – בינה מלאכותית ותלת מימד

 

https://studio.tripo3d.ai/

 

 

---

 

 

 

 

 

תרגיל כיתה 1

 

 

https://studio.tripo3d.ai/

יצירת תלת מימד בעזרת בינה מלאכותית

שלב א הכנת התמונות

1.בעזרת תוכנת https://www.photopea.com/ בצעה CROP רק על התמונה של הנעל ושמנור אותה בלבד

2.בעזרת  תוכנת בינה מלאכותית מלאכותית הסר את הרקע של הכלב ללבן

 

שלב ב:  

3. הפכו את התמונה  לתלת מימד

4.יצאו אותה להדפסה למדפסת תלת מימד

---

חלק ב

 

תרגיל כיתה

1. צורך ציור בחור לבן דו מימד של רהיט או מוצר שים לב שהקווים סגורים
2. בערת התוכנה  https://www.meshy.ai/ המר את תמונת הדו מימד לדו מימד

 

---

חלק ג – מבוא  –  deep reinforcement learning

Q-Learning הומצא בשנת 1989 על-ידי החוקר:

Christopher J. C. Watkins

(מאוניברסיטת קיימברידג', בריטניה)

המאמר המקורי:
Watkins & Dayan, 1992 – Q-Learning

זהו אחד האלגוריתמים החשובים ביותר בתולדות למידת החיזוק.

האות Q מסמלת:

Quality of an Action

כלומר: איכות הפעולה במצב מסוים.

Q-Learning הוא אלגוריתם שמנסה ללמוד:

כמה טובה כל פעולה בכל מצב?

המודל בונה "מפת החלטות" Q(s, a) שמחזירה מספר שמייצג:

ציון פעולה a כאשר אני במצב s.

מהם הכללים של Q-Learning? (בקצרה)

האלגוריתם מבוסס על כלל עדכון אחד:

כלל העדכון המרכזי

Q(s, a) ← Q(s, a) + α [ r + γ maxₐ′ Q(s′, a′) − Q(s, a) ]

פירוש כל חלק:

• s – מצב נוכחי
• a – פעולה שבוצעה
• r – פרס שקיבלנו
• s′ – מצב חדש
• α – קצב למידה
• γ – חשיבות העתיד (Discount factor)
• maxₐ′ Q(s′, a′) – מהו הציון הכי טוב שניתן להשיג מהמצב הבא

המשמעות:
המודל מעדכן את הציון של פעולה לפי מה שקרה בפועל ועוד מה שצפוי בעתיד.

---

מה הייחוד של Q-Learning?

1. Off-Policy – לומד גם מצעדים שאינם "הפעולות הכי טובות".

2. מבוסס טבלה – פשוט לחישוב.

3. מבטיח התכנסות בתנאים מסוימים.

4. בסיס לכל מה שבא אחריו – כולל DQN.

 

 

מה זה Deep Reinforcement Learning? RL

Deep Reinforcement Learning הוא תחום בבינה מלאכותית שבו מלמדים מחשב לקבל החלטות בדרך של ניסוי וטעייה, בדיוק כמו ילד שלומד לרכב על אופניים.

זה שילוב של שני דברים:

1. Reinforcement Learning (למידת חיזוק)
   אלגוריתם שלומד לפי פרסים ועונשים.
   הוא עושה פעולה, רואה מה קרה, ומנסה בפעם הבאה להשתפר.

2. Deep Learning (רשתות עמוקות)
   רשת נוירונים עמוקה שמאפשרת להבין מצבים מורכבים ולהחליט טוב יותר.

---

איך זה עובד בפועל?

תדמיין שיש סוכן (Agent) שמשחק במשחק או מפעיל רובוט.

בכל רגע יש 3 שלבים:

1. קלט – מצב (State)

הסוכן מקבל תמונה או מידע על המצב.
לדוגמה: איפה הוא במשחק, מה מהירות, מה המרחק למכשול.

2. פלט – פעולה (Action)

הסוכן מחליט מה לעשות:
לזוז ימינה, לבלום, לקפוץ, לפנות.

ההחלטה נעשית בעזרת רשת עמוקה שמנסה לנחש איזו פעולה תביא לתוצאה הטובה ביותר.

3. פרס (Reward)

אם עשה פעולה טובה → מקבל מספר חיובי.
אם עשה פעולה רעה → מקבל מספר שלילי.

לדוגמה:
פגע בקיר → פרס שלילי.
התקדם למטרה → פרס חיובי.

לאט-לאט, דרך ניסוי וטעייה, הסוכן לומד אסטרטגיה.

---

 

אז איך רובוט בעצם לומד לזוז –  RL  Reinforcement Learning

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---

1. דוגמאות למערכת דטרמיניסטית

מערכת דטרמיניסטית היא מערכת שבה אותו קלט תמיד נותן אותה תוצאה.

דוגמה 1: מחשבון

בכל פעם שנחשב 2 + 3, התוצאה תמיד תהיה 5.

---

דוגמה 2: תנאי בתוכנית מחשב

התוצאה תמיד תהיה:

כי הערך של age הוא 20.

---

דוגמה 3: קוד לפתיחת דלת

אם הקוד הנכון הוא:

והמשתמש מקליד:

הדלת תיפתח תמיד.

אם המשתמש יקליד קוד אחר, הדלת לא תיפתח.

---

2. דוגמאות למערכת פרובביליסטית

מערכת פרובביליסטית היא מערכת שבה התוצאה מבוססת על הסתברות.

המערכת לא תמיד אומרת מה נכון בוודאות, אלא מה הכי סביר.

דוגמה 1: תחזית מזג אוויר

המערכת לא אומרת בוודאות שירד גשם.
היא אומרת שהסיכוי גבוה.

---

דוגמה 2: זיהוי תמונה

מערכת AI מקבלת תמונה של בעל חיים ואומרת:

המערכת בוחרת את האפשרות הכי סבירה.

---

דוגמה 3: זיהוי קול של רחפן

מערכת AI מקבלת צליל ואומרת:

המערכת לא בטוחה ב-100%.
היא נותנת הסתברות לכל אפשרות.

---

3. מה זה דטרמיניסטי?

מערכת דטרמיניסטית פועלת לפי חוקים קבועים וברורים.

אותו קלט תמיד ייתן אותה תוצאה.

לדוגמה:

התוצאה תמיד תהיה 50.

אין כאן ניחוש.
אין כאן הסתברות.
יש חוק ברור.

---

4. מה זה פרובביליסטי?

מערכת פרובביליסטית פועלת לפי הסתברויות.

היא מתאימה למצבים שבהם אין ודאות מוחלטת.

לדוגמה:

המערכת לא אומרת בוודאות מוחלטת שזה כלב.
היא אומרת שזה כנראה כלב.

---

5. טבלת השוואה

---

6. הקשר לבינה מלאכותית

בינה מלאכותית בדרך כלל עובדת בצורה פרובביליסטית.

הסיבה היא שהעולם האמיתי לא תמיד ברור ומדויק.

לדוגמה:

תמונה יכולה להיות מטושטשת.
קול יכול להיות עם רעש.
חיישן יכול לטעות.
נתונים יכולים להיות חסרים.

לכן AI בדרך כלל לא אומר:

אלא אומר:

---

7. דוגמה בתוך AI

נניח שרשת נוירונים מקבלת תמונה ומחזירה:

המשמעות היא:

המערכת תבחר Dog, כי זו ההסתברות הגבוהה ביותר.

---

8. איפה יש דטרמיניסטי בתוך AI?

גם בתוך מערכת AI יש חלקים דטרמיניסטיים.

לדוגמה:

התוצאה תהיה:

כי 0.92 גדול מ-0.8.

כלומר:

המודל יכול לחשב הסתברות בצורה פרובביליסטית.
אבל ההחלטה הסופית יכולה להיות לפי חוק דטרמיניסטי.

---

9. סיכום

מערכת דטרמיניסטית נותנת תמיד אותה תוצאה לאותו קלט.

מערכת פרובביליסטית נותנת תוצאה לפי הסתברות.

בינה מלאכותית בדרך כלל משתמשת בגישה פרובביליסטית, כי היא מתמודדת עם נתונים לא מושלמים, רעש ואי-ודאות.

אבל אחרי שה-AI מחשב הסתברויות, אפשר להשתמש בחוקים דטרמיניסטיים כדי לקבל החלטה סופית.