Data Drivens Podcast

Ram Kedem & Gadi Chrust

מה ג'וניור דאטה-אנאליסט צריך לדעת לקראת המשרה שלו? אילו שאלות שואלים? מה חברות מחפשות? אילו תכונות אופי צריך, אילו כישורים טכניים? מה זה אומר בכלל להיות ג'וניור דאטה-אנאליסט ואיך היומיום נראה? בכל פרק, אנחנו נראיין קודקוד אחר מהתעשייה שלנו, וננסה לתת לג'וניורים דגשים שיקלו עליהם להכנס אל המשרה הראשונית. מוזמנים להצטרף אל הקבוצה שלנו - https://www.facebook.com/groups/DataAnalysisIsrael

  1. כשהמשחק מאבד שחקנים - מה הדאטה מספר לנו ?

    ٣٠‏/١٠‏/٢٠٢٥

    כשהמשחק מאבד שחקנים - מה הדאטה מספר לנו ?

    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 הפרק https://docs.google.com/presentation/d/1PrvGvR6r1v8fS4dkSx_KplNayTW2bS3S2AEPZPLN4Yk/edit?slide=id.g39e71db9e50_0_93#slide=id.g39e71db9e50_0_93

    ٢٩ من الدقائق
  2. המודל לכניסה אל תחום המשין-לרנינג

    ٣٠‏/٠١‏/٢٠٢٥

    המודל לכניסה אל תחום המשין-לרנינג

    איך נכנסים לתחום הדאטה סיינס? פרק חמישי ואחרון בסדרת ה Machine Learning עם מיכאל ווינר בפרק 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 מכונה תודה לגדי ומיכאל שתרמו מזמנם, תודה לכל מי שהאזין, נתראה בפרקים הבאים בנושאים חדשים שמתבשלים להם אז-ווי-ספיק :)

    ٥٢ من الدقائق
  3. למידה ללא פיקוח - כשנותנים למכונות להסתדר לבד

    ٠٩‏/٠١‏/٢٠٢٥

    למידה ללא פיקוח - כשנותנים למכונות להסתדר לבד

    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.

    ٤٥ من الدقائق
  4. רגרסיות, יערות רנדומליים ומה שבינהם

    ٠٢‏/٠١‏/٢٠٢٥

    רגרסיות, יערות רנדומליים ומה שבינהם

    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.

    ٤٥ من الدقائق
  5. מכונה לומדת - כשמחשבים מתחילים לחשוב

    ٠٢‏/٠١‏/٢٠٢٥

    מכונה לומדת - כשמחשבים מתחילים לחשוב

    בפרק הזה של הפודקאסט שלנו צללנו לעולם למידת המכונה. פתחנו בהסבר על מהי למידת מכונה וכיצד התחום התפתח, עם דגש על פריצות דרך כמו תחרות לעיבוד תמונות ושיפורים בטכנולוגיות מחשוב מתקדמות. המשכנו בהסבר על סוגי המודלים השונים, כולל למידה מונחית המשמשת לחיזויים ולקטלוגים, למידה בלתי מונחית לזיהוי דפוסים ואנומליות, למידת חיזוק לדוגמאות כמו משחקי אסטרטגיה, ומודלים ליצירת טקסטים ותמונות. דיברנו גם על האתגרים בבחירת מודלים מתאימים, מתי נכון לשלב כמה מודלים וכיצד להעריך את הצלחתם לפי מדדים עסקיים ושקיפות. הסברנו את ההבדל בין למידת מכונה ללמידה עמוקה ואת התחומים בהם כל שיטה מצטיינת, כמו עיבוד תמונות ושפה טבעית. לבסוף, סקרנו את האתגרים הצפויים בתחום, מהפיכת רעיונות תיאורטיים לפתרונות מעשיים ועד יישום מערכות חכמות בשוק. בפרק הבא נעמיק בלמידה מונחית ונדבר על האלגוריתמים המרכזיים שבה. תודה שהאזנתם!

    ٥٥ من الدقائق
  6. אל תוך מחילת מדעי הנתונים עם מיכאל ווינר

    ٢١‏/١١‏/٢٠٢٤

    אל תוך מחילת מדעי הנתונים עם מיכאל ווינר

    אחרי שלוש עונות ועשרות פרקים שעסקו בניתוח נתונים, הגיע הזמן לגוון ולהעמיק לתוך מחילת הארנב של עולם מדעי הנתונים. מסקירה כללית ועד למושגים כמו עצי החלטה, רגרסיות, אנסמבלים ועוד – אנחנו כאן כדי לעשות סדר בבלאגן. המטרה בסדרת הפרקים החדשים היא להסביר את המושגים המורכבים בצורה פשוטה, פרקטית ומובנת, ולתת לכם הבנה על עולם מדעי הנתונים גם תוך כדי נסיעה בפקקים, טיול או סתם בזמן קפה. אל המסע הזה מצטרף מיכאל ווינר, האחד והיחיד, שילווה אותנו ויעזור לנו להנגיש את הנושאים האלה בצורה מקצועית ומרתקת. בפרק הראשון סקרנו את תחום מדעי הנתונים, ההבדלים בינו לבין דאטה-אנליטיקס, ואת חשיבותו כיום. דיברנו על הכישורים הנדרשים מדאטה סיינטיסט, תחומי האחריות שלו, האתגרים שהוא פוגש, והכלים שבהם הוא משתמש. בנוסף, שיתפנו טיפים למתחילים ותובנות על עתיד התחום.

    ٥٥ من الدقائق
  7. ראיונות ומבחני בית במשרת הדאטה אנליסט

    ٢١‏/١١‏/٢٠٢٤

    ראיונות ומבחני בית במשרת הדאטה אנליסט

    מראיונות לתהליכי גיוס: בואו נדבר על מבחנים ומשימות הבית בתהליכי גיוס למשרת ה-Data Analyst תחום ניתוח הנתונים מושך אליו אנשים מרקעים שונים, ומאופיין לא אחת ע"י תהליך גיוס מאתגר, ודרישה לסט כישורים רחב ומגוון. כדי להתמודד עם הדרישות המגוונות ולבלוט בתהליך גיוס, חשוב להבין את המבחנים ולהתכונן אליהם בצורה מיטבית. ועל זה בדיוק אני וגדי כרוסט עוסקים בוובינר. יחד עם מומחים מהתעשייה, שוחחנו על הדברים שאתם צריכים לדעת כדי לצלוח את מבחני הבית בצורה הטובה ביותר. היו איתנו: נעמה דולב, מורג שילו, עשאל ישראלי, עומר ביבר, ושגיא דוד.

    ١ س ٣٥ د
  8. ניהול מבחני השערות עם אביעד קליין

    ١٨‏/٠٧‏/٢٠٢٤

    ניהול מבחני השערות עם אביעד קליין

    והפעם התיישבנו לשוחח עם ג'ינג'י לוהט וחריף, אביעד קליין, Director of Data Science בפלאריום. איש של סטטיסטיקה, מודולים ואלגוריתמיקה. אדם שטייל מפה ועד לתאילנד בחיפוש אחר המתודה המזוקקת ובסוף נחת בפלאריום להטמיע אותה במערכת. דיברנו על משפחה ורקורד מגוון, דיברנו על השונה והמשותף בין האנאליסט לדאטה סיינטיסט ואפילו Meta הוזכרה שם. דיברנו על הנגיעה של ה- Data Science במשחקים, במרקטינג, במכירות ובתנועה באתר. דיברנו על אריסטו, אפלטון אבל דיברנו על ניסויים בעיקר. דיברנו על היפותזות, רנדומיזציה, שיערוכים, זמני ריצה ומדידות. וכמובן דיברנו על זה שאין דבר כזה אני יודע מה יקרה בלי נתונים והשוואות. כלומר ... נראה לנו שעל כל זה דיברנו. הקול של אביעד כל כך מרגיע וזה לבד שווה את ההקשבה.

    ٣٦ من الدقائق
مشاهدة الكل (٣٧)

حول

מה ג'וניור דאטה-אנאליסט צריך לדעת לקראת המשרה שלו? אילו שאלות שואלים? מה חברות מחפשות? אילו תכונות אופי צריך, אילו כישורים טכניים? מה זה אומר בכלל להיות ג'וניור דאטה-אנאליסט ואיך היומיום נראה? בכל פרק, אנחנו נראיין קודקוד אחר מהתעשייה שלנו, וננסה לתת לג'וניורים דגשים שיקלו עליהם להכנס אל המשרה הראשונית. מוזמנים להצטרף אל הקבוצה שלנו - https://www.facebook.com/groups/DataAnalysisIsrael

المعلومات

  • صناع العمل
    Ram Kedem & Gadi Chrust
  • سنوات النشاط
    ٢٠٢٢ - ٢٠٢٥
  • الحلقات
    ٣٧
  • التقييم
    ملائم
  • حقوق النشر
    © Ram Kedem & Gadi Chrust
  • موقع البرنامج على الويب
    Data Drivens Podcast