[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [](http://makeapullrequest.com) [](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [](https://GitHub.com/microsoft/ML-For-Beginners/network/) [](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Többnyelvű támogatás #### Támogatott GitHub Action segítségével (Automatikus és mindig naprakész) [Francia](../fr/README.md) | [Spanyol](../es/README.md) | [Német](../de/README.md) | [Orosz](../ru/README.md) | [Arab](../ar/README.md) | [Perzsa (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Kínai (Egyszerűsített)](../zh/README.md) | [Kínai (Hagyományos, Makaó)](../mo/README.md) | [Kínai (Hagyományos, Hongkong)](../hk/README.md) | [Kínai (Hagyományos, Tajvan)](../tw/README.md) | [Japán](../ja/README.md) | [Koreai](../ko/README.md) | [Hindi](../hi/README.md) | [Bengáli](../bn/README.md) | [Marathi](../mr/README.md) | [Nepáli](../ne/README.md) | [Pandzsábi (Gurmukhi)](../pa/README.md) | [Portugál (Portugália)](../pt/README.md) | [Portugál (Brazília)](../br/README.md) | [Olasz](../it/README.md) | [Lengyel](../pl/README.md) | [Török](../tr/README.md) | [Görög](../el/README.md) | [Thai](../th/README.md) | [Svéd](../sv/README.md) | [Dán](../da/README.md) | [Norvég](../no/README.md) | [Finn](../fi/README.md) | [Holland](../nl/README.md) | [Héber](../he/README.md) | [Vietnámi](../vi/README.md) | [Indonéz](../id/README.md) | [Maláj](../ms/README.md) | [Tagalog (Filippínó)](../tl/README.md) | [Szuahéli](../sw/README.md) | [Magyar](./README.md) | [Cseh](../cs/README.md) | [Szlovák](../sk/README.md) | [Román](../ro/README.md) | [Bolgár](../bg/README.md) | [Szerb (Cirill)](../sr/README.md) | [Horvát](../hr/README.md) | [Szlovén](../sl/README.md) | [Ukrán](../uk/README.md) | [Burmai (Mianmar)](../my/README.md) #### Csatlakozz a közösségünkhöz [](https://aka.ms/ml4beginners/discord) Jelenleg egy AI tanulási sorozat zajlik a Discordon, tudj meg többet és csatlakozz hozzánk a [Learn with AI Series](https://aka.ms/learnwithai/discord) keretében 2025. szeptember 18-30. között. Tippeket és trükköket kapsz a GitHub Copilot használatához az adatkutatás területén.  # Gépi tanulás kezdőknek - Tanterv > 🌍 Utazz körbe a világban, miközben a gépi tanulást a világ kultúráin keresztül fedezzük fel 🌍 A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely teljes egészében a **gépi tanulásról** szól. Ebben a tantervben megismerheted az úgynevezett **klasszikus gépi tanulást**, elsősorban a Scikit-learn könyvtárat használva, elkerülve a mély tanulást, amelyet a [AI for Beginners tantervünkben](https://aka.ms/ai4beginners) tárgyalunk. Párosítsd ezeket a leckéket a ['Data Science for Beginners' tantervünkkel](https://aka.ms/ds4beginners) is! Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat alkalmazzuk a világ különböző területeiről származó adatokra. Minden lecke tartalmaz előzetes és utólagos kvízeket, írásos útmutatót a lecke elvégzéséhez, megoldást, feladatot és még sok mást. Projektalapú pedagógiánk lehetővé teszi, hogy tanulás közben építs, ami bizonyítottan segíti az új készségek elsajátítását. **✍️ Szívből köszönjük szerzőinknek** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd **🎨 Köszönet illusztrátorainknak is** Tomomi Imura, Dasani Madipalli és Jen Looper **🙏 Külön köszönet 🙏 a Microsoft Student Ambassador szerzőknek, bírálóknak és tartalomhozzájárulóknak**, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal **🤩 Extra hála a Microsoft Student Ambassadoroknak Eric Wanjau, Jasleen Sondhi és Vidushi Gupta az R leckékért!** # Kezdés Kövesd az alábbi lépéseket: 1. **Forkold a repót**: Kattints az oldal jobb felső sarkában található "Fork" gombra. 2. **Klónozd a repót**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [találd meg az összes további erőforrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) **[Diákok](https://aka.ms/student-page)**, hogy használni tudjátok ezt a tantervet, forkold az egész repót a saját GitHub fiókodba, és végezd el a gyakorlatokat egyedül vagy csoportban: - Kezdd egy előzetes kvízzel. - Olvasd el az előadást, és végezd el a tevékenységeket, megállva és reflektálva minden tudásellenőrzésnél. - Próbáld meg létrehozni a projekteket a leckék megértésével, ahelyett hogy a megoldási kódot futtatnád; azonban ez a kód elérhető a `/solution` mappákban minden projektalapú leckénél. - Végezze el az utólagos kvízt. - Teljesítsd a kihívást. - Teljesítsd a feladatot. - Miután befejeztél egy leckecsoportot, látogasd meg a [Vita Fórumot](https://github.com/microsoft/ML-For-Beginners/discussions), és "tanulj hangosan" azzal, hogy kitöltöd a megfelelő PAT rubrikát. A 'PAT' egy Haladási Értékelési Eszköz, amely egy rubrika, amit kitöltesz, hogy elősegítsd a tanulásodat. Más PAT-ekre is reagálhatsz, hogy együtt tanulhassunk. > További tanulmányokhoz ajánljuk, hogy kövesd ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási útvonalakat. **Tanárok**, [néhány javaslatot is mellékeltünk](for-teachers.md) arra vonatkozóan, hogyan használhatjátok ezt a tantervet. --- ## Videós bemutatók Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálhatod a leckékben, vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán](https://aka.ms/ml-beginners-videos), ha az alábbi képre kattintasz. [](https://aka.ms/ml-beginners-videos) --- ## Ismerd meg a csapatot [](https://youtu.be/Tj1XWrDSYJU) **Gif készítette** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 Kattints a fenti képre, hogy megnézd a projektet és az alkotókat bemutató videót! --- ## Pedagógia Két pedagógiai elvet választottunk ennek a tantervnek a kidolgozásakor: biztosítani, hogy **projektalapú** legyen, és hogy **gyakori kvízeket** tartalmazzon. Ezenkívül a tantervnek van egy közös **témája**, amely összefogja. Azáltal, hogy a tartalom projektekhez igazodik, a folyamat érdekesebbé válik a diákok számára, és a fogalmak megértése is fokozódik. Ezenkívül egy alacsony tétű kvíz az óra előtt a diákot a téma tanulására irányítja, míg egy második kvíz az óra után tovább erősíti a megértést. Ez a tanterv rugalmasnak és szórakoztatónak készült, és egészében vagy részben is elvégezhető. A projektek kicsiben kezdődnek, és a 12 hetes ciklus végére egyre összetettebbé válnak. Ez a tanterv egy utószót is tartalmaz a gépi tanulás valós alkalmazásairól, amelyet extra kreditként vagy vitaalapként lehet használni. > Találd meg a [Magatartási Kódexünket](CODE_OF_CONDUCT.md), [Hozzájárulási](CONTRIBUTING.md) és [Fordítási](TRANSLATIONS.md) irányelveinket. Örömmel fogadjuk az építő jellegű visszajelzéseidet! ## Minden lecke tartalmaz - opcionális sketchnote - opcionális kiegészítő videó - videós bemutató (csak néhány leckénél) - [előadás előtti bemelegítő kvíz](https://ff-quizzes.netlify.app/en/ml/) - írásos lecke - projektalapú leckék esetén lépésről lépésre útmutató a projekt elkészítéséhez - tudásellenőrzések - kihívás - kiegészítő olvasmány - feladat - [előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ml/) > **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Pythonban íródtak, de sok elérhető R-ben is. Ha R leckét szeretnél elvégezni, menj a `/solution` mappába, és keresd az R leckéket. Ezek .rmd kiterjesztést tartalmaznak, amely egy **R Markdown** fájlt jelöl, amely egyszerűen definiálható úgy, mint `kódrészletek` (R vagy más nyelvek) és egy `YAML fejléc` (amely irányítja az outputok formázását, mint például PDF) beágyazása egy `Markdown dokumentumba`. Mint ilyen, kiváló szerzői keretet biztosít az adatkutatáshoz, mivel lehetővé teszi, hogy kombináld a kódodat, annak outputját és gondolataidat azáltal, hogy Markdownban leírod őket. Ezenkívül az R Markdown dokumentumok olyan output formátumokra renderelhetők, mint PDF, HTML vagy Word. > **Megjegyzés a kvízekről**: Minden kvíz a [Quiz App mappában](../../quiz-app) található, összesen 52 kvíz, három kérdéssel mindegyikben. Ezek a leckékből vannak linkelve, de a kvíz alkalmazás helyileg futtatható; kövesd az utasításokat a `quiz-app` mappában, hogy helyileg hostold vagy Azure-ra telepítsd. | Lecke száma | Téma | Leckecsoport | Tanulási célok | Kapcsolódó lecke | Szerző | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerd meg a gépi tanulás alapfogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad | | 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerd meg a terület történeti hátterét | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen és Amy | | 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Milyen fontos filozófiai kérdéseket kell figyelembe venniük a diákoknak, amikor gépi tanulási modelleket építenek és alkalmaznak? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat használnak a gépi tanulás kutatói modellek építéséhez? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen | | 05 | Bevezetés a regresszióba | [Regresszió](2-Regression/README.md) | Kezdje el a regressziós modellek építését Python és Scikit-learn segítségével | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | | 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Adatok vizualizálása és tisztítása gépi tanulás előkészítéséhez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | | 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Lineáris és polinomiális regressziós modellek építése | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau | | 08 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Logisztikus regressziós modell építése | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | | 09 | Egy webalkalmazás 🔌 | [Webalkalmazás](3-Web-App/README.md) | Építsen egy webalkalmazást a betanított modell használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | Bevezetés az osztályozásba | [Osztályozás](4-Classification/README.md) | Adatok tisztítása, előkészítése és vizualizálása; bevezetés az osztályozásba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen és Cassie • Eric Wanjau | | 11 | Finom ázsiai és indiai ételek 🍜 | [Osztályozás](4-Classification/README.md) | Bevezetés az osztályozókba | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen és Cassie • Eric Wanjau | | 12 | Finom ázsiai és indiai ételek 🍜 | [Osztályozás](4-Classification/README.md) | További osztályozók | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau | | 13 | Finom ázsiai és indiai ételek 🍜 | [Osztályozás](4-Classification/README.md) | Ajánló webalkalmazás építése a modell segítségével | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Adatok tisztítása, előkészítése és vizualizálása; bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | | 15 | Nigériai zenei ízlések felfedezése 🎧 | [Klaszterezés](5-Clustering/README.md) | A K-Means klaszterezési módszer felfedezése | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | | 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Ismerje meg az NLP alapjait egy egyszerű bot építésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Gyakori NLP feladatok ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Mélyítse el az NLP ismereteit a nyelvi struktúrákkal kapcsolatos gyakori feladatok megértésével | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Fordítás és érzelemelemzés ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Fordítás és érzelemelemzés Jane Austen műveivel | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Romantikus európai hotelek ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés hotelértékelésekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Romantikus európai hotelek ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés hotelértékelésekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Bevezetés az időbeli előrejelzésbe | [Idősorok](7-TimeSeries/README.md) | Bevezetés az időbeli előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Világ energiafogyasztása ⚡️ - időbeli előrejelzés ARIMA-val | [Idősorok](7-TimeSeries/README.md) | Idősorok előrejelzése ARIMA-val | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Világ energiafogyasztása ⚡️ - időbeli előrejelzés SVR-rel | [Idősorok](7-TimeSeries/README.md) | Idősorok előrejelzése Support Vector Regressor segítségével | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Bevezetés a megerősítéses tanulásba | [Megerősítéses tanulás](8-Reinforcement/README.md) | Bevezetés a megerősítéses tanulásba Q-Learning segítségével | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Segíts Péternek elkerülni a farkast! 🐺 | [Megerősítéses tanulás](8-Reinforcement/README.md) | Megerősítéses tanulás Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Utószó | Valós gépi tanulási forgatókönyvek és alkalmazások | [ML a gyakorlatban](9-Real-World/README.md) | Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulás területén | [Lecke](9-Real-World/1-Applications/README.md) | Csapat | | Utószó | Modell hibakeresés gépi tanulásban RAI dashboard használatával | [ML a gyakorlatban](9-Real-World/README.md) | Modell hibakeresés gépi tanulásban a Responsible AI dashboard komponensek segítségével | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [keresse meg a kurzus további forrásait a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Offline hozzáférés A dokumentációt offline is futtathatja a [Docsify](https://docsify.js.org/#/) használatával. Forkolja ezt a repót, [telepítse a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépére, majd a repo gyökérmappájában írja be: `docsify serve`. A weboldal a localhost 3000-es portján lesz elérhető: `localhost:3000`. ## PDF-ek A tananyag PDF-jét linkekkel [itt találja](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 Egyéb kurzusok Csapatunk más kurzusokat is készít! Nézze meg: - [Edge AI kezdőknek](https://aka.ms/edgeai-for-beginners) - [AI ügynökök kezdőknek](https://aka.ms/ai-agents-beginners) - [Generatív AI kezdőknek](https://aka.ms/genai-beginners) - [Generatív AI kezdőknek .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [Generatív AI JavaScript-tel](https://github.com/microsoft/generative-ai-with-javascript) - [Generatív AI Java-val](https://github.com/microsoft/Generative-AI-for-beginners-java) - [AI kezdőknek](https://aka.ms/ai-beginners) - [Adattudomány kezdőknek](https://aka.ms/datascience-beginners) - [ML kezdőknek](https://aka.ms/ml-beginners) - [Kiberbiztonság kezdőknek](https://github.com/microsoft/Security-101) - [Webfejlesztés kezdőknek](https://aka.ms/webdev-beginners) - [IoT kezdőknek](https://aka.ms/iot-beginners) - [XR fejlesztés kezdőknek](https://github.com/microsoft/xr-development-for-beginners) - [GitHub Copilot elsajátítása páros programozáshoz](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [GitHub Copilot elsajátítása C#/.NET fejlesztők számára](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [Válassza ki saját Copilot kalandját](https://github.com/microsoft/CopilotAdventures) --- **Felelősség kizárása**: Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével került lefordításra. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.