ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

GitHub Action által támogatott (Automatizált és Mindig Naprakész)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Khmer | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Inkább helyben klónoznád?

Ez a tároló több mint 50 nyelvi fordítást tartalmaz, ami jelentősen növeli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használd a sparse checkout-ot:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Így minden szükséges dolgot megkap, hogy be tudd fejezni a tanfolyamot sokkal gyorsabb letöltéssel.

Csatlakozz közösségünkhöz

Folyamatban van egy Discord „tanulj AI-val” sorozatunk, tanulj többet és csatlakozz hozzánk a Tanulj AI-val sorozaton 2025. szeptember 18-tól 30-ig. Tippeket és trükköket fogsz kapni a GitHub Copilot adat tudományi használatához.

Gépi tanulás kezdőknek - Tanterv

🌍 Utazz a világ körül, miközben a gépi tanulást a világ kultúrái segítségével fedezzük fel 🌍

A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely a gépi tanulásról szól. Ebben a tantervben megismerkedsz azzal, amit néha klasszikus gépi tanulásnak hívnak, főként a Scikit-learn könyvtár használatával, elkerülve a mély tanulást, amely az AI kezdőknek tantervünkben található meg. Ezeket a leckéket párosítsd a 'Data Science kezdőknek' tantervünkkel is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos területéről származó adatokra alkalmazzuk. Minden lecke tartalmaz elő- és utóvizsgákat, írásos utasításokat a lecke elvégzéséhez, megoldást, feladatot és egyebeket. Projekt-alapú oktatásunk lehetővé teszi, hogy tanulj miközben építesz, ez egy bevált mód az új készségek elmélyítésére.

✍️ 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

🎨 Köszönjük illusztrátorainknak is: Tomomi Imura, Dasani Madipalli és Jen Looper

🙏 Külön köszönetünk 🙏 a Microsoft Hallgatói Nagykövetei szerzőinknek, lektorainknak és tartalomközreműködőinknek, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 Külön köszönet a Microsoft Hallgatói Nagyköveteknek, Eric Wanjau-nak, Jasleen Sondhi-nak és Vidushi Gupta-nak a R leckéinkért!

Kezdés

Kövesd ezeket a lépéseket:

1. Forkold le a tárolót: Kattints a "Fork" gombra a jobb felső sarokban ezen az oldalon.
2. Klónozd a tárolót: git clone https://github.com/microsoft/ML-For-Beginners.git

Minden további erőforrást megtalálsz ehhez a tanfolyamhoz Microsoft Learn gyűjteményünkben

🔧 Segítségre van szükséged? Nézd meg Hibaelhárítási útmutatónkat az általános telepítési, beállítási és lecke futtatási problémák megoldásáért.

Tanulók, a tanterv használatához forkold le az egész repo-t a saját GitHub fiókodra, és végezd el a gyakorlatokat egyénileg vagy csoportban:

• Kezdd előadási előkészítő kvízzel.
• Olvasd el az előadást és végezd el a feladatokat, megállva és átgondolva minden tudásellenőrzésnél.
• Próbáld meg a projekteket úgy elkészíteni, hogy érted a leckéket, és ne csak lefuttasd a megoldó kódot; a megoldások kódban is elérhetők a projekt alapú leckék /solution mappáiban.
• Tedd meg az utólagos előadási kvízt.
• Teljesítsd a kihívást.
• Teljesítsd a feladatot.
• Egy leckecsoport befejezése után látogasd meg a Vita fórumot, és "tanulj hangosan" a megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy Haladási Értékelő Eszköz, amit kitöltesz a tanulás javítása érdekében. Mások PAT értékeléseire is reagálhatsz, hogy együtt tanulhassunk.

További tanuláshoz ajánljuk ezeket a Microsoft Learn modulokat és tanulási utakat.

Tanárként javaslatokat találsz a tanterv használatához.

---

Videós bemutatók

Néhány lecke elérhető rövid videó formátumban. Ezeket megtalálhatod a leckék között, vagy a ML kezdőknek lejátszási listán a Microsoft Developer YouTube csatornáján, ha a képre kattintasz.

---

Ismerd meg a csapatot

Gif készítője: Mohit Jaisal

🎥 Kattints a fenti képre egy videó megtekintéséhez a projektről és az alkotókról!

---

Pedagógia

Két pedagógiai alapelvet választottunk ehhez a tantervhez: hogy gyakorlatias, projekt-alapú legyen, és hogy gyakori kvízeket tartalmazzon. Ezen kívül a tantervnek van egy közös vonalvezető témája az összefüggőség érdekében.

Azáltal, hogy a tartalom projektekkel összhangban van, a folyamat érdekesebb lesz a tanulók számára és a fogalmak megőrzése javul. Emellett az órák előtti kis kockázatú kvíz irányt ad a tanuló szándékának a téma elsajátítására, míg az óra utáni második kvíz további rögzítést biztosít. Ez a tanterv rugalmas és szórakoztató, egészben vagy részben is végezhető. A projektek kicsiben indulnak, és egyre összetettebbek lesznek a 12 hetes ciklus végére. A tanterv tartalmaz egy utószót is a valós világban alkalmazott ML-ről, amit plusz pontként vagy vitatémaként lehet felhasználni.

Találd meg Magatartási kódexünket, Közreműködési irányelveinket, a Fordításokat, és a Hibaelhárítást. Szívesen fogadjuk építő visszajelzésed!

Minden lecke tartalmaz

• opcionális vázlatjegyzet
• opcionális kiegészítő videó
• videós bemutató (néhány lecke csak)
• elő-előadás bemelegítő kvíz
• írásos lecke
• projekt-alapú leckéknél lépésről-lépésre útmutató a projekt elkészítéséhez
• tudásfelmérő
• kihívás
• kiegészítő olvasmány
• feladat
• utó-előadás kvíz

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R-ben is. Egy R leckét a befejezéshez menj a /solution mappába, és keresd az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy R Markdown fájlt jelentenek, amely egyszerűen definiálható úgy, hogy kódblokkokat (R vagy más nyelvek kódjai) és egy YAML fejlécet (amely útmutatást ad a kimenetek, például PDF formázásához) ágyaz be egy Markdown dokumentumba. Így példamutató keretrendszert nyújt az adattudományhoz, mivel lehetővé teszi, hogy összekapcsold a kódodat, annak kimenetét és gondolataidat, mindezt Markdown formátumban írva le. Továbbá, az R Markdown dokumentumok PDF, HTML vagy Word kimeneti formátumokká alakíthatók.

Megjegyzés a tesztekről: Az összes teszt a Quiz App mappában található, összesen 52 darab, három kérdésből álló teszt. Ezek linkelve vannak a leckékben, de a teszt alkalmazás helyileg is futtatható; a quiz-app mappában található utasításokat követve helyben hosztolhatod vagy telepítheted Azure-ra.

Lecke száma	Téma	Lecke Csoportosítás	Tanulási célok	Kapcsolódó lecke	Szerző
01	Bevezetés a gépi tanulásba	Bevezetés	Ismerd meg a gépi tanulás alapfogalmait	Lecke	Muhammad
02	A gépi tanulás története	Bevezetés	Tanuld meg a terület mögötti történelmet	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Melyek a fontos filozófiai kérdések a méltányosság terén, amiket a tanulóknak meg kell fontolniuk ML modellek létrehozásakor és alkalmazásakor?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat alkalmaznak az ML kutatók ML modellek építéséhez?	Lecke	Chris és Jen
05	Bevezetés a regresszióba	Regresszió	Kezdj el dolgozni Pythonnal és a Scikit-learn könyvtárral regressziós modellekhez	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Adatok vizualizálása és tisztítása gépi tanulásra való felkészüléshez	Python • R	Jen • Eric Wanjau
07	Észak-amerikai tökárak 🎃	Regresszió	Lineáris és polinomiális regressziós modellek építése	Python • R	Jen és Dmitry • Eric Wanjau
08	Észak-amerikai tökárak 🎃	Regresszió	Logisztikus regressziós modell építése	Python • R	Jen • Eric Wanjau
09	Webalkalmazás 🔌	Web App	Webalkalmazás építése a betanított modell használatához	Python	Jen
10	Bevezetés a klasszifikációba	Klasszifikáció	Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés a klasszifikációba	Python • R	Jen és Cassie • Eric Wanjau
11	Finom ázsiai és indiai konyhák 🍜	Klasszifikáció	Bevezetés a klasszifikátorokhoz	Python • R	Jen és Cassie • Eric Wanjau
12	Finom ázsiai és indiai konyhák 🍜	Klasszifikáció	További klasszifikátorok	Python • R	Jen és Cassie • Eric Wanjau
13	Finom ázsiai és indiai konyhák 🍜	Klasszifikáció	Ajánló webalkalmazás építése a modelled használatával	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Felfedező elemzés a nigériai zenei ízlésekről 🎧	Klaszterezés	Fedezd fel a K-means klaszterezési módszert	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetesnyelv-feldolgozásba ☕️	Természetesnyelv-feldolgozás	Tanuld meg az NLP alapjait egy egyszerű bot elkészítésével	Python	Stephen
17	Gyakoribb NLP feladatok ☕️	Természetesnyelv-feldolgozás	Mélyítsd el NLP ismereteidet a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatok megértésével	Python	Stephen
18	Fordítás és hangulatelemzés ♥️	Természetesnyelv-feldolgozás	Fordítás és hangulatelemzés Jane Austen példáján keresztül	Python	Stephen
19	Romantikus hotelek Európában ♥️	Természetesnyelv-feldolgozás	Hangulatelemzés hotelértékelésekkel 1	Python	Stephen
20	Romantikus hotelek Európában ♥️	Természetesnyelv-feldolgozás	Hangulatelemzés hotelértékelésekkel 2	Python	Stephen
21	Bevezetés az idősor előrejelzésbe	Idősor	Bevezetés az idősor előrejelzésbe	Python	Francesca
22	⚡️ Világenergia-felhasználás ⚡️ - idősor előrejelzés ARIMA-val	Idősor	Idősor előrejelzés ARIMA segítségével	Python	Francesca
23	⚡️ Világenergia-felhasználás ⚡️ - idősor előrejelzés SVR-rel	Idősor	Idősor előrejelzés Támogatott Vektor Regresszorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Megerősítéses tanulás	Bevezetés a megerősítéses tanulásba Q-tanulás segítségével	Python	Dmitry
25	Segíts Péternek elkerülni a farkast! 🐺	Megerősítéses tanulás	Megerősítéses tanulás Gym környezetben	Python	Dmitry
Utószó	Valós világ gépi tanulás esetei és alkalmazásai	ML a valóságban	Érdekes és feltáró valós világ klasszikus gépi tanulás alkalmazások	Lecke	Csapat
Utószó	Modellhibázás gépi tanulásban RAI dashboarddal	ML a valóságban	Modellhibázás gépi tanulásban a Responsible AI dashboard komponenseivel	Lecke	Ruth Yakubu

találd meg az összes további forrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben

Offline hozzáférés

Ezt a dokumentációt offline is futtathatod a Docsify segítségével. Forkold ezt a repót, telepítsd a Docsify-t a helyi gépeden, majd a repó gyökér mappájában írd be, hogy docsify serve. A weboldalt a localhost 3000-es portján szolgálja ki: localhost:3000.

PDF-ek

A tananyag pdf változatát linkekkel itt találod.

🎒 Egyéb kurzusok

Csapatunk más kurzusokat is készít! Nézd meg:

LangChain

Azure / Edge / MCP / Ügynökök

---

Generatív MI sorozat

---

Alapvető tanulás

---

Copilot sorozat

Segítség kérése

Ha elakadnál vagy kérdésed lenne AI alkalmazások építésével kapcsolatban, csatlakozz a tanulótársakhoz és tapasztalt fejlesztőkhöz a MCP-vel kapcsolatos beszélgetésekben. Ez egy támogató közösség, ahol a kérdések szívesen fogadottak, és a tudás szabadon megosztott.

Ha termék-visszajelzésed vagy hibák jelentkeznek az építés során, látogass el ide:

További tanulási tippek

• Nézd át a jegyzetfüzeteket minden lecke után a jobb megértés érdekében.
• Gyakorold a algoritmusok önálló megvalósítását.
• Fedezz fel valós adatokat a tanult fogalmak alkalmazásával.

---

Nyilatkozat:
Ezt a dokumentumot az AI fordító szolgáltatásával, a Co-op Translator segítségével fordítottuk. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítás hibákat vagy pontatlanságokat tartalmazhat. Az eredeti dokumentum anyanyelvű változata tekintendő hiteles forrásnak. Kritikus információk esetén professzionális emberi fordítást javaslunk. Nem vállalunk felelősséget az ezen fordítás használatából eredő félreértésekért vagy hibás értelmezésekért.