ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

Támogatott GitHub Action segítségével (Automatikus és mindig naprakész)

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

Csatlakozz a közösséghez

Gépi tanulás kezdőknek - Tananyag

🌍 Utazz körbe a világban, miközben a gépi tanulást különböző kultúrákon keresztül fedezzük fel 🌍

A Microsoft Cloud Advocates csapata örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot, amely teljes egészében a gépi tanulásról szól. Ebben a tananyagban megismerheted a gyakran klasszikus gépi tanulásként emlegetett módszereket, elsősorban a Scikit-learn könyvtárat használva, elkerülve a mély tanulást, amelyet a Mesterséges Intelligencia kezdőknek tananyagunkban tárgyalunk. Párosítsd ezeket a leckéket a 'Adattudomány kezdőknek' tananyagunkkal is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat különböző régiók adataira alkalmazzuk. Minden lecke tartalmaz előzetes és utólagos kvízeket, írásos útmutatót a lecke elvégzéséhez, megoldást, feladatot és még sok mást. Projektalapú pedagógiai megközelítésünk 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 Tomomi Imura, Dasani Madipalli és Jen Looper

🙏 Külön köszönet 🙏 a Microsoft Student Ambassador szerzőknek, lektoroknak 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 a tananyaghoz kapcsolódó további forrásokat a Microsoft Learn gyűjteményünkben

Diákok, hogy használni tudjátok ezt a tananyagot, forkold az egész repót a saját GitHub fiókodba, és végezd el a gyakorlatokat egyedül vagy csoportban:

• Kezdd az előadás előtti 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 megoldás kódját futtatnád; azonban a kód elérhető a /solution mappákban minden projektalapú leckénél.
• Végezze el az előadás utáni kvízt.
• Teljesítsd a kihívást.
• Teljesítsd a feladatot.
• Miután befejeztél egy leckecsoportot, látogass el a Vita fórumra, 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. Mások PAT-jaira is reagálhatsz, hogy együtt tanulhassunk.

További tanulmányokhoz ajánljuk, hogy kövesd ezeket a Microsoft Learn modulokat és tanulási útvonalakat.

Tanárok, néhány javaslatot is mellékeltünk arra vonatkozóan, hogyan használhatjátok ezt a tananyagot.

---

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, ha az alábbi képre kattintasz.

---

Ismerd meg a csapatot

Gif készítette Mohit Jaisal

🎥 Kattints a fenti képre, hogy megnézd a projektet és az alkotókat bemutató videót!

---

Pedagógia

Két pedagógiai elvet választottunk a tananyag összeállításakor: biztosítani, hogy projektalapú és gyakori kvízeket tartalmazzon. Emellett a tananyagnak van egy közös témája, amely összefogja az anyagot.

Azáltal, hogy a tartalom projektekhez igazodik, a folyamat érdekesebbé válik a diákok számára, és a fogalmak jobban rögzülnek. Emellett egy alacsony tétű kvíz az óra előtt a diák figyelmét a téma tanulására irányítja, míg egy második kvíz az óra után tovább erősíti a tanultakat. Ez a tananyag rugalmas és szórakoztató, és egészében vagy részleteiben is elvégezhető. A projektek kicsiben kezdődnek, és a 12 hetes ciklus végére egyre összetettebbé válnak. A tananyag tartalmaz egy utószót is a gépi tanulás valós alkalmazásairól, amelyet extra kreditként vagy vitaalapként lehet használni.

Találd meg a Magatartási kódexünket, Hozzájárulási és Fordítási irányelveinket. Örömmel fogadjuk az építő jellegű visszajelzéseidet!

Minden lecke tartalmaz

• opcionális sketchnote
• opcionális kiegészítő videó
• videós bemutató (csak néhány leckénél)
• előadás előtti bemelegítő kvíz
• írásos lecke
• projektalapú leckéknél lépésről lépésre útmutató a projekt elkészítéséhez
• tudásellenőrzések
• kihívás
• kiegészítő olvasmány
• feladat
• előadás utáni kvíz

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R nyelven is. Az R leckék elvégzéséhez menj a /solution mappába, és keresd az R leckéket. Ezek .rmd kiterjesztést tartalmaznak, amely az R Markdown fájlokat jelöli, amelyek egyszerűen definiálhatók úgy, mint kódrészletek (R vagy más nyelvek) és egy YAML fejléc (amely útmutatást ad a kimenetek formázásához, például PDF) beágyazása egy Markdown dokumentumba. Ezáltal kiváló szerzői keretet biztosít az adattudomány számára, mivel lehetővé teszi, hogy kombináld a kódodat, annak kimenetét és gondolataidat, azáltal hogy Markdownban leírod őket. R Markdown dokumentumok PDF, HTML vagy Word formátumú kimenetekre is renderelhetők.

Megjegyzés a kvízekről: Minden kvíz a Quiz App mappában található, összesen 52 darab három kérdéses kvíz. Ezek a leckékből érhetők el, de a kvíz alkalmazás helyileg is futtatható; kövesd az utasításokat a quiz-app mappában, hogy helyileg futtasd vagy Azure-ra telepítsd.

Lecke száma	Téma	Leckecsoport	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	Ismerd meg a terület történeti hátterét	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Melyek azok a fontos filozófiai kérdések a méltányossággal kapcsolatban, amelyeket a diákoknak figyelembe kell venniük ML modellek építésekor és alkalmazásakor?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat használnak a gépi tanulás kutatói a modellek építéséhez?	Lecke	Chris és Jen
05	Bevezetés a regresszióba	Regresszió	Ismerkedj meg a Python és a Scikit-learn használatával regressziós modellekhez	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Adatok vizualizálása és tisztítása a gépi tanulás előkészítéséhez	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	Egy webalkalmazás 🔌	Webalkalmazás	Építs egy webalkalmazást a betanított modelled használatához	Python	Jen
10	Bevezetés az osztályozásba	Osztályozás	Adatok tisztítása, előkészítése és vizualizálása; bevezetés az osztályozásba	Python • R	Jen és Cassie • Eric Wanjau
11	Finom ázsiai és indiai konyhák 🍜	Osztályozás	Bevezetés az osztályozókba	Python • R	Jen és Cassie • Eric Wanjau
12	Finom ázsiai és indiai konyhák 🍜	Osztályozás	További osztályozók	Python • R	Jen és Cassie • Eric Wanjau
13	Finom ázsiai és indiai konyhák 🍜	Osztályozás	Ajánlórendszeres webalkalmazás építése a modelled alapján	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Adatok tisztítása, előkészítése és vizualizálása; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Nigériai zenei ízlések felfedezése 🎧	Klaszterezés	A K-Means klaszterezési módszer felfedezése	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Természetes nyelvfeldolgozás	Ismerd meg az NLP alapjait egy egyszerű bot építésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítsd el az NLP tudásodat a nyelvi struktúrákkal kapcsolatos gyakori feladatok megértésével	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Természetes nyelvfeldolgozás	Fordítás és érzelemelemzés Jane Austen műveivel	Python	Stephen
19	Romantikus európai hotelek ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés szállodai értékelésekkel 1	Python	Stephen
20	Romantikus európai hotelek ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés szállodai értékelésekkel 2	Python	Stephen
21	Bevezetés az idősoros előrejelzésbe	Idősorok	Bevezetés az idősoros előrejelzésbe	Python	Francesca
22	⚡️ A világ energiafogyasztása ⚡️ - ARIMA idősoros előrejelzés	Idősorok	Idősoros előrejelzés ARIMA-val	Python	Francesca
23	⚡️ A világ energiafogyasztása ⚡️ - SVR idősoros előrejelzés	Idősorok	Idősoros előrejelzés Support Vector Regressorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Megerősítéses tanulás	Bevezetés a megerősítéses tanulásba Q-Learning segítségével	Python	Dmitry
25	Segíts Péternek elkerülni a farkast! 🐺	Megerősítéses tanulás	Megerősítéses tanulás Gym	Python	Dmitry
Utószó	Valós gépi tanulási forgatókönyvek és alkalmazások	ML a vadonban	Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulásban	Lecke	Csapat
Utószó	Modellhibakeresés a gépi tanulásban RAI dashboarddal	ML a vadonban	Modellhibakeresés a gépi tanulásban a Responsible AI dashboard komponensek használatával	Lecke	Ruth Yakubu

keresd meg a kurzus további forrásait a Microsoft Learn gyűjteményünkben

Offline hozzáférés

Ezt a dokumentációt offline is futtathatod a Docsify használatával. Forkold ezt a repót, telepítsd a Docsify-t a helyi gépedre, majd a repó gyökérmappájában írd be: docsify serve. A weboldal a localhost 3000-es portján lesz elérhető: localhost:3000.

PDF-ek

A tananyag PDF változatát linkekkel itt találod.

🎒 Egyéb kurzusok

Csapatunk más kurzusokat is készít! Nézd meg:

• Generatív AI kezdőknek
• Generatív AI kezdőknek .NET
• Generatív AI JavaScripttel
• Generatív AI Java-val
• AI kezdőknek
• Adattudomány kezdőknek
• Gépi tanulás kezdőknek
• Kiberbiztonság kezdőknek
• Webfejlesztés kezdőknek
• IoT kezdőknek
• XR fejlesztés kezdőknek
• GitHub Copilot elsajátítása páros programozáshoz
• GitHub Copilot elsajátítása C#/.NET fejlesztőknek
• Válaszd ki a saját Copilot kalandodat

---

Felelősségkizárás:
Ez a dokumentum az Co-op Translator AI fordítási szolgáltatás segítségével készült. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt a professzionális, emberi fordítás igénybevétele. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.