ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

GitHub Action segítségével támogatott (Automatikus & Mindig naprakész)

Arab | Bengáli | Bolgár | Burmai (Myanmar) | Kínai (Egyszerűsített) | Kínai (Hagyományos, Hongkong) | Kínai (Hagyományos, Makaó) | Kínai (Hagyományos, Tajvan) | Horvát | Cseh | Dán | Holland | Észt | Finn | Francia | Német | Görög | Héber | Hindi | Magyar | Indonéz | Olasz | Japán | Kannada | Koreai | Litván | Maláj | Malajálam | Maráthi | Nepáli | Nigériai pidzsín | Norvég | Perzsa (Fárszi) | Lengyel | Portugál (Brazília) | Portugál (Portugália) | Pandzsábi (Gurmukhi) | Román | Orosz | Szerb (Cirill) | Szlovák | Szlovén | Spanyol | Szuahéli | Svéd | Tagalog (Filippínó) | Tamil | Telugu | Thai | Török | Ukrán | Urdu | Vietnami

Inkább helyileg klónoznád?

Ez a tároló több mint 50 nyelvű fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Fordítások nélküli klónozáshoz használd a sparse checkout-ot:

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'

Ez mindent megad, amire szükséged van a tanfolyam elvégzéséhez sokkal gyorsabb letöltéssel.

Csatlakozz a közösségünkhöz

Jelenleg Fut egy Discord "Learn with AI" sorozatunk, tudj meg többet és csatlakozz hozzánk a Learn with AI Series eseményen 2025. szeptember 18-30 között. Tippeket és trükköket kapsz a GitHub Copilot használatához az adatelemzésben.

Gépi tanulás kezdőknek - Egy tananyag

🌍 Utazzunk 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 tananyagot, amely teljes egészében a gépi tanulásról szól. Ebben a tananyagban a néha csak klasszikus gépi tanulásnak nevezett témákat tanulhatod meg, főként a Scikit-learn könyvtárat használva, elkerülve a mélytanulást, amelyet a mi AI for Beginners tananyagunk részletesen lefed. Ezeket a leckéket párosíthatod a 'Data Science for Beginners' tananyaggal is!

Utazz velünk a világ különféle részeire, miközben ezen klasszikus technikákat különböző területekről származó adatokra alkalmazzuk. Minden lecke tartalmaz elő- és utóvizsgát, írott instrukciókat a lecke elvégzéséhez, megoldást, feladatot és még sok mást. Projekt alapú oktatásunk lehetővé teszi, hogy építés közben tanulj, ami bizonyított módszer az új készségek megragadására.

✍️ 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 🙏 Microsoft Hallgatói Nagykövet szerzőinknek, lektorainknak és tartalomközreműködőinknek, köztük Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 Külön hála Microsoft Hallgatói Nagyköveteknek Eric Wanjau, Jasleen Sondhi és Vidushi Gupta a R leckéinkhez!

Kezdés

Kövesd ezeket a lépéseket:

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

minden további forrást megtalálsz a Microsoft Learn gyűjteményünkben

🔧 Szükséged van segítségre? Nézd meg a Hibaelhárítási útmutatónkat, amely megoldásokat kínál gyakori telepítési, beállítási és lecke futtatási problémákra.

Diákok, a tananyag használatához forkold az egész tárolót a saját GitHub fiókodra, és végezd el a gyakorlatokat egyénileg vagy csoportban:

• Kezdd egy előadás előtti kvízzel.
• Olvasd el az előadást és végezd el a feladatokat, időnként megállva és átgondolva az adott tudásellenőrzést.
• Próbáld meg elkészíteni a projekteket úgy, hogy megérted a leckéket, nem csak lefuttatod a megoldó kódot; a kód azonban elérhető a /solution mappákban az egyes projektközpontú leckéknél.
• Tedd meg az előadás utáni kvízt.
• Teljesítsd a kihívást.
• Teljesítsd a házi feladatot.
• Miután egy leckecsoportot befejeztél, látogasd meg a Vita Fórumot, és "tanulj hangosan" a megfelelő PAT-értékelőlap kitöltésével. A 'PAT' egy előrehaladási értékelő eszköz, amely egy értékelőlap, amit kitöltesz a tanulásod elősegítésére. Más PAT-ekre is reagálhatsz, hogy együtt tanulhassunk.

További tanulmányokhoz ajánljuk ezeknek a Microsoft Learn moduloknak és tanulási utaknak a követését.

Tanáriaként, néhány használati javaslatot mellékeltünk ehhez a tananyaghoz.

---

Videó bemutatók

Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálod beágyazva a leckékben, vagy a ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán az alábbi képre kattintva.

---

Ismerkedj meg a csapattal

Gif készítője: Mohit Jaisal

🎥 Kattints a fenti képre, hogy megnézz egy videót a projektről és az alkotóiról!

---

Pedagógia

Két alapvető pedagógiai elvet választottunk a tananyag fejlesztése során: hogy kézzel fogható, projektalapú legyen, és hogy gyakori kvízeket tartalmazzon. Ezen felül a tananyagnak van egy közös téma is az összetartozás érdekében.

Azáltal, hogy a tartalom projektekhez kapcsolódik, a tanulási folyamat élvezetesebbé válik a tanulók számára, és a fogalmak megjegyzése javul. Emellett egy alacsony téttel bíró kvíz az óra előtt beállítja a tanuló szándékát a tématanulásra, míg egy második kvíz az óra után segíti az anyag további megjegyzését. Ez a tananyag rugalmas és szórakoztató, és egészben vagy részenként is elvégezhető. A projektek kicsiként indulnak, és a 12 hetes ciklus végére egyre összetettebbé válnak. A tananyag tartalmaz egy utószót is a gépi tanulás valós alkalmazásairól, amit extra kreditezésre vagy vitaalapnak lehet használni.

Találd meg irányelveinket: Viselkedési szabályzat, Hozzájárulás, Fordítás, és Hibaelhárítás. Várjuk építő jellegű visszajelzésedet!

Minden lecke tartalmazza

• opcionális vázlatjegyzetet
• opcionális kiegészítő videót
• videós bemutatót (csak néhány leckénél)
• előadás előtti bemelegítő kvízt
• írott leckét
• projektalapú leckéknél lépésenkénti útmutatót a projekt elkészítéséhez
• tudásellenőrzéseket
• egy kihívást
• kiegészítő olvasmányokat
• feladatot
• előadás utáni kvízt

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R-ben is. Az R leckék elvégzéséhez keresd meg a /solution mappában az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy R Markdown dokumentumot jelentenek, ami tulajdonképpen beágyazott kódrészeket (R vagy más nyelvekben) és egy YAML fejlécek (ami irányítja például a PDF kimenetek formázását) tartalmazó Markdown dokumentum. Ez egy példás keretrendszert szolgáltat az adatelemzéshez, mert össze tudod vele kapcsolni a kódodat, annak kimenetét és gondolataid, miközben Markdown-ban jegyzetelsz. Továbbá, az R Markdown dokumentumok kimenet formátumokként is előállíthatók, például PDF, HTML vagy Word formátumban. Megjegyzés a kvízekről: Minden kvíz megtalálható a Quiz App mappában, összesen 52 kvíz, mindegyik három kérdéssel. Ezek a leckékből linkelve vannak, de a kvíz alkalmazás helyileg is futtatható; kövesd az utasításokat a quiz-app mappában a helyi hosztoláshoz vagy Azure-ra való telepítéshez.

Lecke száma	Téma	Lecke csoportosítása	Tanulási célok	Kapcsolódó lecke	Szerző
01	Bevezetés a gépi tanulásba	Bevezető	Ismerd meg a gépi tanulás alapfogalmait	Lecke	Muhammad
02	A gépi tanulás története	Bevezető	Ismerd meg ezen terület történetét	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezető	Melyek azok a fontos filozófiai kérdések a méltányosság körül, amelyeket a hallgatóknak mérlegelni kell ML modellek építésekor és alkalmazásakor?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezető	Milyen technikákat használnak a gépi tanulás kutatói modellek építéséhez?	Lecke	Chris és Jen
05	Bevezető a regresszióba	Regresszió	Kezdj el dolgozni Pythonban és Scikit-learn-nel regressziós modellekhez	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Ábrázold és tisztítsd az adatokat a gépi tanulás előkészítéséhez	Python • R	Jen • Eric Wanjau
07	Észak-amerikai tökárak 🎃	Regresszió	Készíts lineáris és polinomiális regressziós modelleket	Python • R	Jen és Dmitry • Eric Wanjau
08	Észak-amerikai tökárak 🎃	Regresszió	Építs logisztikus regressziós modellt	Python • R	Jen • Eric Wanjau
09	Egy Web alkalmazás 🔌	Web App	Építs egy webalkalmazást a betanított modelled használatához	Python	Jen
10	Bevezetés az osztályozásba	Osztályozás	Tisztítsd, előkészítsd és ábrázold az adataidat; 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	Több osztályozó	Python • R	Jen és Cassie • Eric Wanjau
13	Finom ázsiai és indiai konyhák 🍜	Osztályozás	Készíts egy ajánló webalkalmazást a modelled segítségével	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Tisztítsd, előkészítsd és ábrázold az adataidat; Bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Fedezzük fel a nigériai zenei ízlést 🎧	Klaszterezés	Ismerd meg a K-közép klaszterezési módszert	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Természetes nyelvfeldolgozás	Tanulj az NLP alapjairól egy egyszerű bot elkészítésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítsd NLP ismereteidet a nyelvi struktúrákkal kapcsolatos gyakori feladatok megértésével	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Természetes nyelvfeldolgozás	Fordítás és érzelemelemzés Jane Austen műveivel	Python	Stephen
19	Európa romantikus szállodái ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés szállodai értékelések alapján 1	Python	Stephen
20	Európa romantikus szállodái ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés szállodai értékelések alapján 2	Python	Stephen
21	Bevezetés az idősoros előrejelzésbe	Idősorok	Bevezetés az idősoros előrejelzésbe	Python	Francesca
22	⚡️ Világ energiája ⚡️ - idősoros előrejelzés ARIMA-val	Idősorok	Idősoros előrejelzés ARIMA modellel	Python	Francesca
23	⚡️ Világ energiája ⚡️ - idősoros előrejelzés SVR-rel	Idősorok	Idősoros előrejelzés Support Vector 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	Valódi ML forgatókönyvek és alkalmazások	ML a gyakorlatban	Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulás területén	Lecke	Csapat
Utószó	Modellhibakeresés gépi tanulásban az RAI irányítópulton keresztül	ML a gyakorlatban	Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponenseivel	Lecke	Ruth Yakubu

keress minden további forrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben

Offline hozzáférés

Ezt a dokumentációt offline is futtathatod a Docsify segítségével. Forkold a repót, telepítsd a Docsify-t a helyi gépeden, majd a repó gyökérmappájában írd be: docsify serve. Az oldal a 3000-es porton fog futni a localhostodon: localhost:3000.

PDF-ek

A tananyag PDF változatát linkekkel együtt megtalálod itt.

🎒 Egyéb kurzusok

Csapatunk más kurzusokat is készít! Nézd meg:

LangChain

---

Azure / Edge / MCP / Ügynökök

---

Generatív AI sorozat

---

Alapvető tanulás

---

Copilot sorozat

Segítségkérés

Ha elakad vagy bármilyen kérdése van az AI alkalmazások készítésével kapcsolatban, csatlakozzon a többi tanulóhoz és tapasztalt fejlesztőhöz az MCP témájában zajló beszélgetésekhez. Ez egy támogató közösség, ahol a kérdések szívesen látottak, és a tudás szabadon megosztott.

Ha termék-visszajelzése vagy hibák jelentkeznek fejlesztés közben, látogassa meg:

---

Jogi nyilatkozat: Ezt a dokumentumot az AI fordító szolgáltatás Co-op Translator segítségével fordítottuk le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekinthető hiteles forrásnak. Kritikus információk esetén szakmai emberi fordítást javaslunk. Nem vállalunk felelősséget az ezen fordítás használatából eredő félreértésekért vagy félreértelmezésekért.