ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

GitHub Action segítségével (automatikus és mindig naprakész)

Arab | Bengáli | Bolgár | Burmai (Myanmar) | Kínai (egyszerűsített) | Kínai (hagyományos, Hong Kong) | 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 | Malayalam | Marathi | Nepáli | Nigériai pidgin | Norvég | Perzsa (Fárszi) | Lengyel | Portugál (Brazília) | Portugál (Portugália) | Pandzsábi (Gurmuki) | Román | Orosz | Szerb (cirill) | Szlovák | Szlovén | Spanyol | Szuahéli | Svéd | Tagalog (Filippínó) | Tamil | Telugu | Thai | Török | Ukrán | Urdu | Vietnami

Inkább helyben klónoznád?

Ez a tárház több mint 50 nyelvi fordítást tartalmaz, amelyek jelentősen megnövelik a letöltési méretet. Fordítások nélküli klónozáshoz használja 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'

Így minden megvan, ami a tanfolyam elvégzéséhez szükséges, sokkal gyorsabb letöltéssel.

Csatlakozzon közösségünkhöz

Folyamatban van egy Discord "Tanulj az MI-vel" sorozatunk, további információkért és részvételért látogasson el a Learn with AI Series oldalra 2025. szeptember 18. és 30. között. Tippeket és trükköket kaphat a GitHub Copilot használatához az Adattudományban.

Gépi tanulás kezdőknek - Tananyag

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

A Microsoft felhős képviselői örömmel kínálnak egy 12 hetes, 26 leckéből álló tananyagot, amely a gépi tanulásról szól. Ebben a tananyagban azt tanulod meg, amit néha klasszikus gépi tanulásnak neveznek, elsősorban a Scikit-learn könyvtárat használva, elkerülve a mélytanulást, amelyet a MI kezdőknek tananyagunkban tárgyalunk. Párosítsd ezeket a leckéket a 'Adattudomány kezdőknek' tananyaggal is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ sok területéről származó adatokra alkalmazzuk. Minden lecke tartalmaz elő- és utóleckés kvízeket, írásos útmutatót a lecke elvégzéséhez, megoldást, feladatot, és még többet. Projekt-alapú oktatásunk révén tanulhatsz miközben építesz, ami bevált módszer az új készségek tartós elsajátítására.

✍️ Hálás köszönet 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, lektoroknak és tartalomközreműködőknek, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 További hálánk Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi és Vidushi Gupta számára az R leckéinkért!

Kezdés

Kövesd az alábbi lépéseket:

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

az összes további erőforrást megtalálod a Microsoft Learn gyűjteményünkben

🔧 Segítségre van szükséged? Nézd meg a Hibakeresési útmutatónkat az általános telepítési, beállítási és lecke futtatási problémák megoldásához.

Hallgatók, ahhoz, hogy használjátok ezt a tananyagot, forkold a teljes repót a saját GitHub fiókodra és végezd el a feladatokat egyénileg vagy csoportban:

• Kezdd egy előadás előtti kvízzel.
• Olvasd el az előadást és végezd el a tevékenységeket, minden tudásellenőrzésnél tarts szünetet és gondolkodj el.
• Próbáld meg a projekteket a leckék megértésével létrehozni, ne csak a megoldás-kód futtatásával; azonban ez a kód elérhető a /solution mappákban minden projekt-orientált leckében.
• Tedd le az utóleckés kvízt.
• Teljesítsd a kihívást.
• Végezd el a feladatot.
• Miután egy leckecsoportot befejeztél, látogass el a Vita fórumra és tanulj hangosan azáltal, hogy kitöltöd a megfelelő PAT értékelőt. A 'PAT' egy haladás-értékelő eszköz, amely egy értékelőrendszer, amit kitöltesz, hogy előbbre juss a tanulásban. Más PAT-ekre is reagálhatsz, hogy együtt tanuljunk.

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

Tanárként, találsz néhány javaslatot arra, hogyan használd ezt a tananyagot.

---

Videó bemutatók

A leckék egy része rövid formátumú videóként is elérhető. Mindezeket megtalálod az leckékben inline, vagy a ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán a lenti képre kattintva.

---

Ismerd meg a csapatot

Gif készítője Mohit Jaisal

🎥 Kattints a fenti képre egy videóért a projektről és az alkotóiról!

---

Oktatási elvek

Két pedagógiai elvet választottunk a tananyag elkészítésekor: azt, hogy gyakorlatorientált, projekt-alapú legyen, és hogy tartalmazzon gyakori kvízeket. Ezen felül a tananyagnak van egy közös téma is, hogy kohéziót adjon neki.

Azáltal, hogy a tartalom a projektekhez kapcsolódik, az egész folyamat élvezetesebb a tanulók számára, és a fogalmak megtartása is fokozódik. Ezenkívül egy alacsony tétű kvíz az óra előtt előkészíti a hallgató szándékát a téma megtanulására, míg az óra utáni második kvíz további megtartást biztosít. Ez a tananyag rugalmas és szórakoztató formában készült, egyben vagy részleteiben is végezhető. A projektek kicsiben kezdődnek, és egyre összetettebbé válnak a 12 hetes ciklus végére. A tananyag egy utószót is tartalmaz a gépi tanulás valódi alkalmazásairól, amely extra pontként vagy megbeszélés alapjaként használható.

Tekintsd meg az Etikai kódexünket, a Közreműködés, Fordítási és Hibakeresési irányelveinket. Várjuk építő jellegű visszajelzéseidet!

Minden lecke tartalmaz

• opcionális vázlatjegyzetet
• opcionális kiegészítő videót
• videós bemutatót (csak egyes leckéknél)
• előadás előtti bemelegítő kvízt
• írásos leckét
• projekt-alapú leckékhez lépésenkénti útmutatót a projekt elkészítéséhez
• tudásellenőrzéseket
• kihívást
• kiegészítő olvasmányt
• feladatot
• előadás utáni kvízt

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Pythonban íródtak, de sok elérhető R-ben is. Az R lecke elvégzéséhez menj a /solution mappába, és keress R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy R Markdown fájlt jelentenek, egyszerűen megfogalmazva egy olyan dokumentumot, ami kódrészleteket (R vagy más nyelvek) és egy YAML fejlécet (amely útmutatást ad a kimenetek, például PDF formázására) tartalmaz markdown dokumentumban. Így példamutató szerkesztési keretet nyújt az adattudományhoz, mivel lehetővé teszi, hogy kódodat, annak kimenetét és gondolataidat markdownban írd le. R Markdown dokumentumok PDF, HTML vagy Word kimeneti formátumokba is konvertálhatók. Megjegyzés a kvízekhez: Az összes kvíz megtalálható a Quiz App mappában, összesen 52 darab, mindegyik három kérdéssel. Az órákból van linkelve, de a kvízalkalmazás helyben is futtatható; kövesd a quiz-app mappa utasításait a helyi hosztoláshoz vagy az Azure-ra történő telepítéshez.

Óra száma	Téma	Óra csoportosítása	Tanulási célok	Linked Lesson	Szerző
01	Bevezetés a gépi tanulásba	Bevezetés	Ismerd meg a gépi tanulás alapfogalmait	Óra	Muhammad
02	A gépi tanulás története	Bevezetés	Ismerd meg e terület történetét	Óra	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Mik a fontos filozófiai kérdések a méltányossággal kapcsolatban, amelyeket a tanulóknak figyelembe kell venniük a gépi tanulási modellek építése és alkalmazása során?	Óra	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat használnak a gépi tanulás kutatói a modellek építéséhez?	Óra	Chris és Jen
05	Bevezetés a regresszióba	Regresszió	Ismerkedj meg a Python és Scikit-learn használatával regressziós modellekhez	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Adatok vizualizálása és tisztítása 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	Webalkalmazás 🔌	Web App	Webalkalmazás építése a betanított modell használatához	Python	Jen
10	Bevezetés osztályozásba	Osztályozás	Tisztítsd, készítsd elő és vizualizáld az adatokat; 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	Ajánló webalkalmazás építése a modelled használatával	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Tisztítsd, készítsd elő és vizualizáld az adatokat; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Felfedezés a nigériai zenei ízlésekben 🎧	Klaszterezés	Fedezd fel a K-közép klaszterezési módszert	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Természetes nyelvfeldolgozás	Ismerd meg az NLP alapjait egyszerű bot építésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítsd el NLP tudásod, értsd meg a nyelvi struktúrákkal kapcsolatos gyakori feladatokat	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Természetes nyelvfeldolgozás	Fordítás és érzelemelemzés Jane Austen műveivel	Python	Stephen
19	Romantikus európai szállodák ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés szállodai véleményekkel 1	Python	Stephen
20	Romantikus európai szállodák ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés szállodai véleményekkel 2	Python	Stephen
21	Bevezetés az idősor-előrejelzésbe	Idősor	Bevezetés az idősor előrejelzésébe	Python	Francesca
22	⚡️ Világ energiafelhasználás ⚡️ - idősor előrejelzés ARIMA-val	Idősor	Idősor előrejelzés ARIMA-val	Python	Francesca
23	⚡️ Világ energiafelhasználás ⚡️ - idősor előrejelzés SVR-rel	Idősor	Idősor előrejelzés Támogató Vektorgépes regresszorral (SVR)	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Megerősítéses tanulás	Bevezetés a megerősítéses tanulásba Q-learning használatával	Python	Dmitry
25	Segíts Peternek elkerülni a farkast! 🐺	Megerősítéses tanulás	Megerősítéses tanulás Gym keretrendszerrel	Python	Dmitry
Utóirat	Valós világ gépi tanulási forgatókönyvek és alkalmazások	Gépi tanulás a gyakorlatban	Érdekes és tanulságos valós példák a klasszikus gépi tanulás alkalmazásaira	Óra	Csapat
Utóirat	Modell hibakeresése gépi tanulásban az RAI irányítópult segítségével	Gépi tanulás a gyakorlatban	Modell hibakeresése gépi tanulásban a Responsible AI irányítópult komponenseinek segítségével	Óra	Ruth Yakubu

keresd meg az összes további erőforrást ehhez a tanfolyamhoz a Microsoft Learn gyűjteményünkben

Offline hozzáférés

A dokumentációt offline is futtathatod a Docsify segítségével. Forkold ezt a repót, telepítsd a Docsify-t a helyi gépeden, majd a repo gyökérmappájában írd be a docsify serve parancsot. Az oldal a localhost 3000-es portján lesz elérhető: localhost:3000.

PDF-ek

A tananyag pdf formátumban, linkekkel itt található.

🎒 Egyéb tanfolyamok

Csapatunk más tanfolyamokat is készít! Nézd meg:

LangChain

---

Azure / Edge / MCP / Ügynökök

---

Generatív MI sorozat

---

Alapvető tanulás

---

Copilot sorozat

Segítség kérése

Ha elakad vagy kérdése van az MI-alapú alkalmazások fejlesztésével kapcsolatban, csatlakozzon a tanulótársakhoz és tapasztalt fejlesztőkhöz az MCP vitáiban. Ez egy támogató közösség, ahol a kérdések szívesen látottak és a tudás szabadon megosztott.

Ha termék-visszajelzése vagy hibája van a fejlesztés során, látogasson el ide:

---

Jogi nyilatkozat: Ez a dokumentum az AI fordító szolgáltatás Co-op Translator segítségével készült. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítás hibákat vagy pontatlanságokat tartalmazhat. Az eredeti dokumentum az anyanyelvén tekinthető hiteles forrásnak. Kritikus információk esetén professzionális emberi fordítást javaslunk. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy téves értelmezésekért.