ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

GitHub Action segítségével támogatott (Automatizált és Mindig Naprakész)

Arab | Bengáli | Bolgár | Burmai (Mianmar) | 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 | Malayalam | Marathi | Nepáli | Nigériai pidgin | 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

Csatlakozz közösségünkhöz

Folyamatban van egy Discord „Tanulj az AI-val” sorozatunk, további információkért és csatlakozáshoz látogass el a Learn with AI Series oldalra 2025. szeptember 18. és 30. között. Tippeket és trükköket kapsz a GitHub Copilot adat tudományi használatához.

Gépi tanulás kezdőknek – Tananyag

🌍 Utazzunk a világ körül, miközben a gépi tanulást a világ kultúráin keresztül fedezzük fel 🌍

A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot, amely a gépi tanulásról szól. Ebben a tananyagban megismerkedsz azzal, amit néha klasszikus gépi tanulásnak neveznek, elsősorban a Scikit-learn könyvtár használatával, elkerülve a mélytanulást, amelyet a AI for Beginners tananyagunk fed le. Párosítsd ezeket a leckéket a 'Data Science for Beginners' tananyagunkkal is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ sok területéről származó adatokra alkalmazzuk. Minden lecke tartalmaz elő- és utóteszteket, írásos utasításokat a lecke elvégzéséhez, megoldást, feladatot és még sok mást. Projektalapú oktatásunk lehetővé teszi, hogy tanulj miközben építesz, ami bizonyítottan segíti az új készségek rögzülését.

✍️ 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, különösen 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-nak az R leckékért!

Kezdés

Kövesd ezeket a lépéseket:

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

minden további erőforrást megtalálsz ehhez a kurzushoz a Microsoft Learn gyűjteményünkben

🔧 Segítségre van szükséged? Nézd meg a Hibaelhárítási útmutatónkat a telepítéssel, beállítással és a leckék futtatásával kapcsolatos gyakori problémák megoldásához.

Hallgatók, a tananyag használatához forkold a teljes repót a saját GitHub fiókodba, és végezd el a gyakorlatokat egyedül vagy csoportban:

• Kezdd egy előadás előtti kvízzel.
• Olvasd el az előadást és végezd el a tevékenységeket, minden tudásellenőrzésnél állj meg és gondolkodj el.
• Próbáld meg a projekteket a leckék megértésével elkészíteni, ne csak a megoldó kód futtatásával; a kód azonban elérhető a /solution mappákban minden projektorientált leckénél.
• Tedd meg az előadás utáni kvízt.
• Teljesítsd a kihívást.
• Teljesítsd a feladatot.
• Egy leckecsoport befejezése után látogass el a Vita fórumra, és „tanulj hangosan” azzal, hogy kitöltöd a megfelelő PAT értékelőt. A 'PAT' egy Előrehaladási Értékelő Eszköz, amely egy értékelőlap, amit kitöltesz a tanulásod előmozdításához. Más PAT-ekre is reagálhatsz, hogy együtt tanulhassunk.

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

Tanárok, néhány javaslatot is mellékeltünk a tananyag használatához.

---

Videós bemutatók

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

---

Ismerd meg a csapatot

Gif készítője Mohit Jaisal

🎥 Kattints a fenti képre a projektről és az alkotókról szóló videóért!

---

Pedagógia

Két pedagógiai alapelvet választottunk a tananyag építése során: hogy kézzelfogható, projektalapú legyen, és hogy tartalmazzon gyakori kvízeket. Ezen felül a tananyagnak van egy közös tematikája, amely összefogja azt.

Azáltal, hogy a tartalom projektekhez igazodik, a tanulási folyamat élvezetesebb lesz a diákok számára, és a fogalmak megtartása is javul. Emellett egy alacsony tétű kvíz az óra előtt beállítja a tanuló szándékát a téma elsajátítására, míg egy második kvíz az óra után további megtartást biztosít. Ez a tananyag rugalmas és szórakoztató, egészben vagy részben is elvégezhető. A projektek kicsiben kezdődnek, és a 12 hetes ciklus végére egyre összetettebbé válnak. A tananyag tartalmaz egy utószót a gépi tanulás valós alkalmazásairól, amely extra pontként vagy vitaalapként használható.

Találd meg a Magatartási Kódexünket, Hozzájárulási útmutatónkat, Fordítási útmutatónkat és Hibaelhárítási útmutatónkat. Várjuk építő jellegű visszajelzéseidet!

Minden lecke tartalmaz

• opcionális vázlatjegyzetet
• opcionális kiegészítő videót
• videós bemutatót (csak néhány leckénél)
• előadás előtti bemelegítő kvízt
• írásos leckét
• projektalapú leckéknél lépésről lépésre útmutatót a projekt elkészítéséhez
• tudásellenőrzéseket
• kihívást
• kiegészítő olvasmányt
• feladatot
• előadás utáni kvízt

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R-ben is. Egy R lecke elvégzéséhez keresd meg a /solution mappában az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy R Markdown fájlt jelentenek, amely egyszerűen definiálható úgy, hogy kódblokkokat (R vagy más nyelvek) és egy YAML fejlécet (amely irányítja a kimenetek, például PDF formátumát) ágyaz be egy Markdown dokumentumba. Így példamutató szerzői keretrendszerként szolgál az adat tudomány számára, mivel lehetővé teszi, hogy a kódodat, annak kimenetét és gondolataidat Markdown formátumban írd le. R Markdown dokumentumok PDF, HTML vagy Word formátumba is konvertálhatók.

Megjegyzés a kvízekről: Minden kvíz megtalálható a Quiz App mappában, összesen 52 kvíz három kérdéssel. Ezek a leckékből linkelve vannak, de a kvíz alkalmazás helyileg is futtatható; kövesd a quiz-app mappában található utasításokat a helyi hosztoláshoz vagy Azure-ra való telepítéshez.

Lecke száma	Téma	Lecke csoportosítás	Tanulási célok	Kapcsolódó lecke	Szerző
01	Bevezetés a gépi tanulásba	Introduction	Ismerd meg a gépi tanulás alapfogalmait	Lesson	Muhammad
02	A gépi tanulás története	Introduction	Ismerd meg a terület mögötti történelmet	Lesson	Jen and Amy
03	Méltányosság és gépi tanulás	Introduction	Melyek a méltányossággal kapcsolatos fontos filozófiai kérdések, amelyeket a tanulóknak figyelembe kell venniük ML modellek építésekor és alkalmazásakor?	Lesson	Tomomi
04	Gépi tanulási technikák	Introduction	Milyen technikákat használnak a gépi tanulás kutatói ML modellek építéséhez?	Lesson	Chris and Jen
05	Bevezetés a regresszióba	Regression	Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modellekkel	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regression	Vizualizáld és tisztítsd az adatokat a gépi tanulás előkészítéséhez	Python • R	Jen • Eric Wanjau
07	Észak-amerikai tökárak 🎃	Regression	Építs lineáris és polinomiális regressziós modelleket	Python • R	Jen and Dmitry • Eric Wanjau
08	Észak-amerikai tökárak 🎃	Regression	Építs logisztikus regressziós modellt	Python • R	Jen • Eric Wanjau
09	Egy webalkalmazás 🔌	Web App	Építs webalkalmazást a betanított modelled használatához	Python	Jen
10	Bevezetés az osztályozásba	Classification	Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés az osztályozásba	Python • R	Jen and Cassie • Eric Wanjau
11	Finom ázsiai és indiai konyhák 🍜	Classification	Bevezetés az osztályozókba	Python • R	Jen and Cassie • Eric Wanjau
12	Finom ázsiai és indiai konyhák 🍜	Classification	Több osztályozó	Python • R	Jen and Cassie • Eric Wanjau
13	Finom ázsiai és indiai konyhák 🍜	Classification	Építs ajánló webalkalmazást a modelled használatával	Python	Jen
14	Bevezetés a klaszterezésbe	Clustering	Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Felfedezés a nigériai zenei ízlésekben 🎧	Clustering	Fedezd fel a K-Means klaszterezési módszert	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Natural language processing	Tanuld meg az NLP alapjait egy egyszerű bot építésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Natural language processing	Mélyítsd el NLP tudásod a nyelvi struktúrákkal kapcsolatos gyakori feladatok megértésével	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Natural language processing	Fordítás és érzelemelemzés Jane Austen-nel	Python	Stephen
19	Romantikus európai szállodák ♥️	Natural language processing	Érzelemelemzés szállodai értékelésekkel 1	Python	Stephen
20	Romantikus európai szállodák ♥️	Natural language processing	Érzelemelemzés szállodai értékelésekkel 2	Python	Stephen
21	Bevezetés az idősoros előrejelzésbe	Time series	Bevezetés az idősoros előrejelzésbe	Python	Francesca
22	⚡️ Világ energiafelhasználás ⚡️ - idősoros előrejelzés ARIMA-val	Time series	Idősoros előrejelzés ARIMA-val	Python	Francesca
23	⚡️ Világ energiafelhasználás ⚡️ - idősoros előrejelzés SVR-rel	Time series	Idősoros előrejelzés Support Vector Regresszorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Reinforcement learning	Bevezetés a megerősítéses tanulásba Q-Learning segítségével	Python	Dmitry
25	Segíts Péternek elkerülni a farkast! 🐺	Reinforcement learning	Megerősítéses tanulás Gym	Python	Dmitry
Utószó	Valós világ ML forgatókönyvek és alkalmazások	ML in the Wild	Érdekes és feltáró valós világban alkalmazott klasszikus gépi tanulási példák	Lesson	Team
Utószó	Modellhibakeresés ML-ben RAI dashboarddal	ML in the Wild	Modellhibakeresés gépi tanulásban a Responsible AI dashboard komponenseivel	Lesson	Ruth Yakubu

keresd meg az összes további erőforrást ehhez a tanfolyamhoz 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, hogy docsify serve. A weboldal a 3000-es porton lesz elérhető a localhostodon: localhost:3000.

PDF-ek

A tananyag PDF változatát linkekkel itt találod.

🎒 Egyéb tanfolyamok

Csapatunk más tanfolyamokat is készít! Nézd meg:

LangChain

---

Azure / Edge / MCP / Ügynökök

---

Generatív AI sorozat

---

Alapvető tanulás

---

Copilot sorozat

Segítségkérés

Ha elakadnál vagy kérdésed van az AI alkalmazások fejlesztésével kapcsolatban, csatlakozz a többi tanulóhoz és tapasztalt fejlesztőhöz az MCP közösségi beszélgetéseiben. Ez egy támogató közösség, ahol a kérdések szívesen látottak, és a tudás szabadon megosztott.

Ha termék visszajelzésed vagy hibákba ütközöl fejlesztés közben, látogass el ide:

---

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