ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

Támogatott GitHub Action segítségével (Automatikus 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 | Koreai | Litván | Maláj | Maráthi | Nepáli | Norvég | Perzsa (Fárszi) | Lengyel | Portugál (Brazília) | Portugál (Portugália) | Pandzsábi (Gurmukhi) | Román | Orosz | Szerb (Cirill) | Szlovák | Szlovén | Spanyol | Szuahéli | Svéd | Tagalog (Filippínó) | Tamil | Thai | Török | Ukrán | Urdu | Vietnámi

Csatlakozz közösségünkhöz

Van egy folyamatban lévő Discord tanulási sorozatunk az AI-ról, tudj meg többet és csatlakozz hozzánk a Learn with AI Series keretében 2025. szeptember 18-30. között. Tippeket és trükköket kapsz a GitHub Copilot adatkutatáshoz való használatához.

Gépi tanulás kezdőknek - Tanterv

🌍 Utazz körbe a világban, miközben a gépi tanulást a világ kultúráin keresztül fedezzük fel 🌍

A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely teljes egészében a gépi tanulásról szól. Ebben a tantervben megismerheted az úgynevezett klasszikus gépi tanulást, elsősorban a Scikit-learn könyvtár használatával, elkerülve a mély tanulást, amelyet a AI for Beginners tantervünkben tárgyalunk. Párosítsd ezeket a leckéket a 'Data Science for Beginners' tantervünkkel is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat alkalmazzuk a világ különböző területeiről származó adatokra. Minden lecke tartalmaz előzetes és utólagos kvízeket, írásos útmutatókat a lecke elvégzéséhez, megoldásokat, feladatokat és még sok mást. Projektalapú pedagógiánk lehetővé teszi, hogy tanulás közben építs, ami bizonyítottan segíti az új készségek elsajátítását.

✍️ 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 Tomomi Imura, Dasani Madipalli és Jen Looper

🙏 Külön köszönet 🙏 a Microsoft Student Ambassador szerzőknek, bírálóknak és tartalomhozzájárulóknak, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 Extra köszönet 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 kurzushoz kapcsolódó további forrásokat a Microsoft Learn gyűjteményünkben

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

Diákok, hogy használjátok ezt a tantervet, forkoljátok az egész repót a saját GitHub fiókotokba, és végezzétek el a gyakorlatokat egyedül vagy csoportban:

• Kezdj egy 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 megoldási kódot futtatnád; azonban az a kód elérhető a /solution mappákban minden projektorientált leckénél.
• Végezze el az előadás utáni kvízt.
• Teljesítsd a kihívást.
• Teljesítsd a feladatot.
• Miután befejeztél egy leckecsoportot, látogasd meg a Vita Fórumot, és "tanulj hangosan", kitöltve a megfelelő PAT rubrikát. A 'PAT' egy Haladási Értékelő Eszköz, amely egy rubrika, amit kitöltesz a tanulásod előmozdítása érdekében. Mások PAT-jaira is reagálhatsz, hogy együtt tanuljunk.

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

Tanárok, néhány javaslatot is mellékeltünk arra vonatkozóan, hogyan használjátok ezt a tantervet.

---

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 alapelvet választottunk a tanterv kidolgozása során: biztosítani, hogy az projektalapú legyen, és hogy gyakori kvízeket tartalmazzon. Ezen kívül a tantervnek van egy közös témája, amely összefogja az egészet.

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

Találd meg a Magatartási Kódexünket, Hozzájárulási, Fordítási és Hibaelhárítási 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 Pythonban íródtak, de sok elérhető R-ben is. Egy R lecke elvégzéséhez menj a /solution mappába, és keresd az R leckéket. Ezek .rmd kiterjesztést tartalmaznak, amely egy R Markdown fájlt jelöl, amely egyszerűen definiálható úgy, mint kódrészletek (R vagy más nyelvek) és egy YAML fejléc (amely irányítja az olyan kimeneti formátumokat, mint a PDF) beágyazása egy Markdown dokumentumba. Mint ilyen, példás szerzői keretet nyújt az adatkutatáshoz, mivel lehetővé teszi, hogy kombináld a kódodat, annak kimenetét és gondolataidat, lehetővé téve, hogy Markdownban leírd őket. Ezenkívül az R Markdown dokumentumok olyan kimeneti formátumokra renderelhetők, mint a PDF, HTML vagy Word.

Megjegyzés a kvízekről: Minden kvíz a Quiz App mappában található, összesen 52 darab három kérdéses kvízzel. Ezek a leckékből vannak linkelve, 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	Leckecsoportosítás	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 ennek a területnek a történetét	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Milyen fontos filozófiai kérdéseket kell figyelembe venni a méltányosság kapcsán, amikor gépi tanulási modelleket építünk és alkalmazunk?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat használnak a gépi tanulás kutatói modellek építéséhez?	Lecke	Chris és Jen
05	Bevezetés a regresszióba	Regresszió	Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modellekhez	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Vizualizáld és tisztítsd meg az adatokat a gépi tanulás előkészítéséhez	Python • R	Jen • Eric Wanjau
07	Észak-amerikai tökárak 🎃	Regresszió	Építs 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 webalkalmazás 🔌	Webalkalmazás	Építs egy webalkalmazást, amely használja a betanított modelledet	Python	Jen
10	Bevezetés az osztályozásba	Osztályozás	Tisztítsd meg, készítsd elő és vizualizáld 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	További osztályozók	Python • R	Jen és Cassie • Eric Wanjau
13	Finom ázsiai és indiai konyhák 🍜	Osztályozás	Építs egy ajánló webalkalmazást a modelled segítségével	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Tisztítsd meg, készítsd elő és vizualizáld az adataidat; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Nigériai zenei ízlés felfedezése 🎧	Klaszterezés	Fedezd fel a K-Means klaszterezési módszert	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Természetes nyelvfeldolgozás	Ismerd meg a természetes nyelvfeldolgozás alapjait egy egyszerű bot építésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítsd el az NLP ismereteidet, megértve 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 hotelek ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés hotelértékelésekkel 1	Python	Stephen
20	Romantikus európai hotelek ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés hotelértékelésekkel 2	Python	Stephen
21	Bevezetés az idősorok előrejelzésébe	Idősorok	Bevezetés az idősorok előrejelzésébe	Python	Francesca
22	⚡️ Világ energiafelhasználása ⚡️ - idősorok előrejelzése ARIMA-val	Idősorok	Idősorok előrejelzése ARIMA-val	Python	Francesca
23	⚡️ Világ energiafelhasználása ⚡️ - idősorok előrejelzése SVR-rel	Idősorok	Idősorok előrejelzése Support Vector Regressor segítségével	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 gyakorlatban	Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulás területén	Lecke	Csapat
Utószó	Modell hibakeresés a gépi tanulásban RAI dashboard segítségével	ML a gyakorlatban	Modell hibakeresés a gépi tanulásban a Responsible AI dashboard komponensek segítségével	Lecke	Ruth Yakubu

keresd meg a kurzushoz tartozó további forrásokat 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 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:

Azure / Edge / MCP / Ügynökök

---

Generatív AI sorozat

---

Alapvető tanulás

---

Copilot sorozat

Segítség kérése

Ha elakadnál, vagy kérdésed van MI alkalmazások építésével kapcsolatban, csatlakozz:

Ha termékekkel kapcsolatos visszajelzésed van, vagy hibát tapasztalsz az építés során, látogass el:

---

Felelősség kizárása:
Ez a dokumentum az Co-op Translator AI fordítási szolgáltatás segítségével lett lefordítva. 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 professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.