ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

GitHub Action segítségével támogatott (Automatizált és mindig naprakész)

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

Szeretnéd inkább helyileg klónozni?

Ez a tárház több mint 50 nyelvre készült fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használj sparse checkout-ot:

Bash / macOS / Linux:

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'

CMD (Windows):

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 biztosít, amire szükséged van a tanfolyam elvégzéséhez, sokkal gyorsabb letöltéssel.

Csatlakozz közösségünkhöz

Folyamatban van egy Discord „Tanulj AI-val” sorozatunk, tudj meg többet és csatlakozz hozzánk a Learn with AI Series oldalán 2025. szeptember 18. és 30. között. Tippeket és trükköket kapsz a GitHub Copilot adat tudományi használatához.

Gépi tanulás kezdőknek – Tananyag

🌍 Utazz velünk a világ körül, miközben a gépi tanulást a világ kultúráinak szemszögén keresztül fedezzük fel 🌍

A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot a gépi tanulásról. Ebben a tananyagban olyan klasszikus gépi tanulásról tanulsz, amely elsősorban a Scikit-learn könyvtárra épül, a mély tanulást pedig kihagyja, amit az AI for Beginners tananyagunkban találhatsz meg. Ezt a tananyagot párosítsd a 'Data Science for Beginners' tananyagunkkal is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos adatforrására alkalmazzuk. Minden lecke elő- és utótesztet tartalmaz, írásos útmutatót a lecke teljesítéséhez, megoldást, feladatot és egyebeket. Projektalapú oktatásunk lehetővé teszi, hogy építés közben tanulj, 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, kiemelten Rishit Daglinek, Muhammad Sakib Khan Inannak, Rohan Rajnak, Alexandru Petrescunak, Abhishek Jaiswalnak, Nawrin Tabassumnak, Ioan Samuilának és Snigdha Agarwalnak

🤩 Extra köszönet Microsoft Hallgatói Nagyköveteknek Eric Wanjau-nak, Jasleen Sondhi-nak és Vidushi Guptának az R leckéinkért!

Kezdés

Kövesd ezeket a lépéseket:

1. Válaszd 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

a tanfolyam további erőforrásait megtalálod Microsoft Learn gyűjteményünkben

🔧 Segítségre van szükséged? Nézd meg a Hibaelhárítási útmutatónkat a telepítési, beállítási és lecke lefuttatási problémák megoldásához.

Diákok, hogy használjátok ezt a tananyagot, fork-old le a teljes repo-t a saját GitHub fiókodra, és végezd el a feladatokat egyedül vagy csoportban:

• Kezdj az előadás előtti teszttel.
• Olvasd el az előadást és végezd el a feladatokat, megállva és átgondolva minden tudásellenőrzésnél.
• Próbáld megérteni a leckéket és a tanultak alapján megalkotni a projekteket, a megoldó kód futtatása helyett; azonban a kód elérhető a /solution mappákban minden projektorientált leckénél.
• Tedd meg az előadás utáni tesztet.
• Teljesítsd a kihívást.
• Teljesítsd a feladatot.
• Egy leckecsoport befejezése után látogasd meg a Vita fórumot és „tanulj hangosan” egy megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy haladás értékelő eszköz, egy értékelőlap, amit kitöltve tovább mélyíted a tanulásod. Reagálhatsz más PAT-ekre is, így együttesen tanulhatunk.

A további tanuláshoz javasoljuk, hogy kövesd ezeket a Microsoft Learn modulokat és tanulási útvonalakat.

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

---

Videós bemutatók

Néhány lecke rövid videó formájában is elérhető. Ezeket megtekintheted a leckékben közvetlenül vagy a ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornáján a lenti képre kattintva.

---

Ismerd meg a csapatot

Gif készítője: Mohit Jaisal

🎥 Kattints a fenti képre, hogy videót nézz meg a projektről és annak alkotóiról!

---

Didaktika

Két oktatási elvet választottunk a tananyag kialakításakor: projekt alapú, gyakorlati jelleg biztosítása, illetve gyakori kvízek beiktatása. Emellett a tananyagnak közös téma ad koherenciát.

Az tartalom projektekhez való igazítása élvezetesebbé teszi a tanulók számára a folyamatot, és fokozza a fogalmak megtartását. Egy alacsony tétű kvíz az óra előtt beállítja a tanulók szándékát egy téma tanulására, míg a kicsivel később, az óra után tartott kvíz további megtartást szolgál. Ez a tananyag rugalmas és szórakoztató, egészben vagy részleteiben is elvégezhető. A projektek a kis kezdéstől fokozatosan egyre összetettebbé válik a 12 hetes ciklus végére. A tananyag egy utószót is tartalmaz, ami a gépi tanulás valódi alkalmazásairól szól, amely plusz kreditként vagy vitaalapként is használható.

Találd meg a Magatartási kódexünket, Hozzájárulási, Fordítási és Hibaelhárítási útmutatóinkat. Várjuk építő jellegű visszajelzéseidet!

Minden lecke tartalmazza

• választható vázlatjegyzet
• választható kiegészítő videó
• videós bemutató (csak néhány leckénél)
• előadás előtti bemelegítő kvíz
• írott lecke
• projekt alapú leckéknél lépésről lépésre útmutatók a projekt felépítéséhez
• tudásellenőrzések
• kihívás
• kiegészítő olvasmány
• feladat
• előadás utáni kvíz

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sokan elérhetők R nyelven is. Egy R lecke elvégzéséhez keresd meg az /solution mappában az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy R Markdown dokumentumot jelentenek, ami egyszerűen olyan Markdown dokumentum, amelybe kódblokkok (R vagy más nyelvek) és egy YAML fejléc (ami meghatározza a kimenet formátumát, pl. PDF) van ágyazva. Ez egy kiváló szerzői keretrendszer az adat tudomány számára, mert lehetővé teszi, hogy a kódodat, annak outputját és gondolataidat egyszerre írd le Markdown formátumban. Ezen felül az R Markdown dokumentumok többféle kimeneti formátumba exportálhatók, például PDF, HTML vagy Word. Megjegyzés a kvízekhez: Az összes kvíz megtalálható a Quiz App mappában, összesen 52 darab, mindegyik három kérdésből áll. Ezek kapcsolódnak az egyes leckékhez, de a kvíz alkalmazást helyileg is futtathatod; kövesd a quiz-app mappában található utasításokat a helyi hosztoláshoz vagy az Azure-ra történő telepítéshez.

Lecke száma	Téma	Lecke csoportosítás	Tanulási célok	Kapcsolódó lecke	Szerző
01	Bevezetés a gépi tanulásba	Bevezetés	Ismerd meg a gépi tanulás alapvető fogalmait	Lecke	Muhammad
02	A gépi tanulás története	Bevezetés	Ismerd meg a terület történetét	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Milyen fontos filozófiai kérdéseket érdemes figyelembe venni a méltányosság vonatkozásában az ML modellek építésekor és alkalmazásakor?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat alkalmaznak a kutatók az ML 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	Adatok megjelenítése és tisztítása az ML-re való felkészüléshez	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	Építs webalkalmazást a betanított modell használatához	Python	Jen
10	Bevezetés az osztályozásba	Osztályozás	Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés az osztályozásba	Python • R	Jen és Cassie • Eric Wanjau
11	Ízletes ázsiai és indiai konyhák 🍜	Osztályozás	Bevezetés az osztályozókhoz	Python • R	Jen és Cassie • Eric Wanjau
12	Ízletes ázsiai és indiai konyhák 🍜	Osztályozás	Több osztályozó	Python • R	Jen és Cassie • Eric Wanjau
13	Ízletes ázsiai és indiai konyhák 🍜	Osztályozás	Építs ajánló webalkalmazást a modell segítségével	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Fedezd fel a nigériai zenei ízlést 🎧	Klaszterezés	Fedezd fel a K-Means klaszterezési módszert	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Természetes nyelvfeldolgozás	Tanuld meg az NLP alapjait egy egyszerű bot építésén keresztül	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítsd el NLP tudásodat a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatok megértésével	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Természetes nyelvfeldolgozás	Fordítás és érzelemelemzés Jane Austen műveivel	Python	Stephen
19	Romantikus európai szállodák ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés szállodai értékelésekkel 1	Python	Stephen
20	Romantikus európai szállodák ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés szállodai értékelésekkel 2	Python	Stephen
21	Bevezetés az idősoros előrejelzésbe	Idősorok	Bevezetés az idősoros előrejelzésbe	Python	Francesca
22	⚡️ Világ energiafelhasználás ⚡️ - idősoros előrejelzés ARIMA-val	Idősorok	Idősoros előrejelzés ARIMA-val	Python	Francesca
23	⚡️ Világ energiafelhasználás ⚡️ - idősoros előrejelzés SVR-rel	Idősorok	Idősoros előrejelzés Támogató vektorgép regresszorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Megerősítéses tanulás	Bevezetés a megerősítéses tanulásba Q-learning segítségével	Python	Dmitry
25	Segíts Peternek elkerülni a farkast! 🐺	Megerősítéses tanulás	Megerősítéses tanulás Gym környezetben	Python	Dmitry
Utóirat	Valós világ ML forgatókönyvek és alkalmazások	ML a mindennapokban	Érdekes és feltáró valódi világban alkalmazott klasszikus gépi tanulás	Lecke	Csapat
Utóirat	Modell hibakeresése ML-ben RAI irányítópult segítségével	ML a mindennapokban	Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponenseivel	Lecke	Ruth Yakubu

minden további anyag megtalálható ebben a Microsoft Learn gyűjteményben

Offline elérés

Ezt a dokumentációt offline is futtathatod a Docsify használatával. Forkold a repót, telepítsd a Docsify-t a helyi gépeden, majd a repó gyökérmappájában írd be, hogy docsify serve. Az oldal a localhost 3000-es portján lesz elérhető: localhost:3000.

PDF-ek

A tananyagról pdf változat, linkekkel itt található.

🎒 Egyéb kurzusok

Csapatunk további kurzusokat is készít! Nézd meg:

LangChain

Azure / Edge / MCP / Ügynökök

---

Generatív MI sorozat

---

Alapvető tanulás

---

Copilot sorozat

Segítségkérés

Ha elakadnál vagy kérdésed van MI alkalmazások fejlesztésével kapcsolatban, csatlakozz tanulótársaidhoz és tapasztalt fejlesztőkhöz az MCP közösségi beszélgetéseiben. Ez egy támogató közösség, ahol szívesen fogadják a kérdéseket és a tudás szabadon megosztott.

Ha visszajelzésed vagy hibát tapasztalsz fejlesztés közben, látogass el a következő oldalra:

További tanulási tippek

• Minden leckét követően nézd át az jegyzetfüzeteket a jobb megértés érdekében.
• Gyakorold az algoritmusok önálló megvalósítását.
• Fedezd fel a valós adatokat a megtanult fogalmak alkalmazásával.

---

Felülvizsgálati nyilatkozat: Ezt a dokumentumot az AI fordító szolgáltatás, a Co-op Translator segítségével fordítottuk. Bár igyekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti, anyanyelvi dokumentum tekintendő hiteles forrásnak. Fontos információk esetén szakmai, emberi fordítást javasolunk. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.