ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

GitHub Action által 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 | Malajálam | Marathi | Nepáli | Nigériai pidzsin | 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

Szeretnél helyben klónozni?

Ez a tároló több mint 50 nyelvre kínál fordítást, ami jelentősen növeli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használd a sparse checkoutot:

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 mindent megkapsz a kurzus elvégzéséhez, sokkal gyorsabb letöltéssel.

Csatlakozz közösségünkhöz

Folyamatban van egy Discord tanulási sorozatunk AI-val, ahol többet megtudhatsz és csatlakozhatsz hozzánk a Learn with AI Series oldalán 2025. szeptember 18. és 30. között. Tippeket és trükköket kaphatsz a GitHub Copilot adat tudományban való használatához.

Gépi tanulás kezdőknek – Egy tanterv

🌍 Utazzunk körbe a világon, miközben kultúrákon át fedezzük fel a gépi tanulást 🌍

A Microsoft felhőszakértői egy 12 hetes, 26 leckéből álló tananyagot kínálnak, amely teljes egészében a gépi tanulásról szól. Ebben a tantervben a klasszikusnak is nevezett gépi tanulást tanulhatod meg, elsősorban a Scikit-learn könyvtár használatával, elkerülve a mélytanulást, amelyet az AI kezdőknek tananyaga tárgyal. Ezeket a leckéket párosítsd a 'Adattudomány kezdőknek' tananyagunkkal is!

Utazz velünk a világ körül miközben ezeket a klasszikus technikákat a világ sok területéről származó adatokra alkalmazzuk. Minden leckében elő- és utótesztek vannak, írott utasítások a lecke elvégzéséhez, egy megoldás, egy feladat és egyebek. Projektalapú oktatásunk lehetővé teszi, hogy tanulás közben építs, ami bizonyítottan hatékony módszer az új készségek elsajátítására.

✍️ 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 Tomomi Imura, Dasani Madipalli és Jen Looper

🙏 Külön köszönet 🙏 Microsoft diák nagykövet szerzőinknek, véleményezőinknek és tartalom-kontributoraiknak, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 Extra köszönet Microsoft diák nagyköveteinknek Eric Wanjau-nak, Jasleen Sondhi-nak és Vidushi Gupta-nak az R leckékért!

Első lépések

Kövesd az alábbi lépéseket:

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

Minden további erőforrást megtalálsz ehhez a kurzushoz a Microsoft Learn gyűjteményünkben

🔧 Szükséged van segítségre? Nézd meg a Hibakeresési útmutatónkat a telepítési, beállítási és lecke futtatási problémák megoldásaiért.

Diákoknak a tananyag használatához forkold le az egész repo-t a saját GitHub fiókodba, és végezd el a gyakorlatokat egyedül vagy csoportosan:

• Kezdj egy elő-előadás kvízzel.
• Olvasd el az előadást és végezd el a tevékenységeket, minden tudásellenőrzésnél állj meg és gondolkodj el.
• Próbáld meg a projekteket megcsinálni úgy, hogy megérted a leckéket, ne csak a megoldáskódot futtasd; viszont az kód elérhető a /solution mappában minden projekt-alapú leckében.
• Oldd meg az utó-előadás kvízt.
• Teljesítsd a kihívást.
• Teljesítsd a feladatot.
• Egy leckecsoport befejezése után látogass el a Vita fórumra és "tanulj hangosan", azaz töltsd ki a megfelelő PAT értékelőlapot. A 'PAT' egy haladási értékelőeszköz, amelyet kitölthetsz a tanulásod előmozdítására. Más PAT-okra is reagálhatsz, így együtt tanulhatunk.

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

Tanárok számára néhány javaslatot is tartalmazunk itt a tananyag használatához.

---

Videós bemutatók

Néhány lecke rövid videó formátumban is elérhető. Ezeket megtalálod a leckékben, vagy a Microsoft Developer YouTube csatornáján az ML for Beginners lejátszási listán, ha a lent látható képre kattintasz.

---

Ismerd meg a csapatot

Gif készítője: Mohit Jaisal

🎥 Kattints a fenti képre a projektről és az alkotókról készült videó megtekintéséhez!

---

Oktatási módszertan

Két pedagógiai alapelvet választottunk e tanterv építésekor: kézzelfogható, projektalapú tanulás biztosítása és gyakori kvízek beépítése. Emellett a tananyagnak van egy közös tematikája is az összhang érdekében.

A tartalom projekt-irányultsága miatt az egész tanulási folyamat élvezetesebb a tanulók számára, és a fogalmak megőrzése is javul. Ezen túlmenően egy alacsony tétű kvíz az óra előtt a tanulás irányába tereli a figyelmet, míg az utólagos kvíz ezt még inkább megerősíti. Ez a tananyag rugalmas és szórakoztató, teljes egészében vagy részleteiben is elvégezhető. A projektek kicsiben kezdődnek, és fokozatosan egyre komplexebbé válnak a 12 hetes ciklus végére. Tartalmaz továbbá egy záró részt a gépi tanulás való életben való alkalmazásáról, amit plusz pontként vagy vitaalapként lehet használni.

Találd meg a Magatartási kódexünket, Hozzájárulási útmutatót, Fordítási útmutatót és Hibakeresési útmutatót. Várjuk építő jellegű visszajelzéseidet!

Minden leckéhez tartozik

• választható vázlat
• választható kiegészítő videó
• videós bemutató (csak néhány leckénél)
• elő-előadás bemelegítő kvíz
• írott lecke
• projektalapú leckéknél lépésről lépésre útmutató a projekt építéséhez
• tudásellenőrzések
• kihívás
• kiegészítő olvasmány
• feladat
• utó-előadás kvíz

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R-ben is. R leckék elvégzéséhez keresd a /solution mappában az R leckéket. Ezek .rmd kiterjesztésűek, amely egy R Markdown fájlt jelöl, ami úgy definiálható, mint kódrészek (R vagy más nyelvekből) és egy YAML fejléc (amely a kimenetek formázását irányítja, pl. PDF) beágyazása egy Markdown dokumentumban. Ez egy kiváló szerzői eszköz az adattudomány számára, mivel lehetővé teszi a kód, annak kimenete és a gondolataid egy dokumentumban való együttes megjelenítését. R Markdown dokumentumok különböző formátumokra, például PDF, HTML vagy Word formátumba is konvertálhatók. Jegyzet a kvízekről: Minden kvíz megtalálható a Quiz App mappában, összesen 52 kvíz, mindegyik három kérdéssel. Ezek a leckékből vannak linkelve, de a kvíz alkalmazás helyileg is futtatható; kövesd az utasításokat a quiz-app mappában a helyi hosztoláshoz vagy az Azure-ra való 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 hátterét	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Mik a fontos filozófiai kérdések a méltányossággal kapcsolatban, amelyeket a hallgatóknak mérlegelniük kell ML modellek építésekor?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat alkalmaznak a kutatók az ML modellek építésére?	Lecke	Chris és Jen
05	Bevezetés a regresszióba	Regresszió	Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modelleken	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Vizualizáld és tisztítsd meg az adatokat az ML 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	Webalkalmazás 🔌	Web App	Építs webalkalmazást a betanított modelled használatára	Python	Jen
10	Bevezetés az osztályozásba	Osztályozás	Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés az osztályozásba	Python • R	Jen és Cassie • Eric Wanjau
11	Ízletes ázsiai és indiai konyhák 🍜	Osztályozás	Bevezetés az osztályozókba	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 modelled segítségével	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Tisztítsd, készítsd elő és vizualizáld 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	Tanulj az NLP alapjairól egy egyszerű bot építésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítsd el NLP tudásod azáltal, hogy megérted a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatokat	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Természetes nyelvfeldolgozás	Fordítás és érzelemelemzés Jane Austen-nal	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	Idősor	Bevezetés az idősoros előrejelzésbe	Python	Francesca
22	⚡️ Villamosenergia-felhasználás ⚡️ - idősoros előrejelzés ARIMA-val	Idősor	Idősoros előrejelzés ARIMA-val	Python	Francesca
23	⚡️ Villamosenergia-felhasználás ⚡️ - idősoros előrejelzés SVR-rel	Idősor	Idősoros előrejelzés támogatott vektoros regresszorral	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-mel	Python	Dmitry
Utószó	Valós világ ML forgatókönyvei és alkalmazásai	ML a gyakorlatban	Érdekes és tanulságos valós világbeli alkalmazások a klasszikus ML-ben	Lecke	Csapat
Utószó	Modell hibakeresése ML-ben RAI irányítópult segítségével	ML a gyakorlatban	Modell hibakeresés a gépi tanulásban a Responsible AI irányítópult komponenseivel	Lecke	Ruth Yakubu

keresd meg a tanfolyam további erőforrásait a Microsoft Learn gyűjteményünkben

Offline elérés

Ezt a dokumentációt offline is futtathatod a Docsify használatával. Forkold ezt a repót, telepítsd a Docsify-t a helyi gépeden, majd a repó gyökérkönyvtárában írd be, hogy docsify serve. A weboldal a 3000-es porton lesz elérhető a helyi gépeden: localhost:3000.

PDF-ek

A tananyag PDF verzióját linkekkel együtt 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 lenne az AI alkalmazások készítésével kapcsolatban, csatlakozz más tanulókhoz és tapasztalt fejlesztőkhöz az MCP-ről szóló beszélgetésekben. Ez egy támogató közösség, ahol a kérdések megengedettek és a tudás szabadon megosztott.

Ha termék visszajelzésed vagy hibáid vannak a fejlesztés során, látogass el ide:

---

Nyilatkozat: Ez a dokumentum az AI fordító szolgáltatás, a Co-op Translator segítségével készült. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Kritikus információk esetén szakmai, emberi fordítást javaslunk. Nem vállalunk felelősséget az ebből adódó félreértésekért vagy téves értelmezésekért.