ML-For-Beginners/translations/hu

🌐 Többnyelvű támogatás

GitHub Action által támogatott (Automatizált és mindig naprakész)

Arab | Bengáli | Bolgár | Burmai (Myanmar) | 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 | Maráthi | Nepáli | Nigériai pidgin | Norvég | Perzsa (Farsi) | 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 a Discordon a "Learn with AI" 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 adattudományban való használatához.

Gépi tanulás kezdőknek - Tanterv

🌍 Utazz 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 tantervet, amely a Gépi tanulásról szól. Ebben a tananyagban a főként Scikit-learn könyvtárat használó, néha "klasszikus gépi tanulásnak" nevezett módszereket tanulhatod meg, és elkerüljük a mélytanulást, amely a mi AI for Beginners tantervünkben található. Ezeket a leckéket párosítsd a mi 'Data Science for Beginners' tantervünkkel is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos területéről származó adatokon alkalmazzuk. Minden lecke tartalmaz elő- és utóleckés kvízeket, írásos utasításokat a lecke elvégzéséhez, egy megoldást, egy feladatot és még többet. Projektalapú pedagógiánk lehetővé teszi, hogy tanulj miközben építesz — ez egy bevált módja annak, hogy az új készségek "megragadjanak".

✍️ Szívből 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 🙏 Microsoft Student Ambassador szerzőinknek, lektorainknak és tartalomhozzájárulóinknak, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 Külön hála Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi és Vidushi Gupta részére az R leckéinkért!

Első lépések

Kövesd az alábbi lépéseket:

1. Készíts forkot a tárhelyről: Kattints a "Fork" gombra ennek az oldalnak a jobb felső sarkában.
2. Klónozd a tárhelyet: git clone https://github.com/microsoft/ML-For-Beginners.git

találd meg a tanfolyam összes további forrását a Microsoft Learn gyűjteményünkben

🔧 Segítség kell? Nézd meg a Troubleshooting Guide-t a telepítéssel, beállítással és a leckék futtatásával kapcsolatos gyakori problémák megoldásaiért.

Diákok, a tananyag használatához forkold le az egész repót a saját GitHub fiókodba, és oldd meg a feladatokat egyénileg vagy csoportban:

• Kezdd egy előadás előtti kvízzel.
• Olvasd el az előadást és hajtsd végre a tevékenységeket, állj meg és gondolkodj el minden tudásellenőrzésnél.
• Próbáld meg a projekteket a leckék megértésével elkészíteni, ahelyett, hogy csak lefuttatnád a megoldást; azonban az a kód elérhető minden projektorientált lecke /solution mappájában.
• Töltsd ki az előadás utáni kvízt.
• Teljesítsd a kihívást.
• Teljesítsd a feladatot.
• Egy leccsecsoport befejezése után látogass el a Discussion Board-ra és "tanulj hangosan" egy megfelelő PAT rubrika kitöltésével. A 'PAT' egy Progress Assessment Tool (Haladási értékelő eszköz), amely egy olyan rubrika, amelyet kitöltesz a tanulásod elősegítésére. Más PAT-ekre is reagálhatsz, hogy közösen tanulhassunk.

A további tanuláshoz ajánljuk ezeket a Microsoft Learn modulokat és tanulási útvonalakat.

Tanárok, tartalmaztunk néhány javaslatot arra vonatkozóan, hogyan használhatjátok ezt a tananyagot.

---

Videós bemutatók

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

---

Ismerd meg a csapatot

Gif készítette Mohit Jaisal

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

---

Pedagógia

Két pedagógiai alapelvet választottunk ennek a tananyagnak a kialakításakor: biztosítani, hogy kézben fogható, projektalapú legyen, és hogy tartalmazzon gyakori kvízeket. Ezenkívül a tananyag egy közös téma mentén épül, hogy koherens egészet alkosson.

Azáltal, hogy a tartalom illeszkedik a projektekhez, a folyamat érdekesebb lesz a diákok számára és a fogalmak elraktározása is javulni fog. Emellett egy alacsony tétű kvíz az óra előtt beállítja a tanuló szándékát egy téma elsajátítására, míg egy második kvíz az óra után biztosítja a további rögzülést. Ezt a tananyagot rugalmasra és szórakoztatóra terveztük, és egészben vagy részben is elvégezhető. A projektek kicsiben kezdődnek és a 12 hetes ciklus végére egyre összetettebbé válnak. A tananyag egy posztszkriptet is tartalmaz a gépi tanulás valós alkalmazásairól, amely extra krediteként vagy vitaalapként használható.

Találd meg a mi Code of Conduct, Contributing, Translation és Troubleshooting útmutatóinkat. Várjuk építő jellegű visszajelzésedet!

Minden lecke tartalmaz

• opcionális sketchnote-ot
• opcionális kiegészítő videót
• videós bemutatót (csak egyes leckék)
• előadás előtti bemelegítő kvíz
• írásos leckét
• projektalapú leckéknél lépésről-lépésre útmutatót a projekt elkészítéséhez
• tudásellenőrzéseket
• egy kihívást
• kiegészítő olvasmányt
• feladatot
• előadás utáni kvíz

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Pythonban íródtak, de sokuk elérhető R nyelven is. Egy R lecke elvégzéséhez menj a /solution mappába és keresd az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy R Markdown fájlt jelentenek, amely egyszerűen definiálható úgy, hogy kódblokkokat (R vagy más nyelvekhez) és egy YAML fejlécet (ami irányítja, hogyan formázódnak a kimenetek, pl. PDF) ágyaz be egy Markdown dokumentumban. Ennek megfelelően kiváló szerkesztési keretet ad a data science számára, mivel lehetővé teszi, hogy kombináld a kódot, annak kimenetét és a gondolataidat úgy, hogy Markdownban írod le. R Markdown dokumentumok továbbá renderelhetők olyan kimeneti formátumokra, mint PDF, HTML vagy Word.

Megjegyzés a kvízekről: Az összes kvíz a Quiz App mappában található, összesen 52 kvíz három-három kérdéssel. A leckékben vannak linkelve, de a quiz app helyileg is futtatható; kövesd a quiz-app mappában található utasításokat a helyi hosztoláshoz vagy Azure-ra történő telepítéshez.

Lecke száma	Téma	Leckecsoport	Tanulási célok	Kapcsolt lecke	Szerző
01	Bevezetés a gépi tanulásba	Bevezetés	Ismerje meg a gépi tanulás alapfogalmait	Lecke	Muhammad
02	A gépi tanulás története	Bevezetés	Ismerje meg ennek a területnek a történetét	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Melyek a méltányossággal kapcsolatos fontos filozófiai kérdések, amelyeket a hallgatóknak figyelembe kell venniük ML-modellek építésekor és alkalmazásakor?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat használnak a gépi tanulás kutatói ML-modellek építéséhez?	Lecke	Chris és Jen
05	Bevezetés a regresszióba	Regresszió	Ismerkedjen meg a Python és a Scikit-learn használatával regressziós modellekhez	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Adatok vizualizálása és tisztítása ML-re való felkészüléshez	Python • R	Jen • Eric Wanjau
07	Észak-amerikai tökárak 🎃	Regresszió	Lineáris és polinom 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 🔌	Webalkalmazás	Webalkalmazás készítése a betanított modell használatához	Python	Jen
10	Bevezetés az osztályozáshoz	Osztályozás	Adatok tisztítása, előkészítése és vizualizálása; bevezetés az osztályozásba	Python • R	Jen és Cassie • Eric Wanjau
11	Finom ázsiai és indiai konyhák 🍜	Osztályozás	Bevezetés az osztályozókhoz	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	Ajánló webalkalmazás készítése a modell használatával	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Adatok tisztítása, előkészítése és vizualizálása; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Nigériai zenei ízlések felfedezése 🎧	Klaszterezés	A K-Means klaszterezési módszer felfedezése	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Természetes nyelvfeldolgozás	Ismerje meg az NLP alapjait egy egyszerű bot készítésével	Python	Stephen
17	Gyakori NLP-feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítse NLP-ismereteit azáltal, hogy megérti a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatokat	Python	Stephen
18	Fordítás és érzelem-elemzés ♥️	Természetes nyelvfeldolgozás	Fordítás és érzelem-elemzés Jane Austen műveivel	Python	Stephen
19	Romantikus európai szállodák ♥️	Természetes nyelvfeldolgozás	Érzelem-elemzés szállodai értékelésekkel 1	Python	Stephen
20	Romantikus európai szállodák ♥️	Természetes nyelvfeldolgozás	Érzelem-elemzés szállodai értékelésekkel 2	Python	Stephen
21	Bevezetés az idősoros előrejelzésbe	Idősorok	Bevezetés az idősoros előrejelzésbe	Python	Francesca
22	⚡️ Világ energiafelhasználása ⚡️ - idősoros előrejelzés ARIMA-val	Idősorok	Idősoros előrejelzés ARIMA-val	Python	Francesca
23	⚡️ Világ energiafelhasználása ⚡️ - idősoros előrejelzés SVR-rel	Idősorok	Idősoros előrejelzés Support Vector Regressorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Megerősítéses tanulás	Bevezetés a megerősítéses tanulásba Q-tanulással	Python	Dmitry
25	Segíts Péternek elkerülni a farkast! 🐺	Megerősítéses tanulás	Megerősítéses tanulás a Gym könyvtárral	Python	Dmitry
Utószó	Valós világ ML forgatókönyvek és alkalmazások	ML a gyakorlatban	Érdekes és szemléletes valós alkalmazások a klasszikus ML területéről	Lecke	Csapat
Utószó	Modellek hibakeresése ML-ben az RAI irányítópult segítségével	ML a gyakorlatban	Modellek hibakeresése gépi tanulásban a Responsible AI irányítópult komponenseivel	Lecke	Ruth Yakubu

Keresse meg az összes további forrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben

Offline hozzáférés

A dokumentációt offline is futtathatja a Docsify használatával. Forkolja ezt a repót, telepítse a Docsify-t a helyi gépére, és a repo gyökérmappájában írja be a docsify serve parancsot. A weboldal a 3000-es porton lesz kiszolgálva a localhoston: localhost:3000.

PDF-ek

A tanterv PDF változatát linkekkel megtalálja itt.

🎒 Egyéb kurzusok

Csapatunk más kurzusokat is készít! Nézze meg:

LangChain

---

Azure / Edge / MCP / Ügynökök

---

Generatív AI sorozat

---

Alapvető tananyagok

---

Copilot-sorozat

Segítség kérése

Ha elakadsz, vagy bármilyen kérdésed van az MI-alkalmazások fejlesztésével kapcsolatban. Csatlakozz más tanulókhoz és tapasztalt fejlesztőkhöz az MCP-ről folytatott beszélgetésekhez. Ez egy támogató közösség, ahol a kérdések szívesen látottak és a tudás szabadon megosztott.

Ha termékvisszajelzésed van, vagy hibákat tapasztalsz a fejlesztés során, látogass el ide:

---

Felelősségkizárás: Ez a dokumentum a mesterséges intelligencián alapuló fordítószolgáltatás, a Co-op Translator (https://github.com/Azure/co-op-translator) segítségével készült. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő irányadónak. Kritikus jelentőségű információk esetén professzionális, emberi fordítást javasolunk. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.