Gépi tanulás kezdőknek - egy tanterv

April 20, 2026 · View on GitHub

🌐 Többnyelvű támogatás

GitHub Action révén támogatott (Automatikus és Mindig Friss)

Inkább helyben klónozna?

Ez a tárhely több mint 50 nyelvi fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha le akarja tölteni fordítások nélkül, használja a 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"
Így minden megvan ahhoz, hogy gyorsabban töltse le a kurzust és elvégezze azt.

Folyamatban van egy Discord tanulás az AI-val sorozatunk, további információkért és csatlakozáshoz látogass el ide: Learn with AI Series 2025. szeptember 18-30. között. Hasznos tippeket és trükköket kapsz a GitHub Copilot adat tudományi használatához.

Learn with AI series

Gépi tanulás kezdőknek - egy tanterv

🌍 Utazzunk a világ körül, miközben a gépi tanulást világkultúrák révén fedezzük fel 🌍

A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot, amely a Gépi tanulásról szól. Ebben a tanfolyamban megismerkedhet a néha egyszerűen klasszikus gépi tanulásnak nevezett megközelítéssel, amely főként a Scikit-learn könyvtárat használja, és elkerüli a mélytanulást, amelyet a AI kezdőknek tantervünk fed le. Ez a tananyag tökéletes kiegészítője a 'Adattudomány kezdőknek tantervnek'.

Utazz velünk a világ különböző részeire, és alkalmazzunk klasszikus gépi tanulási technikákat sokféle adatállományon. Minden lecke tartalmaz elő- és utóvizsgát, írásos útmutatót a feladat elvégzéséhez, megoldást, feladatot és még sok mást. Projekt-alapú tanítási módszerünk lehetővé teszi, hogy gyakorlás közben tanulj, ami bizonyítottan jobban rögzíti az új képességeket.

✍️ 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

🙏 Kiemelt 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

🤩 Különös hála Microsoft Hallgatói Nagyköveteknek Eric Wanjau, Jasleen Sondhi, és Vidushi Gupta az R leckékért!

Kezdjük el

Kövesd az alábbi lépéseket:

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

Az összes további forrást megtalálod Microsoft Learn gyűjteményünkben

🔧 Segítségre van szükséged? Nézd meg a Hibaelhárítási útmutatót, amelyben megoldásokat találsz a telepítési, beállítási és futtatási problémákra.

Hallgatók, hogy használni tudjátok ezt a tantervet, forkold a teljes repo-t a saját GitHub fiókodra, és saját vagy csoportos munkában végezd el a feladatokat:

Kezdd az előadás előtti kvízzel.
Olvasd el az előadást, és végezd el a feladatokat, időnként megállva és átgondolva a tudásellenőrző pontokat.
Próbáld meg a projekteket úgy elkészíteni, hogy megérted a leckék lényegét, ne csak a megoldást futtasd; a megoldások azonban megtekinthetők a /solution könyvtárban minden projekt-alapú leckénél.
Tedd meg az előadás utáni kvízt.
Végezd el a kihívást.
Végezd el a házi feladatot.
Miután befejeztél egy leckecsoportot, látogass el a Fórum oldalra, és „tanulj hangosan” a megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy előrehaladási értékelő eszköz, ami egy értékelőlap, amelyet kitöltesz a tanulás elősegítésére. Reagálhatsz más PAT-okra is, így együtt tanulhatunk.

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

Tanárok, csatoltunk néhány javaslatot arra, hogyan használhatjátok ezt a tantervet.

Videós bemutatók

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

Ismerd meg a csapatot

Gif készítő: Mohit Jaisal

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

Pedagógia

Két tanítási alapelvet választottunk ennek a tananyagnak az összeállításakor: hogy gyakorlati, projekt-alapú legyen, és hogy tartalmazzon gyakori kvízeket. Emellett egy közös téma köti össze.

Azáltal, hogy a tartalom projektekhez kapcsolódik, a tanulás motiválóbbá válik, és a fogalmak jobb megtartását segíti elő. Egy alacsony tétű kvíz az óra előtt elősegíti a tanulók szándékát egy téma elsajátítására, míg az óra utáni kvíz tovább erősíti a megtartást. Ez a tananyag rugalmas és szórakoztató, egészben vagy részleteiben is elvégezhető. A projektek kezdetben kisebbek, és a 12 hetes ciklus végére egyre bonyolultabbak lesznek. A tananyag tartalmaz egy utószót a gépi tanulás valós alkalmazásairól is, ami extra pontként vagy vitatéma alapként használható.

Olvasd el a Viselkedési Kódexünket, a Hozzájárulási Útmutatót, a Fordításokat és a Hibaelhárítást. Várjuk konstruktív visszajelzéseidet!

Minden lecke tartalmaz

opcionális vázlatjegyzetet
opcionális kiegészítő videót
videós bemutatót (csak néhány leckénél)
előadás előtti bemelegítő kvízt
írásos leckét
projekt-alapú leckéknél lépésről lépésre útmutatót a projekt elkészítéséhez
tudásellenőrző kérdéseket
kihívást
kiegészítő olvasmányt
házi feladatot
előadás utáni kvízt

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Pythonban íródtak, de sok közülük elérhető R-ben is. Egy R lecke teljesítéséhez keresd meg a /solution mappát, és ott az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy R Markdown fájlt jelentenek, amit egyszerűen úgy lehet definiálni, mint kódrészletek (R vagy más nyelvek) és egy YAML fejléc (amely irányítja a kimenetek formázását, például PDF esetén) beágyazását egy Markdown dokumentumban. Így kiváló szerkesztési keretként szolgálnak az adat tudományban, mivel lehetővé teszik a kód, annak kimenete és a gondolatok együttes írását Markdownban. Ezenkívül az R Markdown dokumentumok különböző kimeneti formátumokká is átalakíthatók, például PDF, HTML vagy Word formátummá.

Megjegyzés a kvízekről: Minden kvíz a Quiz App mappában található, összesen 52 három kérdésből álló kvíz. Ezek elérhetők a leckékből, de a kvíz alkalmazás helyileg is futtatható; kövesd a quiz-app mappa utasításait 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	Tanuld meg a gépi tanulás alapfogalmait	Lecke	Muhammad
02	A gépi tanulás története	Bevezetés	Ismerd meg a gépi tanulás mögötti történelmet	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Mik a fontos filozófiai kérdések a méltányosság körül, amelyeket a diákoknak figyelembe kell venniük ML modellek építésekor?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat használnak a kutatók gépi tanulási modellek építésére?	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	Adatvizualizáció és tisztítás gépi tanulásra való felkészülésként	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	Egy webalkalmazás 🔌	Web App	Webalkalmazás építése a már betanított modell használatához	Python	Jen
10	Bevezetés az osztályozásba	Classification	Adattisztítás, előkészítés és vizualizáció; bevezetés az osztályozásba	Python • R	Jen és Cassie • Eric Wanjau
11	Finom ázsiai és indiai konyhák 🍜	Classification	Bevezetés az osztályozókba	Python • R	Jen és Cassie • Eric Wanjau
12	Finom ázsiai és indiai konyhák 🍜	Classification	Több osztályozó	Python • R	Jen és Cassie • Eric Wanjau
13	Finom ázsiai és indiai konyhák 🍜	Classification	Ajánló webalkalmazás építése a modelled segítségével	Python	Jen
14	Bevezető a klaszterezéshez	Clustering	Adattisztítás, előkészítés és vizualizáció; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Nigériai zenei ízlések feltérképezése 🎧	Clustering	A K-Mean klaszterezési módszer felfedezése	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 az NLP tudásodat a nyelvi struktúrákkal kapcsolatos feladatok megértésével	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Natural language processing	Fordítás és érzelemelemzés Jane Austen segítségével	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 energiapiac ⚡️ - idősoros előrejelzés ARIMA-val	Time series	Idősoros előrejelzés ARIMA-val	Python	Francesca
23	⚡️ Világ energiapiac ⚡️ - idősoros előrejelzés SVR-rel	Time series	Idősoros előrejelzés Support Vector Regresszorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Reinforcement learning	Bevezetés megerősítéses tanulásba Q-Learning segítségével	Python	Dmitry
25	Segíts Peternek elkerülni a farkast! 🐺	Reinforcement learning	Megerősítéses tanulás Gym-ban	Python	Dmitry
Utószó	Valós világ ML forgatókönyvek és alkalmazások	ML in the Wild	Érdekes és szemléletes valós világban alkalmazott klasszikus gépi tanulási példák	Lecke	Csapat
Utószó	Modellhibakeresés gépi tanulásban az RAI irányítópulttal	ML in the Wild	Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponensek használatával	Lecke	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 repo-t, telepítsd a Docsify-t (Docsify telepítése) a helyi gépedre, majd a repo gyökérmappájában írd be a docsify serve parancsot. A weboldal a 3000-es porton lesz elérhető helyileg: localhost:3000.

PDF-ek

A tananyag pdf változatát linkekkel itt találod.

🎒 Egyéb tanfolyamok

Csapatunk további tanfolyamokat is készít! Nézd meg:

LangChain

Azure / Edge / MCP / Ügynökök

Generatív MI sorozat

Alapvető tanulás

Copilot sorozat

Segítségkérés

Ha elakadnál vagy kérdéseid lennének a gépi tanulás tanulása vagy MI-alkalmazások készítése közben, ne aggódj — segítség elérhető.

Csatlakozhatsz más tanulókkal és fejlesztőkkel folytatott beszélgetésekhez, kérdezhetsz és megoszthatod ötleteidet a közösséggel.

Csatlakozz a közösséghez, hogy kérdéseket tegyél fel és másokkal tanulj
Beszéljétek meg a gépi tanulás fogalmait és projektötleteket
Kapj útmutatást tapasztalt fejlesztőktől

Egy támogató közösség nagyszerű módja a készségeid fejlesztésének és a problémák gyorsabb megoldásának.

Microsoft Foundry Discord közösség

Ha hibákat, problémákat tapasztalsz, vagy fejlesztési javaslataid vannak, egy Issue megnyitásával jelezheted a problémát ebben a tárolóban.

Termék visszajelzésekhez vagy meglévő közösségi bejegyzések kereséséhez látogass el a Fejlesztői Fórumra:

További tanulási tippek

Tekintsd át a jegyzetfüzeteket minden lecke után a jobb megértés érdekében.
Gyakorold az algoritmusok önálló implementálását.
Fedezz fel valós adatkészleteket a tanult koncepciók segítségével.

Jogi nyilatkozat:
Ez a dokumentum az Co-op Translator AI fordító szolgáltatás használatával készült. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások tartalmazhatnak hibákat vagy pontatlanságokat. Az eredeti dokumentum anyanyelvi változata tekintendő hivatalos forrásnak. Fontos információk esetén szakmai, emberi fordítás használata javasolt. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy félreértelmezésekért.