Segédanyag
AI az alapoktól — Feladatfüzet
Ez a dokumentum az "AI az alapoktól" lecke-sorozat gyakorlófeladatait gyűjti össze, megoldás nélkül, kurzusi/tanfolyami használatra. Minden lecke végén 3-4 számozott feladat található — ezek pontosan úgy szerepelnek itt, ahogy az eredeti leckében megjelentek. Próbáld megoldani őket saját magad, mielőtt a megoldáskulcsba (csak oktatóknak) belenéznél.
00a. lecke — Tartalomjegyzék és tananyagterv
- Futtasd a
keres()függvényt saját kulcsszóval (pl. "modell", "adat", "hálózat") — nézd meg, melyik leckék jönnek elő. - Nézd végig a tananyagtervet, és jelöld meg (papíron vagy kommentben), melyik leckéket olvastad már el, és melyiket nem — ez segít látni, hol tartasz a teljes ívben.
- Ha a GitHub repódba (pl. ai-tanulas) feltöltöd ezt a fájlt, érdemes a repó főoldalán (readme.md) is hivatkozni rá, hogy bárki, aki megnyitja a repót, elsőként ezt lássa.
00b. lecke — Matematikai alapok: lineáris algebra és valószínűség gyakorlatban
- Hozz létre egy 4-dimenziós vektort, ami egy weboldalt ír le (pl. [betöltési_idő_mp, oldalak_száma, képek_száma, havi_látogatók]) — számold ki egy másik oldalhoz képest a "távolságot" (Rész 1 mintájára).
- Számold ki kézzel (papíron), majd ellenőrizd kóddal: mi a szórása az [10, 10, 10, 10] adatsornak? Miért pontosan 0? (Gondold végig a Rész 4 lépéseit!)
- Módosítsd a Rész 3 példáját három kategóriára (pl. "spam", "fontos", "hírlevél") — gondold végig, miért kell, hogy a három valószínűség összege most is pontosan 100% legyen.
- Nézd át újra a 14. lecke neurális háló kódját — most, hogy tudod, mi történik mátrixszorzás szintjén egy
nn.Linear()hívásban, próbáld meg saját szavaiddal elmagyarázni (magadnak vagy egy barátodnak), mi történik, amikor egy adat végigmegy a háló rétegein.
00c. lecke — Hibaelhárítási útmutató (gyakori hibaüzenetek)
- Futtasd a
keres_hibara()függvényt "nan", "memory" és "path" kulcsszavakkal. - Menj vissza a 15. lecke projektkódjához, és szándékosan ronts el valamit (pl. állítsd a tanulási rátát 10-re, vagy változtasd meg egy
nn.Linear()bemeneti méretét) — futtasd le, nézd meg a hibaüzenetet, és próbáld meg ebből a leckéből azonosítani, mi történt — ez a legjobb módja annak, hogy megtanuld felismerni ezeket a hibákat élesben is. - Új gyakorlat: amikor legközelebb valós hibába ütközöl (bármely saját projektben), írd be ide, ebbe a listába, saját szavaiddal — így idővel saját, személyes hibaelhárítási kézikönyvedet építed fel, ami pontosan a te leggyakoribb hibáidra szabott lesz.
00d. lecke — Környezet-beállítás: Python/PyTorch a saját gépeden
- Hajtsd végre a Rész 2-6 lépéseit a saját gépeden — hozd létre a környezetet, telepítsd a csomagokat, és futtasd le a Rész 6 ellenőrző tesztjét.
- Tölts le (vagy másolj át) egy korábbi leckét (pl. a 00b. Matematikai alapok leckét) a saját gépedre, és futtasd le ott — hasonlítsd össze az eredményt az online futtatóban (pl. a Google Colabban) kapott eredménnyel (egyeznie kell).
- Hozz létre egy
requirements.txtfájlt (Rész 7), és töltsd fel a GitHub repódba (pl. ai-tanulas) a lecke-fájlok mellé.
00e. lecke — Önellenőrző kérdéssorok (6 blokk) és záróvizsga
- Futtasd ezt a fájlt, és hívd meg a
teszt_inditasa('A')függvényt (kommenteld ki akiir_blokkot()hívásokat a fájl végén, és írd be helyette) — menj végig interaktívan az A blokkon. - Minden olyan kérdésnél, amit nem tudtál magabiztosan megválaszolni, menj vissza a megadott leckéhez, és olvasd el újra az adott részt.
- Új gyakorlat: írj saját kérdést (plusz választ) egy olyan témáról, amiről úgy érzed, jól érted — add hozzá a megfelelő blokk listájához (
blokk_a,blokk_b,blokk_cvagyblokk_d) ugyanebben a formátumban — így saját, személyes önellenőrző tesztet építesz, ami idővel egyre teljesebb lesz.
12b. lecke — Hogyan "tanul" valójában egy gépi modell?
- Hívd meg a
josolj_megbizhatosaggal()függvényt egy olyan km-értékkel, ami épp a tartomány szélén van (pl. 9000 vagy 151000) — mit tapasztalsz? - Bővítsd a függvényt: ha a kért érték kívül esik a tartományon, számold ki, hány százalékkal lépi túl azt, és írasd ki ezt is (minél nagyobb a túllépés, annál megbízhatatlanabb a becslés).
- Gondolkodj el rajta: milyen hasonló "tartomány-ellenőrzést" lehetne beépíteni egy olyan AI-rendszerbe, ami pl. egy használtautó-kereskedés vagy egy webáruház adataival dolgozna?
- Új gyakorlat (Rész 6-hoz): keress rá (magyarul vagy angolul) az "AI red teaming" és a "responsible disclosure" fogalmakra. Írd le 2-3 mondatban, mi a különbség a között, hogy valaki egy sebezhetőséget felelősen jelent be egy cégnek, vagy nyilvánosan közzéteszi — és szerinted miért számít ez a különbség ennyire sokat egy biztonsági szakember munkájában.
14. lecke — Egyszerű neurális háló építése PyTorch-csal
- Futtasd le a fenti kódot, és figyeld a kiírt hiba értékeket (Korszak 0, 100, 200, ...) — csökken a hiba a korszakok növekedésével? Ha igen, ez azt jelenti, a modell tényleg tanul.
- Próbáld meg megváltoztatni a tanulási rátát (lr) egy sokkal nagyobb értékre (pl. lr=0.1) — mi történik a hibával? (Segítség: valószínűleg "felrobban" — a hiba hatalmasra nő, vagy "nan" lesz — ez a "túllövés" jelensége, amiről a széljegyzetben olvastál.)
- Új gyakorlat: növeld a rejtett réteg méretét nn.Linear(1, 8)-ról nn.Linear(1, 32)-re (és a második réteget is: nn.Linear(32, 1)-re) — fusson-e le hiba nélkül? Gondolkodj el rajta: ez a "32" szám mit jelent a háló "kapacitása" szempontjából — vajon egy nagyobb szám mindig jobb modellt eredményez?
14b. lecke — Az AI/gépi tanulás algoritmusainak térképe
- Gondolj egy általad ismert vállalkozás (pl. egy webáruház, egy szerviz vagy egy iskola) adataira (nem kell ténylegesen megcsinálnod): tudnál mondani egy-egy példát, ami regressziós feladat lenne, és egyet, ami osztályozás lenne?
- A 3.4-es k-NN leírása alapján: mi történne, ha egy 10 milliós adatbázisban akarnál k-NN-nel becslést adni? Miért lenne ez problémás sebesség szempontjából, a lineáris regresszióhoz képest (ami egyszer "megtanul", utána egy egyszerű képlettel azonnal válaszol)?
- Gondolkodj el: a döntési fa (3.3) és a neurális háló (3.6) közül melyiket választanád egy olyan rendszerhez, ahol jogszabály írja elő, hogy minden elutasított döntést meg kell tudni magyarázni az ügyfélnek? Miért?
14c. lecke — A deriválás, a legalsó szintű alapoktól
- Számold ki kézzel (papíron, a Rész 4 hatványszabálya alapján) az f(x) = x³ deriváltját. Ellenőrizd a
derivalt_kozelites()függvénnyel, x=5-nél (emlékezz: a 13. lecke gyakorlata szerint x³ deriváltja x=5-nél 75 kell legyen — most megértve, miért). - Számold ki kézzel az f(x) = 4x² + 2x + 7 deriváltját (használd az összeadás, konstans szorzó, és konstans szabályokat együtt). Ellenőrizd a
derivalt_kozelites()függvénnyel egy általad választott x értéknél. - Új gyakorlat — kösd össze a 12b leckével: a
josolj_megbizhatosaggal()függvényben nem volt szükség deriválásra, mert az egy már betanított modellt használt. De amodel.fit(X, y)sor, ami a háttérben lefutott, pontosan a Rész 7-ben leírt lépéseket hajtotta végre, csak a scikit-learn ezt automatikusan, láthatatlanul csinálta. Gondolkodj el rajta: te magad, ha most a papíron levezetett hatványszabállyal ellenőriznéd egy egyszerű (2 pontos) lineáris modell hibafüggvényének deriváltját, hogyan kezdenél neki? (Nem kell megoldanod — csak vázold fel a gondolatmenetet.)
15. lecke — Az első saját projekted (weboldal-látogatottság elemzése)
- Futtasd le a teljes kódot, és nézd meg: az átlagos eltérés (Lépés 6) hány vásárlás? Ha sokallod, próbáld meg növelni a korszakok számát (range(2000) helyett range(5000)) — javul-e?
- Cseréld le a Lépés 1 adatait a saját, valós CSV-fájlodra (pl. ha van Google Analytics vagy más statisztikai exportod) — ehhez csak ennyit kell módosítanod:
adatok = pd.read_csv("sajat_adataim.csv")(Fontos: a CSV oszlopneveinek egyezniük kell a "latogatok"/"vasarlasok" nevekkel, vagy írd át a kód megfelelő részét az új oszlopnevekre — emlékezz a 11. leckére, ahol pontosan ezt gyakoroltad!) - Új, önálló projekt-ötlet — válassz egyet, és építsd fel ugyanezzel a 7 lépéses vázzal:
a) Szerviz: bemenet = a hiba típusának "súlyossága" (egy általad kitalált 1-10 skálán), kimenet = várható javítási idő (órában) b) webáruház: bemenet = napi hirdetési költség (ezer Ft), kimenet = aznapi rendelések száma c) saját ötlet — bármi, amihez van (vagy kitalálható) egy "bemenet -> kimenet" számpáros adatsorod. Ez lesz a "saját projekted" — nincs "jó" vagy "rossz" választás, a lényeg, hogy végigvidd a teljes folyamatot.
16. lecke — Hogyan tanulnak a valós, éles AI-rendszerek?
- Válassz egyet a fenti 4 terület közül (gyártósor, robotkar, önvezető autó, hajó/drón), és írd le 3-4 mondatban, melyik a 14b leckében tanult algoritmus-család illene rá a legjobban, és miért (a 14b összefoglaló táblázata segít).
- Gondolkodj el: egy általad ismert munkahelyen (pl. egy szervizben vagy egy raktárban) van-e olyan ismétlődő, sokszor elvégzett feladat (pl. bizonyos hibák felismerése egy eszközön), amit elvileg egy kamera + CNN rendszer (Rész 2 mintájára) támogatni tudna? Nem kell megépítened — csak gondold végig, milyen adatokat kellene először összegyűjteni hozzá.
- Új gyakorlat: nézd át még egyszer a Rész 6 összefoglalóját, és kösd össze saját szavaiddal a 12b lecke Rész 6 (keretezés/manipulálhatóság) tanulságával — miért ugyanaz a gyökér-probléma húzódik meg egy önvezető autó és egy nyelvi modell biztonsági kihívásai mögött is?
17. lecke — Hogyan épül fel egy nyelvi modell (mint a ChatGPT vagy a Claude)?
- Rajzold fel (papíron vagy egy egyszerű szövegdiagramban) az 5 lépést (tokenizálás, embedding, Transformer, előtanítás, finomhangolás), és mindegyik mellé írj oda egy korábbi leckét, ami a mechanizmus megértéséhez a legjobban kapcsolódik (pl. "előtanítás -> 14. lecke tanítási ciklusa").
- Gondolkodj el: a Lépés 5 "visszajelzés-alapú finomhangolás" részében emberek döntik el, "melyik válasz jobb" — mi történne, ha ezek az emberek mind ugyanazt a szempontot ("ez tetszik nekem") preferálnák, akkor is, ha az nem a legpontosabb/leghasznosabb válasz? Milyen kockázatot látsz ebben (kösd össze a 12b lecke Rész 6 gondolatával)?
- Új gyakorlat: sorold fel, a hátrányok/korlátok listájából, melyik 3 az, ami szerinted a legnagyobb kockázatot jelenti, ha egy AI-rendszert a te szakmai területeden (pl. ügyfélkommunikáció, oktatás, adminisztráció) használnál — és milyen védekezést (emberi ellenőrzés, tartomány-ellenőrzés, stb.) alkalmaznál ellenük, a 12b lecke Rész 5 mintájára.
18. lecke — Adatközpontok: hogyan működnek, mennyi energia kell?
- Nézz utána (webes keresés), melyik országok/régiók a legnépszerűbb helyszínek ma az új, nagy AI-adatközpontok építésére, és próbáld meg a Rész 5 szempontjai alapján megindokolni, miért pont azokat választották.
- Gondolkodj el: egy kisebb weboldalnál mekkora a különbség a szükséges "infrastruktúra" (egy megosztott vagy vps tárhely) és egy AI-adatközpont között? Mi az, ami ugyanaz marad elvben (pl. "kell egy megbízható szerver, ami fut"), és mi az, ami nagyságrendekkel más?
- Új gyakorlat: a Rész 2 "inference vs. tanítás" energiaigény különbsége alapján, gondold végig: ha egy meglévő, már betanított AI-modellt használsz (pl. egy API-n keresztül egy saját alkalmazásodban), te magad résztvevője vagy-e a "tanítási" vagy az "inference" szakasznak? Miért fontos ez a különbségtétel, ha pl. a költségeidet szeretnéd becsülni egy ilyen projektnél?
19. lecke — Az AI teljes története: a kezdetektől a mai nagy nyelvi modellekig
- Válassz ki a táblázatból három eseményt, és mindegyikhez írd le 1-2 mondatban, melyik korábbi lecke (1-18) fogalmait segít megértened jobban, ha tudod a történeti hátterét.
- Gondolkodj el a Rész 2 "AI tél" történetén: szerinted lehetséges-e, hogy a mai, nagyon gyors AI-fejlődés szintén "lelassulhat" egyszer, hasonló okokból (túlzott várakozások, elért technikai határok)? Milyen érveket tudnál felhozni mindkét oldalra (igen/nem)?
- Új gyakorlat: nézz utána (webes keresés), mi történt az AI területén 2025-2026-ban (a lecke írásakor ez még "élő, folyamatban lévő történelem" volt) — találsz-e olyan új fejleményt, ami szerinted egyszer bekerülhet egy hasonló összefoglaló táblázatba, mint a Rész 6-ban látott?
20. lecke — Túltanulás, alultanulás, és hogyan védekezünk ellenük
- Futtasd le a fenti kódot, és nézd meg a kiírt tanító/validációs/teszt méreteket — ha a teljes adathalmazod (a 15. lecke weboldal-projektjéből) 20 sorból állt, miért gondolod, hogy ez már "kevés" ahhoz, hogy megbízható validációt végezz rajta egyszerű szétválasztással (szemben a keresztvalidációval)?
- Módosítsd a 15. lecke projektjét: válaszd szét az adatot tanító és teszt részre (ez a lecke Rész 2 kódja alapján), tanítsd a modellt csak a tanító részen, majd értékeld ki a teszt részen — mennyire tér el az eredmény a korábbi (teljes adaton mért) eredménytől?
- Új gyakorlat: a 14. lecke EgyszeruHalo modelljébe illessz be egy
nn.Dropout(0.2)réteget a reteg1 és az aktivacio közé — nézd meg (a PyTorch dokumentációjában vagy webes kereséssel), pontosan hova kell írnod aforward()függvényben, és gondolkodj el: egy ilyen kis, 20 adatpontos problémánál valójában szükség van-e dropout-ra, vagy ez inkább csak nagyon nagy, sok paraméteres hálóknál számít igazán?
21. lecke — Osztályozás a gyakorlatban: építsünk egy spam-szűrőt
- Futtasd le a kódot — nézd meg a "bizonytalan eset" (3 gyanús szó, 2 felkiáltójel, nincs link) valószínűségeit — mennyire közel vannak 50-50%-hoz? Mit gondolsz, miért bizonytalan a modell ebben az esetben (nézd meg az adatok táblázatát — van-e hasonló, "közepes" eset a tanító adatok között)?
- Bővítsd a modellt egy harmadik osztállyal: "gyanús, de bizonytalan" (pl. amikor 3-4 gyanús szó van) — mi változna a kódban (gondold végig: a reteg2 mérete, az y címkék)?
- Új gyakorlat: a 20. leckében tanult train/test szétválasztás alkalmazásával módosítsd ezt a kódot: válaszd szét az adatot tanító (80%) és teszt (20%) részre, tanítsd a modellt csak a tanító részen, majd számold ki a pontosságot külön a teszt részen — egyezik-e a két pontosságérték (teljes vs. csak teszt)?
22. lecke — Adat-előkészítés mélyebben: skálázás, encoding, adatbővítés
- Futtasd le a Rész 4 kódját, majd módosítsd a 15. lecke teljes projektjét: használd a "latogatok_skalazott" és "vasarlasok_skalazott" oszlopokat a "latogatok"/"vasarlasok" helyett a tanításhoz, és próbálj ki egy nagyobb (pl. lr=0.01) tanulási rátát — gyorsabban csökken-e a hiba, mint az eredeti, lr=0.00001-es verzióban?
- Ne felejtsd el a visszaalakítást (Rész 4 vége) — ha a modelled skálázott adaton tanult, a
joslas_megbizhatosaggal()függvény (15. lecke) eredményét is vissza kell alakítanod az eredeti "vásárlásszám" skálára, mielőtt kiíratnád. - Új gyakorlat: a 21. lecke spam-szűrő projektjéhez adj hozzá egy negyedik, kategorikus jellemzőt (pl. "feladó típusa": "ismert", "ismeretlen", "korábban_letiltott") — alakítsd át one-hot encoding-gal, és gondold végig: hogyan változna a modell
reteg1 = nn.Linear(3, 8)sora, ha most már több bemeneti oszlopod van?
23. lecke — Előtanított modellek, Transfer Learning, Fine-Tuning
- Ha szeretnéd kipróbálni valósan (nem kötelező): telepítsd a torchvision könyvtárat (pip install torchvision), és futtasd a Rész 3 kódját (kihagyva a "peldakod_szoveg" változóba csomagolást, vagyis ténylegesen lefuttatva a sorokat) — nézd meg, mennyi ideig tart a modell letöltése, és próbáld ki
print(elotanitott_modell)-lel, hogy néz ki a teljes hálózat szerkezete. - Gondolkodj el: ha egy szervizben fotóról akarnád felismerni a hibás alkatrészt (ez az ötlet a 18. lecke gyakorlat 2-ben már felmerült), mennyi saját fotóra lenne szükséged, ha transfer learning-et használnál (pár száz), szemben azzal, ha nulláról építenéd fel a modellt (valószínűleg több tízezer)?
- Új gyakorlat: nézz utána (webes keresés) a "Hugging Face" platformon, keress rá egy magyar nyelven is működő, előtanított szövegosztályozó modellre — írd le 2-3 mondatban, mire használhatnád (pl. vásárlói vélemények automatikus pozitív/negatív osztályozására egy webáruházban).
24. lecke — Modellértékelés komolyan: Precision, Recall, F1, Confusion matrix, ROC-AUC
- Futtasd le a kódot — nézd meg a kiírt Precision/Recall értékeket. Ha az egyik sokkal alacsonyabb, mint a másik, mit jelent ez a modelled viselkedéséről (túl óvatos vagy túl érzékeny)?
- Módosítsd a Rész 6 kódját: próbálj ki még több küszöböt (0.1, 0.2, ..., 0.9) — írd fel egy táblázatba az eredményeket, és gondold végig: melyik küszöböt választanád, ha egy valódi spam-szűrőt építenél egy kisvállalkozás számára (hol van a te személyes határod Precision és Recall között)?
- Új gyakorlat: telepítsd a scikit-learn könyvtárat (pip install scikit-learn, ha még nincs), és használd a
sklearn.metrics.classification_report()kész függvényét (from sklearn.metrics import classification_report) a fenti adatok_y és joslatok tenzorokon (előbb alakítsd őket .NumPy()-vá) — hasonlítsd össze a kész függvény kimenetét a kézzel számolt eredményeiddel — egyeznek-e?
25. lecke — MLOps: hogyan kerül egy modell éles használatba?
- Telepítsd a fastapi és uvicorn könyvtárakat (pip install fastapi uvicorn), és próbáld ki a Rész 2 példakódját (előbb a 15. lecke modelljét kell elmentened
torch.save()-del) — nyisd meg a böngésződben a "http://localhost:8000/docs" címet, miután elindítottad a szervert — a FastAPI automatikusan generál egy interaktív dokumentációs oldalt, ahol kipróbálhatod az API-dat. - Gondolkodj el: egy weboldalba hogyan illesztenél be egy ilyen API-t — pl. egy JavaScript fetch() hívással a weboldal frontend részéből a Python API felé? Milyen biztonsági kérdéseket (pl. ki férhet hozzá az API-hoz) kellene átgondolnod?
- Új gyakorlat: írj egy rövid "monitorozási tervet" (3-4 mondatban) a 15. lecke weboldal-látogatottság modelljéhez — milyen jeleket figyelnél, hogy időben észrevedd, ha a modell "eldriftel" (Rész 4), és milyen gyakran újratanítanád?
26. lecke — Prompt engineering, tudományosan megalapozva
- Válassz egy valós, általad használt AI-promptot (pl. amit legutóbb egy AI-asszisztensnek írtál), és azonosítsd benne, melyik Rész 2-5 technikát használtad (tudatosan vagy ösztönösen).
- Kísérletezz: írj egy egyszerű kérdést kétféleképp — egyszer "nyersen" (struktúra nélkül), egyszer a Rész 7 vázlata szerint felépítve — hasonlítsd össze a két válasz minőségét.
- Új gyakorlat: gondold végig — a 25. lecke MLOps elvei alapján, hogyan "verziókövetnéd" a saját, jól bevált promptjaidat egy valós projektben (pl. a munkahelyeden vagy egy hobbiprojektben), hogy később is visszakereshetők, újrafelhasználhatók legyenek, és nyomon kövesd, melyik verzió működött jobban?
27. lecke — Etika, jog, EU AI Act, felelősség
- Gondold végig: a 21. lecke spam-szűrő projekted, és a 15. lecke weboldal-látogatottság projekted — a Rész 3 négy kategóriája közül melyikbe esnének, ha éles használatba állítanád őket (25. lecke)? Indokold meg a választásod.
- Nézz utána (webes keresés): milyen AI-vonatkozású szabályozás érvényes Magyarországon, az EU AI Act-en túl/azon belül (pl. van-e magyar hatóság, ami az AI Act betartatásáért felel)?
- Új gyakorlat: írj egy rövid (5-6 mondatos) "AI használati tájékoztatót" (amilyet egy weboldal adatvédelmi tájékoztatója mellé illesztenél), ha egy chatbotot tennél egy weboldalra — térj ki: (1) hogy AI-val beszélget a látogató, (2) milyen adatot használ a rendszer, (3) mi a korlátja (emlékeztető a 17. lecke hátrányok listájára).
- Új gyakorlat: most, hogy láttad, hogy egy ilyen jogszabály idővonala menet közben is változhat — nézz utána (webes keresés), van-e még újabb módosítás az EU AI Act körül azóta, hogy ez a lecke íródott (2026 szeptembere)? Ez a gyakorlat maga tanítja meg a legfontosabb leckét: jogi/szabályozási témáknál soha ne tekints egy dátumot "véglegesnek" — mindig ellenőrizd az aktuális állapotot, mielőtt valós döntést hoznál rá építve.
28. lecke — AI piac és gazdaság: kik a nagy szereplők, mennyibe kerül mindez?
- Módosítsd a Rész 4 kódját: számold ki, mennyibe kerülne havonta, ha a példabeli chatbot nem 500, hanem 5000 beszélgetést kezelne havonta — melyik ponton válik a költség "érdemlegessé" (pl. több száz dollár/hónap)?
- Gondolkodj el: ha egy vállalkozásnak ajánlanád egy AI-chatbot beépítését, milyen szempontok alapján választanál a Rész 3 konkrét modelljei közül (Haiku vs. Sonnet vs. Opus)? Mikor érdemes többet fizetni a jobb modellért?
- Új gyakorlat: nézz utána (webes keresés) a jelenlegi, hivatalos árlistáknak (platform.claude.com/docs/en/about-claude/pricing és developers.OpenAI.com/api/docs/pricing) — hasonlítsd össze a talált értékeket a Rész 3 táblázatával — változtak-e az árak azóta, hogy ez a lecke íródott (2026 szeptembere)? Ez a gyakorlat maga a legfontosabb tanulság: egy gazdasági témánál (akárcsak a 27. lecke jogi témájánál) soha ne tekints egy számot "véglegesnek" — mindig ellenőrizd az aktuális állapotot közvetlenül a gyártó oldalán, mielőtt valós döntést hoznál.
29. lecke — AI-ügynökök (agentek): hogyan "cselekszik" egy AI?
- Módosítsd a Rész 2
szimult_ai_dontes()függvényt: adj hozzá egy negyedik eszközt (pl. "email_kuldo"), és egy olyan feladatot, ami ezt használná. - Gondold végig (Rész 3 mintájára): ha egy AI-ügynöknek meg kellene írnia egy új aloldalt egy weboldalhoz, milyen lépésekre bontanád a feladatot? Melyik lépésnél lenne szükség (Rész 4) emberi jóváhagyásra, mielőtt az ügynök folytatná?
- Új gyakorlat: kérj meg egy AI-asszisztenst vagy kódoló ügynököt, hogy írjon és futtasson le neked egy rövid Python-szkriptet, majd nézd vissza a beszélgetést — azonosíts legalább 3 konkrét pillanatot, ahol a Rész 2 "gondolkodás -> cselekvés -> megfigyelés" ciklusa megtörtént (pl. "fájlt írt -> lefuttatta ellenőrzésként -> látta az eredményt -> eldöntötte a következő lépést").
- Bővítsd a 7. rész eszköztárát egy „fajl_torles" eszközzel. Milyen
veszelyesértéket adnál neki, és miért? Írj egy olyan hívást is, amelyet a paraméter-ellenőrzés kiszűr. - Vegyél egy tetszőleges ügynököt, amelyet ismersz vagy használsz (pl. e-mail-asszisztens, böngészőügynök). Írd fel, a „halálos hármas" melyik lába teljesül nála, és javasolj egy beállítást, amellyel legalább egyet elvágnál.
- Futtasd le a 8. rész előrevetítő programját úgy, hogy a kiinduló értéknek a bizonytalansági sáv alsó (6 óra) és felső (98 óra) határát adod meg. Mekkora a különbség 24 hónap múlva? Fogalmazd meg egy mondatban, mit tanít ez az AI-előrejelzésekről.
30. lecke — Szuperintelligencia: mi az, mikor jöhet, és miért vitatkoznak róla ennyire?
- Gyűjts össze három, a szuperintelligenciáról vagy AGI-ról szóló friss hírt vagy nyilatkozatot. Mindegyikben jelöld meg, mi benne a tény, mi az előrejelzés és mi a vélemény, és kinek a definíciójával dolgozik.
- Futtasd le a 2. rész programját úgy, hogy a számítási szorzót 5-ről 2-re csökkented. Mennyivel lassabb így öt év alatt a „hatékony számítás" növekedése? Mit jelentene ez az előrejelzésekre?
- A 3. rész programjában cseréld le a válaszokat egy általad kitalált, 15 fős „felmérésre", ahol a medián 5%, az átlag viszont 20% feletti. Milyen válaszeloszlás kell ehhez?
- Válassz ki egyet a 6. rész táborai közül, amellyel a legkevésbé értesz egyet, és írd le a legerősebb érvét a saját szavaiddal, úgy, hogy egy képviselője is elfogadná. Utána írd le a legerősebb ellenérvet is.
- Az 5. rész táblázatából válassz ki egy kísérletet. Tervezz meg egy kiegészítő kísérletet, amely segítene eldönteni, hogy „valódi" viselkedésről vagy szerepjátékról van-e szó.
- Sorold a 7. rész kezdeményezéseit három csoportba: kötelező jog, önkéntes vállalás, javaslat. Melyik csoportba került a legtöbb? Mit gondolsz, miért?
31. lecke — Kvantumszámítógépek: hol tartunk 2026-ban, és mi várható?
- Módosítsd az 1. rész NumPy-programját: a Hadamard-kapu helyett használd az X-kaput (
X = np.array([[0, 1], [1, 0]])). Mit mérsz most? Mi történik, ha előbb H-t, aztán X-et, aztán megint H-t alkalmazol? - Írd át a Bell-állapotos részt úgy, hogy a CNOT előtt az első qubitre X-kaput is alkalmazol. Melyik két eredmény fordul most elő, és miért?
- A 2. rész ismétléses kódjában próbáld ki a p = 0,45 és a p = 0,55 értéket 3, 7 és 15 bittel. Hol van a „küszöb", és mi történik közvetlenül alatta és fölötte?
- Számold ki: hány amplitúdót kellene tárolni 30, 40 és 50 qubit pontos szimulációjához, és ez hány gigabájt, ha egy komplex szám 16 bájt? Hol fogy el egy átlagos laptop memóriája?
- Keress egy friss kvantumos hírt vagy sajtóközleményt, és értékeld a 8. rész hat kérdése alapján. Mi derül ki belőle, és mi marad homályban?
- Készíts egy rövid „kvantumbiztonsági leltárt" egy általad ismert kisvállalkozásnak vagy saját magadnak a 6. rész tippje alapján: hol használtok titkosítást, és melyik adatnak kell 10 év múlva is titkosnak maradnia?
32. lecke — Az AI árnyoldalai és ígéretei: aggályok és pozitív hozzáállások 2026-ban
- Töltsd ki az 1. rész kockázati mátrixát a saját becsléseiddel a lecke elején és a végén. Melyik téma pontszáma változott a legtöbbet, és miért?
- Válassz ki egy aggályt a 2–8. részből. Írd le egy bekezdésben a legerősebb bizonyítékot és a legerősebb ellenérvet, majd döntsd el, melyik bizonyítékszintbe (erős, közepes, gyenge, vitatott) sorolnád.
- Keress egy friss hírt, amely egy AI-okozta kárról vagy egy AI-os áttörésről szól. Cég saját közlése, lektorált tanulmány, felmérés vagy egyedi eset? Mit kellene még tudnod ahhoz, hogy megbízz benne?
- Készítsd el a saját családi „deepfake-védelmi tervedet": családi jelszó, visszahívási szabály, kivel beszéled meg. Mutasd meg egy idősebb családtagodnak is.
- Ha dolgozol vagy vállalkozol: írj egy egyoldalas AI-használati szabályzatot a 13. rész alapján (milyen eszköz, milyen adattal, ki ellenőrzi a kimenetet, mit tilos).
- Vitagyakorlat: válassz egy tábort a 11. részből, amellyel nem értesz egyet, és érvelj mellette három percig a legjobb tudásod szerint. Mi volt a legnehezebb?
33. lecke — RAG és vektoradatbázisok: hogyan „olvassa" az AI a saját dokumentumaidat?
- Futtasd a mini-RAG-ot a „Mikor vagytok nyitva szombaton?" kérdéssel. Melyik dokumentum nyer, és mekkora pontszámmal?
- Kérdezd meg egyetlen szóval: „Jótállás?" Milyen pontszámokat kapsz, és miért? Hogyan segítene egy neurális embedding-modell?
- Adj hozzá egy ötödik dokumentumot a saját vállalkozásodról vagy egy kitalált cégről, és tegyél fel rá kérdést.
- Írj egy system promptot egy RAG-os ügyfélszolgálati chatbothoz: mit tegyen, ha a részletekben nincs benne a válasz, és hogyan jelölje a forrást?
- Gondold végig: milyen dokumentumokat NEM tennél be egy nyilvános chatbot tudásbázisába, és miért?
34. lecke — Képgeneráló és multimodális modellek: hogyan lesz a szövegből kép?
- Módosítsd a programban a
betaértékét 0,05-re, majd 0,4-re. Hogyan változik, milyen gyorsan tűnik el a négyzet? - Rajzolj a 8×8-as képre egy másik alakzatot (például egy vízszintes vonalat), és futtasd újra.
- Írj egy képgeneráló promptot a Rész 3 széljegyzetének öt szempontja szerint egy kitalált termék hirdetéséhez.
- Keress egy vírusként terjedő képet, és ellenőrizd a Rész 6 módszereivel: mit tudsz meg az eredetéről?
- Gondold végig: egy kisvállalkozás weboldalán milyen feltételekkel használnál AI-val generált képeket?
35. lecke — Gyakorlati projekt: saját chatbot építése API-val
- Írd meg a saját (valós vagy kitalált) vállalkozásod chatbotjának system promptját a Rész 1 öt kérdése alapján.
- A szimulációban állítsd a
max_elozmenyértékét 2-re. Mi változik abban, hogy mi megy el a modellnek? - Számold ki a
koltseg_ft()függvénnyel: mennyi lenne a havi költség napi 1000 beszélgetésnél? És ha a beszélgetések kétszer olyan hosszúak? - Bővítsd a tiltott szavak listáját, és gondold végig: miért nem elég önmagában egy szólistás szűrő?
- Kösd össze a 33. lecke mini-RAG-ját a szimulációval: a
modell_valasza()előtt keresd ki a legjobb két részletet, és írd ki, mi menne el a modellnek. - Állíts össze 10 tesztkérdést (köztük 3 csapdát) a botodhoz, és írd mellé a várt viselkedést.
36. lecke — Mindennapi AI-használat okosan: asszisztensek, munkafolyamatok, adatvédelem
- Válassz ki három, rendszeresen előforduló feladatodat, és próbáld ki őket két különböző asszisztensen. Melyik volt jobb, és miért?
- Írj egy promptot a Rész 3 öt eleme szerint egy valós feladatodhoz, majd egy „lusta", egymondatos változatot is. Hasonlítsd össze a válaszokat.
- Kérj egy asszisztenstől forrásokkal alátámasztott választ egy általad jól ismert témában, és ellenőrizd a forrásokat. Hány volt pontos?
- Nézd át a használt asszisztensed adatvédelmi beállításait: mit változtattál meg?
- Írj egy rövid, egyoldalas „AI-használati szabályt" magadnak vagy a családodnak a Rész 5 és 6 alapján.
37. lecke — Nagy záróprojekt: minőségosztályozó rendszer
- Módosítsd a Lépés 1 adatgenerálást: adj hozzá egy negyedik jellemzőt (pl. "szín_eltérés" — mennyire tér el a termék színe az ideálistól) — futtasd újra a teljes pipeline-t, és nézd meg, változik-e a teszt pontosság.
- Cseréld le a Lépés 4 k-NN modellt egy valódi PyTorch neurális hálóra (emlékeztető a 14, 21. leckére — három kimeneti neuron kell a 3 kategóriához, CrossEntropyLoss-szal) — ez a legjobb gyakorlat annak bizonyítására, hogy a többi lépés (1, 2, 3, 5, 6, 7, 8) változatlan maradhat.
- Gondold végig: válassz egy saját területet (bármit, ami érdekel — lehet gasztronómia, sport, kertészkedés, bármi), és írj le legalább 3 mérhető jellemzőt, amivel egy hasonló osztályozó rendszert építhetnél arra a területre.
- Új gyakorlat — a teljes sorozat lezárása: nézd végig a 00a. lecke (tartalomjegyzék) teljes listáját, és írj magadnak egy rövid (5-10 mondatos) összefoglalót: mit tanultál a legfontosabbnak ebből a teljes sorozatból, és mi az, amivel a jövőben a legszívesebben folytatnád a tanulást?
*Összesen 32 lecke, 121 gyakorlófeladat. Sok sikert a gyakorláshoz!*