Új lapon nyílik meg

Segédanyag

AI az alapoktól — Feladatfüzet

25 rész0 kódpélda0 ábra

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

  1. Futtasd a keres() függvényt saját kulcsszóval (pl. "modell", "adat", "hálózat") — nézd meg, melyik leckék jönnek elő.
  2. 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.
  3. 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

  1. 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).
  2. 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!)
  3. 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.
  4. 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)

  1. Futtasd a keres_hibara() függvényt "nan", "memory" és "path" kulcsszavakkal.
  2. 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.
  3. 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

  1. 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.
  2. 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).
  3. Hozz létre egy requirements.txt fájlt (Rész 7), és töltsd fel a GitHub repódba (pl. ai-tanulas) a lecke-fájlok mellé.

00e. lecke — Önellenőrző kérdéssorok (6 blokk) és záróvizsga

  1. Futtasd ezt a fájlt, és hívd meg a teszt_inditasa('A') függvényt (kommenteld ki a kiir_blokkot() hívásokat a fájl végén, és írd be helyette) — menj végig interaktívan az A blokkon.
  2. Minden olyan kérdésnél, amit nem tudtál magabiztosan megválaszolni, menj vissza a megadott leckéhez, és olvasd el újra az adott részt.
  3. 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_c vagy blokk_d) ugyanebben a formátumban — így saját, személyes önellenőrző tesztet építesz, ami idővel egyre teljesebb lesz.

12b. lecke — Hogyan "tanul" valójában egy gépi modell?

  1. Hívd meg a josolj_megbizhatosaggal() függvényt egy olyan km-értékkel, ami épp a tartomány szélén van (pl. 9000 vagy 151000) — mit tapasztalsz?
  2. 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).
  3. Gondolkodj el rajta: milyen hasonló "tartomány-ellenőrzést" lehetne beépíteni egy olyan AI-rendszerbe, ami pl. egy használtautó-kereskedés vagy egy webáruház adataival dolgozna?
  4. 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

  1. 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.
  2. 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.)
  3. 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

  1. 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?
  2. 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)?
  3. 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

  1. 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).
  2. 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.
  3. Új gyakorlat — kösd össze a 12b leckével: a josolj_megbizhatosaggal() függvényben nem volt szükség deriválásra, mert az egy már betanított modellt használt. De a model.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)

  1. 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?
  2. 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!)
  3. 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?

  1. 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).
  2. 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.
  3. 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)?

  1. 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").
  2. 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)?
  3. 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?

  1. 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.
  2. 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?
  3. 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

  1. 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.
  2. 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)?
  3. 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

  1. 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)?
  2. 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?
  3. 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 a forward() 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

  1. 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)?
  2. 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)?
  3. 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

  1. 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?
  2. 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.
  3. 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

  1. 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.
  2. 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)?
  3. 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

  1. 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)?
  2. 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)?
  3. 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?

  1. 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.
  2. 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?
  3. 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

  1. 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).
  2. Kísérletezz: írj egy egyszerű kérdést kétféleképp — egyszer "nyersen" (struktúra nélkül), egyszer a Rész 7 vázlata szerint felépítve — hasonlítsd össze a két válasz minőségét.
  3. 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

  1. 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.
  2. 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)?
  3. 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).
  4. 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?

  1. 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)?
  2. 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?
  3. 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?

  1. Módosítsd a Rész 2 szimult_ai_dontes() függvényt: adj hozzá egy negyedik eszközt (pl. "email_kuldo"), és egy olyan feladatot, ami ezt használná.
  2. 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?
  3. 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").
  4. Bővítsd a 7. rész eszköztárát egy „fajl_torles" eszközzel. Milyen veszelyes értéket adnál neki, és miért? Írj egy olyan hívást is, amelyet a paraméter-ellenőrzés kiszűr.
  5. 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.
  6. 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?

  1. 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.
  2. 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?
  3. 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?
  4. 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.
  5. Az 5. rész táblázatából válassz ki egy kísérletet. Tervezz meg egy kiegészítő kísérletet, amely segítene eldönteni, hogy „valódi" viselkedésről vagy szerepjátékról van-e szó.
  6. 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?

  1. 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?
  2. 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?
  3. 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?
  4. 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?
  5. Keress egy friss kvantumos hírt vagy sajtóközleményt, és értékeld a 8. rész hat kérdése alapján. Mi derül ki belőle, és mi marad homályban?
  6. 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

  1. Töltsd ki az 1. rész kockázati mátrixát a saját becsléseiddel a lecke elején és a végén. Melyik téma pontszáma változott a legtöbbet, és miért?
  2. 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.
  3. 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?
  4. Készítsd el a saját családi „deepfake-védelmi tervedet": családi jelszó, visszahívási szabály, kivel beszéled meg. Mutasd meg egy idősebb családtagodnak is.
  5. Ha dolgozol vagy vállalkozol: írj egy egyoldalas AI-használati szabályzatot a 13. rész alapján (milyen eszköz, milyen adattal, ki ellenőrzi a kimenetet, mit tilos).
  6. 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?

  1. Futtasd a mini-RAG-ot a „Mikor vagytok nyitva szombaton?" kérdéssel. Melyik dokumentum nyer, és mekkora pontszámmal?
  2. Kérdezd meg egyetlen szóval: „Jótállás?" Milyen pontszámokat kapsz, és miért? Hogyan segítene egy neurális embedding-modell?
  3. Adj hozzá egy ötödik dokumentumot a saját vállalkozásodról vagy egy kitalált cégről, és tegyél fel rá kérdést.
  4. Írj egy system promptot egy RAG-os ügyfélszolgálati chatbothoz: mit tegyen, ha a részletekben nincs benne a válasz, és hogyan jelölje a forrást?
  5. Gondold végig: milyen dokumentumokat NEM tennél be egy nyilvános chatbot tudásbázisába, és miért?

34. lecke — Képgeneráló és multimodális modellek: hogyan lesz a szövegből kép?

  1. Módosítsd a programban a beta értékét 0,05-re, majd 0,4-re. Hogyan változik, milyen gyorsan tűnik el a négyzet?
  2. Rajzolj a 8×8-as képre egy másik alakzatot (például egy vízszintes vonalat), és futtasd újra.
  3. Írj egy képgeneráló promptot a Rész 3 széljegyzetének öt szempontja szerint egy kitalált termék hirdetéséhez.
  4. Keress egy vírusként terjedő képet, és ellenőrizd a Rész 6 módszereivel: mit tudsz meg az eredetéről?
  5. Gondold végig: egy kisvállalkozás weboldalán milyen feltételekkel használnál AI-val generált képeket?

35. lecke — Gyakorlati projekt: saját chatbot építése API-val

  1. Írd meg a saját (valós vagy kitalált) vállalkozásod chatbotjának system promptját a Rész 1 öt kérdése alapján.
  2. A szimulációban állítsd a max_elozmeny értékét 2-re. Mi változik abban, hogy mi megy el a modellnek?
  3. Számold ki a koltseg_ft() függvénnyel: mennyi lenne a havi költség napi 1000 beszélgetésnél? És ha a beszélgetések kétszer olyan hosszúak?
  4. Bővítsd a tiltott szavak listáját, és gondold végig: miért nem elég önmagában egy szólistás szűrő?
  5. 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.
  6. Állíts össze 10 tesztkérdést (köztük 3 csapdát) a botodhoz, és írd mellé a várt viselkedést.

36. lecke — Mindennapi AI-használat okosan: asszisztensek, munkafolyamatok, adatvédelem

  1. Válassz ki három, rendszeresen előforduló feladatodat, és próbáld ki őket két különböző asszisztensen. Melyik volt jobb, és miért?
  2. Írj egy promptot a Rész 3 öt eleme szerint egy valós feladatodhoz, majd egy „lusta", egymondatos változatot is. Hasonlítsd össze a válaszokat.
  3. Kérj egy asszisztenstől forrásokkal alátámasztott választ egy általad jól ismert témában, és ellenőrizd a forrásokat. Hány volt pontos?
  4. Nézd át a használt asszisztensed adatvédelmi beállításait: mit változtattál meg?
  5. Írj egy rövid, egyoldalas „AI-használati szabályt" magadnak vagy a családodnak a Rész 5 és 6 alapján.

37. lecke — Nagy záróprojekt: minőségosztályozó rendszer

  1. 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.
  2. 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.
  3. 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.
  4. 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!*