Segédanyag
AI az alapoktól — Oktatói vezetőfüzet
Ez a dokumentum nem a leckék tartalmának megismétlése — azt a hallgatók maguk elolvassák a lecke-fájlokból. Ez arra való, hogy te, mint oktató, tudd: mit mondj el szóban, mielőtt a kódot végigmenitek, hol akadnak el tapasztalat szerint a hallgatók, milyen kérdésekre készülj fel, és hogyan mutass be egy fogalmat gyorsan, tábla/vetítés szinten, a teljes kód elolvasása előtt.
Kövesd az Ütemterv/tanterv heti bontását — ez a füzet ugyanabban a sorrendben halad.
1. hét — Bevezetés és környezet (00a, 00d, 1-4. lecke)
00a — Tartalomjegyzék és tananyagterv
Időigény: 15 perc Mit mondj el élőben: Ne kezdd kóddal — mondd el, hogy ez a kurzus egy térkép, nem egy lineáris videó-lejátszási lista. Mutasd meg élőben a keres() függvényt, keress rá valamire, amit a csoport mond be (pl. "modell"). Mire figyelj: A hallgatók hajlamosak azt hinni, mindent sorban, kihagyás nélkül kell végigmenni — hangsúlyozd, hogy vissza-vissza lehet lapozni. Várható kérdés: "Miért nem 1-től indul a számozás?" — Válasz: a 00 jelű leckék alapozó leckék, ezért kerültek az 1. lecke elé.
00d — Környezet-beállítás
Időigény: 45-60 perc (ez az 1. hét legidőigényesebb, leginkább technikai jellegű blokkja) Mit mondj el élőben: Készülj fel arra, hogy ez a rész a leginkább "egyenetlen" — van, akinek 5 perc, van, akinek fél óra a telepítés, operációs rendszertől függően. Mondd el előre, hogy ez teljesen normális. Mire figyelj: Windows-on a leggyakoribb hiba az "Add Python to path" opció kihagyása telepítéskor — ezt külön emeld ki élőben, mielőtt bárki elkezdi a telepítést. macOS-en a Homebrew hiánya okoz akadást. Várható kérdések: "Muszáj VS Code-ot használnom?" (nem, bármilyen szerkesztő jó, de ha valaki már ismer egyet, azzal kezdjen); "Miért kell külön virtuális környezet minden projekthez?" — hozz egy hasonlatot (pl. minden tantárgynak külön füzete van, hogy ne keveredjenek a jegyzetek). Gyakorlati demonstráció: Vetítsd ki a saját terminálodat, és élőben hajtsd végre a Rész 2-6 lépéseit — ez sokkal megnyugtatóbb, mint ha csak a szöveget olvassák.
1-4. lecke (Python alapok)
Időigény: 2 óra összesen Mit mondj el élőben: Ha a csoportban van már programozási tapasztalat (bármilyen nyelvből), mondd el, hogy ez a rész gyors lesz nekik — ne unatkoztasd túl a haladókat, inkább adj nekik plusz gyakorlófeladatot, míg a kezdőkkel lassabb tempóban haladsz. Mire figyelj: A behúzás (indentálás) fogalma — aki C-szerű nyelvekből jön (pl. C, Java, JavaScript), ösztönösen kapcsos zárójelet várna, ez gyakori zavart okoz. Várható kérdés: "Miért pont Python, miért nem JavaScript, amit már ismerek?" — Válasz: a gépi tanulási könyvtárak (NumPy, PyTorch, scikit-learn) túlnyomó többsége Python-ban íródott, ez ma facto szabvány a területen.
2. hét — Python folytatás (5-8. lecke)
Időigény: 3 óra Mit mondj el élőben: Emlékeztesd a csoportot: még mindig nem AI-t tanulnak, hanem az eszközt, amivel majd AI-t fognak építeni — ez néhány hallgatónak türelmetlenséget okozhat, kezeld ezt előre, szólva, hogy "két hét múlva már neurális hálóval fogunk dolgozni". Mire figyelj: Lista- és szótár-kezelés (list/dict) — ez az alap, amire a későbbi pandas DataFrame-kezelés épül, ne siess át rajta. Várható kérdés: Gyakran jön "mikor kezdünk már AI-t csinálni?" jellegű kérdés — legitimizáld a türelmetlenséget, de mondd el, hogy stabil alapok nélkül a 14. héttől kezdve minden nehezebb lesz.
3. hét — Pandas, scikit-learn, matematikai alapok (9-11, 00b. lecke)
9-11. lecke
Időigény: 1,5 óra Mit mondj el élőben: A pandas DataFrame-et hasonlítsd egy Excel-táblához — ez a leggyorsabb módja annak, hogy a hallgatók fejben lehorgonyozzák a fogalmat. Mire figyelj: Az oszlop-szelektálás szintaxisa (df['oszlop'] vs. df[['oszlop']]) — ez a 00c. lecke egyik nevesített hibaforrása (1D vs. 2D tömb), érdemes már itt előre figyelmeztetni rá.
00b — Matematikai alapok
Időigény: 60-75 perc Mit mondj el élőben: Mondd el: ez a lecke azokat a fogalmakat magyarázza el rendszerezetten, amelyekre a későbbi leckék (14, 15, 20-22) építenek. Így nem "felesleges elmélet", hanem a későbbiek alapja. Mire figyelj: A vektor/mátrix fogalmát ne a matematikai definícióval kezdd (irány+hossz) — kezdd a Rész 1 autó-példájával (számlista = tulajdonságok), ez sokkal gyorsabban leül egy nem-matekos hallgatónál. Várható kérdések: "Ha eddig működött a kód ezek nélkül, miért kell most megtanulni?" — a lecke saját bevezetője pont erre válaszol, idézd belőle; "Mi az a dimenzió, ha nem 3D térről van szó?" — hangsúlyozd: a dimenzió itt csak "hány szám van a listában", semmi több. Gyakorlati demonstráció: Rajzolj táblára egy 2 elemű vektort mint nyilat (a megszokott matek-kép), majd mutasd meg ugyanazt Python listaként — a két ábrázolás összekötése erősíti a megértést.
4. hét — Gradient descent, hogyan tanul a gép, PyTorch (12, 12b, 13. lecke)
12 és 12b — Gradient descent intuíció, hogyan tanul a gép
Időigény: 90 perc Mit mondj el élőben: Ez a kurzus egyik fogalmi csúcspontja — szánj rá időt. Kezdd egy hétköznapi hasonlattal: "képzeld el, hogy sötétben próbálsz lemenni egy hegyről, és minden lépésnél csak azt érzed, merre lejt jobban a talaj" — ez a gradient descent intuíciója, mielőtt bármilyen képlet előkerülne. Mire figyelj: A 12b. lecke keretezés/manipulálhatóság témája (rész 6) érzékeny lehet — ha a csoportban felmerül a "jailbreak" téma, tartsd magad ahhoz, amit a lecke maga is képvisel: a keretek megértése fontos, konkrét megkerülési technikák oktatása nem feladata a kurzusnak. Várható kérdés: "Honnan tudja a gép, merre van a 'lejtő iránya'?" — itt vezesd be finoman a derivált fogalmát, de ne menj bele a 14c. lecke mélységébe, csak jelezd előre: "erről jövő héten lesz egy teljes lecke".
13 — PyTorch tenzorok és autograd
Időigény: 45 perc Mire figyelj: Az autograd "varázslatnak" tűnhet — hangsúlyozd, hogy ez pontosan a 12/12b. leckében tanult gradiens-számítást automatizálja, nem valami új dolog.
5. hét — Neurális háló, algoritmus-térkép (14, 14b. lecke)
14 — Neurális háló felépítése
Időigény: 90 perc (a kurzus egyik technikailag legsűrűbb alkalma) Mit mondj el élőben: Mielőtt a kódhoz érnétek, rajzolj táblára egy nagyon egyszerű hálót (2-3 kör, nyilakkal összekötve) — ez sokkal többet ér, mint ha rögtön nn.Module-lal kezdenétek. Mire figyelj:
- A
nn.Linear(bemenet, kimenet)paraméter-sorrendje a 00c. lecke egyik leggyakoribb hibaforrása — ismételd el kétszer, háromszor. - A tanítási ciklus pontos sorrendje (
zero_grad → forward → loss → backward → step) — írd fel táblára ezt az öt szót, és mutasd meg, mi történik, ha valamelyik kimarad vagy felcserélődik.
Várható kérdések: "Miért kell a zero_grad(), ez nem magától nullázódik?" (nem, a PyTorch alapból halmozza a gradienseket — ez tudatos tervezési döntés, nem hiba); "Honnan tudjuk, hány neuron/réteg kell?" — őszinte válasz: ez jórészt kísérletezés kérdése, nincs egzakt képlet. Gyakorlati demonstráció: Futtasd le élőben a kódot, és mutasd meg, ahogy a loss csökken epoch-ról epoch-ra — ez a "hőmérő", ami azonnal látható visszajelzést ad.
14b — Algoritmusok térképe
Időigény: 45 perc Mit mondj el élőben: Ez egy "megnyugtató" lecke a nehéz 14. lecke után — kevesebb kód, több áttekintés. Mondd el, hogy ez egy referencia, amihez a kurzus után is vissza fognak térni, amikor egy valós projektnél eldöntik, melyik algoritmust használják.
6. hét — Deriválás, első projekt (14c, 15. lecke)
14c — Deriválás az alapoktól
Időigény: 75-90 perc Mit mondj el élőben: Ismerd be előre: ez a lecke "visszamenőleg" adja meg azt a matematikai alapot, amit a 12-14. leckében már használtatok. Ez nem gond — sok jó tanterv így épül fel: intuíció előbb, formalizmus utána. Mire figyelj: A hatványszabály levezetése (x² → 2x) — ne csak közöld a szabályt, vezesd le táblán a határérték-definícióból, mert ez adja meg a "miért" választ, ami a kurzus egyik alapelve. Várható kérdés: "Ez a matek-óra anyaga, ehhez miért kell AI-kurzusra jönnöm?" — válaszold meg empátiával, de határozottan: a gradient descent (a teljes gépi tanulás motorja) enélkül csak "varázslat" marad.
15 — Első saját projekt
Időigény: 90 perc — ez a hét (és talán a kurzus) érzelmi csúcspontja, az első "működik!" élmény Mit mondj el élőben: Keretezd ünnepélyesen: "ez az első alkalom, hogy a nulláról felépítünk egy teljes, valóban működő rendszert". Hagyj időt arra, hogy mindenki lássa futni a saját gépén. Mire figyelj: A tanulási ráta (lr=0.00001) szokatlanul kicsi mérete kérdéseket vet fel — előre jelezd, hogy ennek oka a 22. lecke témája (skálázatlan adat), ne menj bele részletesen most. Gyakorlati demonstráció: Ha van rá idő, futtasd le a modellt egy hallgató által kitalált bemenettel élőben — ez nagyon meggyőző demonstráció.
7. hét — Pihenő/pótlás hét
Mit csinálj: Nincs új lecke. Menjetek végig közösen a 00e. lecke A és B blokkján (20 kérdés) — ez jó mód arra, hogy lásd, hol vannak rések a csoport tudásában, mielőtt a nehezebb C/D blokkra térnétek. Ha a csoport magabiztos, ez az alkalom rövidebb is lehet, és extra időt adhatsz a 15. lecke saját variánsára.
8. hét — Valós AI-rendszerek, nyelvi modell felépítése (16, 17. lecke)
16 — Valós AI-rendszerek
Időigény: 60 perc Mit mondj el élőben: Ez egy "levegővétel" lecke — kevesebb kód, több történet/kontextus. Használd ki, hogy a hallgatók feltöltődjenek motivációval, mielőtt a 17. lecke (nyelvi modell) nehezebb anyagára térnétek. Várható kérdés: "Az önvezető autók miért nem tökéletesek még mindig, ha ilyen fejlett az AI?" — jó alkalom a szenzorfúzió és a "hard safety rules" fogalom bevezetésére.
17 — Nyelvi modell felépítése
Időigény: 90-100 perc (a kurzus másik technikai csúcspontja) Mit mondj el élőben: Mondd el explicit módon: "most fogjátok megérteni, mi történik, amikor ChatGPT-vel vagy Claude-dal beszélgettek" — ez erős motivációs kapocs. Mire figyelj: Az attention-mechanizmus a legelvontabb fogalom ebben a leckében — használj konkrét mondatpéldát (pl. "a kutya, ami ugatott, megharapta a macskát" — melyik szóhoz "figyel" a rendszer a "harapta" értelmezésekor?). Várható kérdések: "Ez azt jelenti, a modell tényleg 'gondolkodik'?" (kerüld az antropomorfizálást, de ne is legyél dogmatikus — mondd el, hogy ez nyitott, vitatott kérdés); "Miért drágább a válasz generálása, mint a kérdés elolvasása?" — ez direkt átvezet a 28. lecke árazási témájához.
9. hét — Adatközpontok, AI-történelem (18, 19. lecke)
18 — Adatközpontok és energia
Időigény: 45 perc Mire figyelj: A számok (megawatt, gigawatt) elvontak a legtöbb hallgatónak — hozz összehasonlítást (pl. "egy nagy adatközpont annyi áramot fogyaszt, mint egy kisváros").
19 — AI története
Időigény: 60 perc + kiselőadások (lásd ütemterv otthoni feladat) Mit mondj el élőben: Ez jó alkalom egy lazább, beszélgetősebb órára — kérdezd meg a csoportot, ők mikor találkoztak először AI-jal a hétköznapokban, és illeszd be ezt a lecke idővonalába. Gyakorlati demonstráció: Ha valaki a kiselőadás-feladatot (ütemterv szerint) erre a hétre készítette, adj neki 5-10 percet bemutatni.
10. hét — Túltanulás, osztályozás, adat-előkészítés (20, 21, 22. lecke)
20 — Túltanulás/alultanulás
Időigény: 75 perc Mit mondj el élőben: Hozz egy hétköznapi példát: "ha valaki szóról szóra bemagol egy vizsgatételt, de nem érti, az overfitting — ha a vizsgán egy kicsit másképp kérdeznek, elakad." Mire figyelj: A train/val/test hármas felosztás logikája (miért nem elég kettő) gyakran nem ül le elsőre — ismételd meg más szavakkal is: "a validáció a te saját próbavizsgád, a teszt a valódi vizsga, amit csak egyszer írsz meg."
21 — Osztályozás gyakorlatban
Időigény: 60 perc Mire figyelj: A softmax és a 100%-ra összegződő valószínűségek — ez már a 00b. leckében előkerült, hivatkozz vissza rá, ne magyarázd újra a nulláról.
22 — Adat-előkészítés mélyebben
Időigény: 60 perc Gyakorlati demonstráció: Ez a lecke "megoldja" a 15. lecke rejtélyét (miért volt olyan kicsi a tanulási ráta) — kezdd ezzel a felvezetéssel, ez erős "aha-élmény" a csoportnak.
11. hét — Transfer learning, modellértékelés, MLOps (23, 24, 25. lecke)
23 — Előtanított modellek
Időigény: 45 perc Mire figyelj: A transfer learning fogalmát hasonlítsd emberi tanuláshoz: "ha már tudsz biciklizni, a motorozást is gyorsabban tanulod meg, mint a nulláról" — nem kell mindent elölről kezdeni.
24 — Modellértékelés komolyan
Időigény: 75 perc Mit mondj el élőben: A precision/recall fogalompár a kurzus egyik legfontosabb, leggyakrabban félreértett része — szánj rá extra időt. Mire figyelj: Használd a lecke saját spam-szűrő vs. orvosi diagnózis példáját — ez nagyon hatékonyan mutatja meg, miért nem elég egyetlen "pontosság" szám. Várható kérdés: "Melyik a fontosabb, precision vagy recall?" — a válasz: attól függ a helyzettől, nincs univerzális jó válasz, ez a lényeg.
25 — MLOps
Időigény: 60 perc Mire figyelj: A model drift fogalma elvontnak tűnhet — hozz analógiát: "mintha egy régi térképpel navigálnál egy folyamatosan átépülő városban."
12. hét — Prompt engineering, jog, gazdaság, záróprojekt (26, 27, 28, 37. lecke)
26 — Prompt engineering tudományosan
Időigény: 60 perc Mit mondj el élőben: Ez a lecke sokaknak a leggyakorlatiasabb, leginkább azonnal használható — mondd el, hogy ez az, amit a kurzus után minden nap használni fognak. Mire figyelj: Hangsúlyozd a lecke fő üzenetét: a jó prompt nem "trükk" vagy "varázsszó", hanem a Transformer-mechanizmus (17. lecke) tudatos kihasználása.
27 — Etika, jog, EU AI Act
Időigény: 60 perc Mit mondj el élőben: Mondd el explicit módon, hogy ez a lecke egy adott időpontban (2026 szeptembere) volt naprakész, és a jogszabályi környezet változhatott — ez maga is jó tanulási pont arról, hogyan kell szabályozási témákhoz viszonyulni. Mire figyelj: Ne adj konkrét jogi tanácsot élőben sem — ha valaki saját, konkrét ügyfélhelyzetről kérdez, irányítsd szakjogászhoz, pontosan úgy, ahogy a lecke maga is teszi.
28 — AI piac és gazdaság
Időigény: 45 perc Gyakorlati demonstráció: Számoltasd ki élőben a csoporttal egy saját, kitalált use case költségét a lecke képlete alapján — ez nagyon konkrét, megfogható zárása a témának.
37 — Nagy záróprojekt + bemutatók
Időigény: 90-120 perc (lásd ütemterv záróprojekt-bemutatás szakasza) Mit mondj el élőben: Ez a kurzus lezárása — keretezd úgy, mint egy közös ünneplést, nem vizsgát. Emlékeztesd a csoportot, hogy a 37. lecke mintaprojektje (minőségosztályozó) szándékosan semleges témájú volt, hogy mindenki a saját területére tudja adaptálni.
Általános tanítási tanácsok
Ha valaki lemarad: Ne állítsd meg emiatt az egész csoportot — inkább jelöld ki neki a 00c. lecke (hibaelhárítás) és a 00e. lecke (önteszt) megfelelő részét otthoni pótlásra, és a következő óra elején 10 percben egyénileg segíts neki, amíg a többiek gyakorlófeladatot oldanak.
Kérdések ösztönzése: A 00b, 14 és 17. lecke azok a pontok, ahol a legtöbb hallgatónak lenne kérdése, de sokan szégyellik feltenni. Kérdezz vissza aktívan: "ki tudná más szavakkal elmondani, mi történt az előbb?" — ez sokkal többet elárul, mint a "van kérdés?" néma csendje.
Páros munka: A 15. és 37. lecke (projektek) különösen jól működik párban — egy erősebb és egy gyengébb programozói háttérrel rendelkező hallgató párosítása mindkettőnek hasznos (az egyik gyakorlatot szerez a magyarázásban, a másik gyorsabban halad).
Hibakeresés élőben: Amikor egy hallgató kódja hibát dob (ez gyakori lesz), ne te javítsd ki azonnal — vezesd végig a 00c. lecke módszertanán hangosan: "olvassuk el együtt az utolsó sort... mit gondoltok, mit jelent ez?" Ez sokkal maradandóbb tanulási élmény, mint ha csak megmondod a megoldást, és hosszú távon önállóbbá teszi a hallgatókat a kurzus után is.
Kiegészítő leckék (29–36.)
A tananyag 2026 szeptemberében nyolc új leckével bővült: négy a jövőről és a társadalmi hatásokról, négy a gyakorlati AI-használatról szól. Ezek a 28. lecke után, a záróprojekt (37.) előtt következnek:
- 29. AI-ügynökök — hogyan „cselekszik" egy AI, és hol tart a terület 2026-ban (szabványok, mérések, kockázatok);
- 30. Szuperintelligencia — fogalmak, előrejelzések, az irányítás problémája, álláspontok és kormányzás;
- 31. Kvantumszámítógépek — alapok NumPy-példákkal, hibajavítás, ütemtervek, titkosítás;
- 32. Az AI aggályai és reményei — a fő kockázatok és hasznok, közvélemény, szabályozás, gyakorlati teendők;
- 33. RAG és vektoradatbázisok — hogyan „olvassa" az AI a saját dokumentumaidat;
- 34. Képgeneráló modellek — diffúzió, multimodális modellek, hitelesség;
- 35. Saját chatbot API-val — gyakorlati projekt a tervezéstől az élesítésig;
- 36. Mindennapi AI-használat — asszisztensek, munkafolyamatok, adatvédelem.
Oktatói tippek: a 29. leckénél közösen futtassátok le az eszköztár- és az előrejelző kódot; a 30. leckénél szervezz vitát a 6. rész táborai alapján (mindenki a számára legidegenebb álláspontot képviselje); a 31. leckénél a NumPy-példákat érdemes lépésenként kivetítve végigvenni; a 32. leckénél a kockázati mátrixot az óra elején és végén is töltsék ki, és beszéljétek meg a különbségeket.