Új lapon nyílik meg

00e. lecke

Önellenőrző kérdéssorok (6 blokk) és záróvizsga

7 rész0 kódpélda1 ábra

Ez a lecke nem új tudást tanít — hanem ellenőrzi, hogy a korábbi leckék tartalma valóban megragadt-e. Nem kódolási feladatok, hanem fogalmi kérdések — a cél, hogy saját szavaiddal (vagy legalább magadban) meg tudd válaszolni őket, mielőtt megnézed a megoldást.

SzéljegyzetMiért jobb módszer ez, mint egyszerűen újraolvasni a leckéket?

Mert az aktív felidézés — amikor magadtól próbálsz válaszolni, mielőtt megnézed a megoldást — sokkal erősebben rögzíti a tudást, mint a passzív újraolvasás. A pszichológiában ezt "tesztelési hatásnak" (testing effect) hívják. Ha egy kérdésre nem tudsz válaszolni, az pontosan megmutatja, hova érdemes visszalapoznod.

Használat: a fájl futtatható — a teszt_inditasa() függvénnyel interaktívan végigmehetsz egy blokk kérdésein (a terminálban begépelve a válaszod, majd Enter — utána megjelenik a helyes válasz és a magyarázat). Ha csak át akarod nézni a kérdéseket és válaszokat listaként, használd a kiir_blokkot() függvényt.

SzéljegyzetEgyszer érdemes végigcsinálni ezeket a kérdéseket, vagy többször is?

Érdemes időnként visszatérni hozzájuk, nem csak egyszer. Az elosztott ismétlés (spaced repetition) — vagyis hogy egy témát nem egyszerre, hanem napok/hetek eltéréssel ismétled át — tartósabb tanulást eredményez, mint az egyszeri, tömbösített átismétlés.

Miért 6 blokk, és miért pont így osztva? Emlékeztető a 00a. lecke tartalomjegyzékére — a teljes sorozat 6 nagy blokkra oszlik: A) alapozás (00b–13. lecke), B) gépi tanulás magja (12b, 14–15. lecke), C) valós világ / nyelvi modellek (16–19. lecke), D) profi szint / kiegészítő mélység (20–28. lecke), E) a jövő és a társadalom (29–32. lecke), F) gyakorlati AI (33–36. lecke). Ez a lecke mindegyik blokkhoz 10 önellenőrző kérdést ad, a végén pedig egy 60 kérdéses, pontozott záróvizsga vár.

Négy tudás-ellenőrzőpont emelkedő úton, a végén zászló
Az önellenőrzés minden blokkja egy lépcsőfok: mindegyiket kipipálva biztos lehetsz benne, hogy tényleg a helyeden van a tudás, mielőtt továbblépsz.
A

Alapozás (00b–13. lecke)

10 önellenőrző kérdés

1Mi a különbség egy vektor és egy mátrix között?
Válasz

A vektor egy rendezett számlista (egydimenziós), a mátrix számok táblázata (sorok és oszlopok — több vektor egymás alatt).

00b. lecke
2Miért kell standardizálni/normalizálni az adatot tanítás előtt?
Válasz

Mert a különböző skálájú jellemzők (pl. év vs. km) torzítanák a tanítást — a nagyobb skálájú jellemző indokolatlanul dominálna, ha nem hozzuk közös skálára.

22. lecke
3Mit jelent a 'gradiens' fogalma, és mi köze a deriválthoz?
Válasz

A gradiens több változóra vonatkozó deriváltakból álló vektor — megmutatja, minden egyes súlyra külön-külön, milyen irányban kell változtatni a hiba csökkentéséhez.

14c, 00b. lecke
4Mi a szórás, és mit mond el, amit az átlag önmagában nem?
Válasz

A szórás azt méri, mennyire szóródnak az adatok az átlag körül — két adatsornak lehet ugyanaz az átlaga, mégis nagyon eltérő a szórása (mennyire 'egyenletesek' az értékek).

00b, 20. lecke
5Mi az a tenzor, és miben különbözik a NumPy tömbtől?
Válasz

A tenzor a PyTorch alapvető adatszerkezete — lényegében ugyanaz, mint egy NumPy tömb (számok tetszőleges dimenzióban), de a tenzor tudja követni a rajta végzett műveleteket az automatikus deriváláshoz (autograd).

13. lecke
6Mire használjuk a pandas DataFrame-et, és miben más, mint egy sima NumPy mátrix?
Válasz

A DataFrame táblázatos adatokat tárol, oszlopnevekkel és címkékkel kiegészítve — sokkal kényelmesebb valós, 'emberi' adatok kezelésére, mint egy sima számmátrix.

15. lecke
7Miért fontos a 'random seed' (pl. np.random.seed(42)) beállítása?
Válasz

Biztosítja, hogy a 'véletlenszerű' műveletek (pl. adat összekeverése) mindig ugyanazt az eredményt adják — ez kulcsfontosságú a reprodukálhatósághoz.

20, 25, 37. lecke
8Mi a különbség a scikit-learn és a PyTorch között, mikor melyiket használjuk?
Válasz

A scikit-learn egyszerűbb, klasszikus gépi tanulási algoritmusokra (pl. lineáris regresszió, k-NN) jó, gyors és kényelmes. A PyTorch a mélytanuláshoz (neurális hálókhoz) készült, rugalmasabb, de bonyolultabb.

9-14. lecke
9Mit jelent a mátrixszorzás gyakorlati szinten egy neurális hálóban?
Válasz

Egy réteg (nn.Linear) kimenete a bemeneti vektor és a súlymátrix szorzata (plusz egy bias tag) — ez az az alapművelet, amit minden egyes réteg egyszerre, minden neuronjára elvégez.

00b, 14. lecke
10Miért kell a deriváltat ismerni ahhoz, hogy megértsük, hogyan tanul egy modell?
Válasz

A derivált (meredekség) mutatja meg, milyen irányban kell változtatni a súlyokat, hogy a hiba (loss) csökkenjen — ez a gradient descent teljes alapja.

14c. lecke
B

Gépi tanulás magja (12b, 14–15. lecke)

10 önellenőrző kérdés

1Mi a különbség a loss függvény és az optimizer szerepe között?
Válasz

A loss függvény méri a hibát (mennyire téved a modell). Az optimizer a mechanizmus, ami a mért hiba alapján frissíti a súlyokat, hogy a hiba csökkenjen.

14. lecke
2Mire való a ReLU aktivációs függvény, és mi történne nélküle?
Válasz

A ReLU nemlinearitást visz a hálóba (negatívnál 0, pozitívnál önmaga) — enélkül a háló, bármennyi réteg lenne is benne, matematikailag egyetlen lineáris függvénnyel lenne egyenértékű, és nem tudna bonyolult mintázatokat megtanulni.

14. lecke
3Mi az epoch, és mi a különbség egy epoch és egy batch között?
Válasz

Az epoch egy teljes végigfutás a teljes tanítóadaton. A batch az adat egy kisebb csoportja, amit a modell egyszerre dolgoz fel egy tanítási lépésben — egy epoch több batch-ből áll.

14. lecke
4Miért kell meghívni az optimizer.zero_grad()-ot minden lépés elején?
Válasz

Mert a gradiensek alapból felhalmozódnak a PyTorch-ban — ha nem nullázzuk le, az előző lépés gradiense hozzáadódna az újhoz, és a tanítás hibás irányba menne.

14. lecke
5Mi az a k-NN algoritmus, egyszerű szavakkal?
Válasz

Egy új adatpontot a hozzá legközelebbi k darab ismert adatpont alapján sorolunk be — 'nézd meg, mihez hasonlít leginkább, és annak a csoportjába tartozik'.

14b. lecke
6Mi a tanulási ráta (learning rate), és mi történik, ha túl nagy vagy túl kicsi?
Válasz

Megmondja, mekkora lépést tegyünk a gradiens irányába súlyfrissítéskor. Túl nagy: a tanítás instabillá válik, 'túllövi' a célt (akár NaN loss-hoz vezethet). Túl kicsi: a tanítás nagyon lassú, vagy megreked.

14c, 15. lecke
7Milyen lépésekből áll egy teljes, end-to-end ML-projekt (a 15. lecke alapján)?
Válasz

Adatgyűjtés/tisztítás -> tenzorrá alakítás -> modell felépítése -> tanítás -> kiértékelés -> megbízhatósági ellenőrzés.

15. lecke
8Miért nem tud egy AI-rendszer 'biztosat tudni' arról, amiről nincs adata?
Válasz

Egy AI-modell a tanítóadatból tanult mintázatokra épít — ha egy témáról nincs (vagy nagyon kevés) adata, 'kitalál' valamit a legvalószínűbbnek tűnő minta alapján, ahelyett hogy bevallaná a bizonytalanságot — ez az egyik gyökere a hallucinációnak.

12b. lecke
9Mi az mse (mean squared error), és mikor használjuk?
Válasz

A jósolt és a valós érték közti különbségek négyzetének átlaga — regressziós (szám-jóslási) feladatoknál használt hibafüggvény.

14. lecke
10Mi az algoritmus-választás alapkérdése (a 14b. lecke szerint)?
Válasz

Milyen típusú a feladat (regresszió vs. osztályozás), mennyi és milyen jellegű az adat, és mennyire fontos a modell 'érthetősége' (interpretálhatósága) a nyers pontossággal szemben.

14b. lecke
C

Valós világ / nyelvi modellek (16–19. lecke)

10 önellenőrző kérdés

1Mi a token, és miért nem 'egész szavakra' bontjuk a szöveget?
Válasz

A token egy szövegdarab (kb. szórészlet) — a szórészletekre bontás rugalmasabb, mint a teljes szavak: így a modell akkor is boldogul, ha egy szót korábban sosem látott egészben (össze tudja rakni ismerős darabokból).

17. lecke
2Mi az embedding, gyakorlati szinten?
Válasz

Egy szó (vagy más objektum) számvektorrá alakítása úgy, hogy a hasonló jelentésű dolgok közel kerüljenek egymáshoz a vektortérben.

17. lecke
3Mi az attention (figyelem-mechanizmus) szerepe a Transformerben?
Válasz

Minden szó 'megnézi', mennyire fontosak a mondat többi szavai a saját jelentése szempontjából — ez teszi lehetővé, hogy a modell kontextusfüggő jelentést értsen meg.

17. lecke
4Mi a különbség az előtanítás (pretraining) és a finomhangolás (fine-tuning) között?
Válasz

Az előtanítás egy nagy, általános adathalmazon (pl. az internet szövegén) tanítja meg a modellt az általános nyelvi mintázatokra. A finomhangolás ezt a már betanított modellt egy szűkebb, specifikus feladatra tanítja tovább.

17. lecke
5Miért drágább (számításilag) a kimenet generálása, mint a bemenet feldolgozása?
Válasz

A bemenetet egyszer kell feldolgozni (egy átfutás a rétegeken), de minden egyes kimeneti tokenhez újra le kell futtatni a teljes számítást, mert minden új token függ az összes korábbi (bemeneti és már generált) tokentől.

17, 28. lecke
6Milyen szerepet játszik a szenzorfúzió az önvezető autóknál?
Válasz

Több különböző érzékelő (kamera, radar, lidar) adatait kombinálja, hogy megbízhatóbb, redundáns képet kapjon a környezetről — ha az egyik érzékelő téved/hibázik, a többi kompenzálhatja.

16. lecke
7Miért van szükség hatalmas, sok-megawattos adatközpontokra egy nagy nyelvi modell tanításához?
Válasz

A tanítás óriási mennyiségű párhuzamos számítást (mátrixszorzást) igényel rengeteg GPU-n egyszerre, hosszú ideig — ez hatalmas, folyamatos energiafogyasztással jár, amit csak nagy, hűtött, megbízható áramellátású létesítményekben lehet biztosítani.

18. lecke
8Melyik évben publikálták a Transformer-architektúrát, és ki(k)?
Válasz

2017-ben, Google-kutatók ('Attention Is All You Need' cikk) — ez az architektúra a mai nagy nyelvi modellek alapja.

17, 19. lecke
9Mi történt 2012-ben (AlexNet), és miért fontos ez az AI történetében?
Válasz

Az AlexNet nevű neurális háló látványosan megnyert egy képfelismerési versenyt, ez indította el a mai mélytanulási forradalmat — sokan ezt tekintik a modern AI-korszak kezdőpontjának.

19. lecke
10Mi az rlhf, és mire használják a nyelvi modellek fejlesztésében?
Válasz

Emberi visszajelzésen alapuló megerősítéses tanulás — emberi értékelők preferenciái alapján finomhangolják a modellt, hogy hasznosabb, biztonságosabb válaszokat adjon.

17. lecke
D

Profi szint / kiegészítő mélység (20–28. lecke)

10 önellenőrző kérdés

1Mi az overfitting (túltanulás), és hogyan ismerjük fel?
Válasz

Amikor a modell 'bemagolja' a tanítóadatot, de új adaton rosszul teljesít — felismerhető, ha a tanítási hiba tovább csökken, de a validációs hiba elkezd nőni.

20. lecke
2Miért kell külön validációs és teszt adathalmaz, miért nem elég csak egy?
Válasz

A validációs adatot a hiperparaméterek hangolására használjuk (ez 'beszivárgó' információ) — a teszt adatot csak a legvégén, egyszer, hogy valóban elfogulatlan képet kapjunk a modell teljesítményéről.

20, 37. lecke
3Mit mér a precision, és mit mér a recall — mi a köztük lévő különbség?
Válasz

A precision azt méri: a pozitívnak jósolt esetek közül hány volt tényleg pozitív. A recall azt méri: a ténylegesen pozitív esetek közül hányat talált meg a modell.

24. lecke
4Mi a softmax függvény szerepe osztályozásnál?
Válasz

Nyers számokat (logitokat) valószínűségekké alakít úgy, hogy az összes lehetséges kategória valószínűsége pontosan 100%-ra összegződjön.

21. lecke
5Mi a model drift, és miért kell rá figyelni éles rendszerben?
Válasz

Amikor egy éles modell teljesítménye idővel romlik, mert a valós, beérkező adatok fokozatosan eltérnek attól, amin eredetileg tanítottuk — folyamatos monitorozás nélkül ez észrevétlen maradhat.

25. lecke
6Miért nem működnek megbízhatóan az 'univerzális jailbreak trükkök' egy jól felépített prompt-tal szemben?
Válasz

Mert a modell válasza a teljes kontextusra (system prompt, korábbi üzenetek, biztonsági rétegek) épül, nem egyetlen 'varázsszóra' — emellett külső, rendszerszintű védelmi rétegek is működnek a modell mögött (defense-in-depth).

26, 12b. lecke
7Mi a négy kockázati kategória az EU AI Act szerint?
Válasz

Tiltott gyakorlatok (elfogadhatatlan kockázat), magas kockázatú rendszerek, korlátozott kockázat (átláthatósági kötelezettség), minimális kockázat.

27. lecke
8Miért drágább az API-kimenet, mint az API-bemenet tokenenként?
Válasz

A kimenet generálása minden egyes új tokennél újra lefuttatja a teljes számítást (17. lecke elve), míg a bemenetet elég egyszer feldolgozni — ez nagyobb számítási költséget jelent, amit magasabb ár tükröz.

28. lecke
9Mi a különbség a GDPR és az EU AI Act hatóköre között?
Válasz

A GDPR azt szabályozza, hogyan gyűjtesz/kezelsz személyes adatot. Az EU AI Act azt szabályozza, hogyan működik/dönt egy AI-rendszer — a kettő párhuzamosan, egyszerre érvényes lehet.

27. lecke
10Mikor éri meg saját, helyben futó (nem API-alapú) modellt választani egy kisvállalkozásnak?
Válasz

Elsősorban adatvédelmi/kontroll okokból — ha az adatok nem hagyhatják el a saját infrastruktúrát (pl. szigorú szabályozás alatt álló ügyfél esetén) — a legtöbb kisebb, általános projektnél az API-használat egyszerűbb és gazdaságosabb.

28. lecke
E

A jövő és a társadalom (29–32. lecke)

10 önellenőrző kérdés

1Mi a különbség egy „sima" nyelvi modell (chatbot) és egy AI-ügynök között?
Válasz

A chatbot szöveges választ ad. Az ügynök eszközöket is használ (keresés, kódfuttatás, fájlok, más programok), és egy „gondolkodás → cselekvés → megfigyelés" ciklusban több lépésen át halad a cél felé: minden lépés eredményét visszakapja, és ez alapján dönt a következőről.

29. lecke
2Mi az MCP (Model Context Protocol), és miért hasznos?
Válasz

Nyílt szabvány, amelyen keresztül egy AI-alkalmazás egységes módon kapcsolódhat külső eszközökhöz és adatforrásokhoz. Egy eszközt így elég egyszer „bekötni", és több ügynök, több alkalmazás is használhatja.

29. lecke
3Mi a prompt injection, és miért veszélyesebb ügynököknél, mint egy chatbotnál?
Válasz

Egy beolvasott tartalomba (weboldal, e-mail, dokumentum) rejtett utasítás, amelyet a modell parancsként értelmez. Egy ügynöknek jogosultságai vannak, így a becsempészett utasítás valódi cselekvést is kiválthat (adatküldés, törlés). Védekezés: szűk jogosultságok, emberi jóváhagyás a kockázatos lépéseknél, és a beolvasott szöveg adatként kezelése, nem utasításként.

29. lecke
4Mi a különbség a szűk AI, az AGI és a szuperintelligencia között?
Válasz

A szűk AI egy-egy feladatban jó (pl. képfelismerés). Az AGI a legtöbb szellemi feladatban nagyjából emberi szinten teljesítene. A szuperintelligencia szinte minden területen jóval felülmúlná a legjobb embereket is.

30. lecke
5Miért nem elég egy AI-nak „jól megfogalmazni a célt"?
Válasz

Mert a rendszer a megadott célt szó szerint optimalizálja, és kijátszhatja a mérőszámot a valódi feladat helyett (jutalomcsalás). Minél képesebb a rendszer, annál nehezebb észrevenni és kijavítani az ilyen eltéréseket — ez az irányítás problémája.

30. lecke
6Hogyan érdemes egy „mikorra jön az AGI?" előrejelzést olvasni?
Válasz

Tisztázd, mit jósol pontosan (melyik definíció szerint), ki jósolja és van-e érdeke benne, mennyire biztos (medián, sáv vagy csak egy dátum), és mire alapozza. Egy számot soha ne kezelj tényként.

30. lecke
7Miben más a qubit, mint a hagyományos bit?
Válasz

A bit mindig 0 vagy 1. A qubit mérés előtt a 0 és az 1 szuperpozíciójában lehet, méréskor pedig valószínűségekkel 0-t vagy 1-et ad. A kvantumalgoritmusok ereje nem abból jön, hogy „egyszerre mindent kipróbálnak", hanem az amplitúdók interferenciájából.

31. lecke
8Miért félrevezető a qubitszám, és mi a logikai qubit?
Válasz

A qubitek minősége (hibaaránya), összekapcsoltsága és a futtatható műveletek száma sokkal többet számít, mint a darabszám. A logikai qubit sok fizikai qubitből hibajavítással összerakott, megbízhatóbb qubit — a hasznos kvantumgépekhez ezekből kell sok.

31. lecke
9Mi látszik viszonylag biztosan, és mi vitatott az AI munkaerőpiaci hatásáról 2026-ban?
Válasz

Viszonylag biztos, hogy a leginkább érintett szakmákban csökkent a pályakezdők felvétele. Vitatott, hogy ez valóban az AI miatt van-e, és hogy tartós lesz-e.

32. lecke
10Mit tehetsz te magad az AI kockázatainak csökkentéséért a mindennapokban?
Válasz

Ellenőrizd a fontos állításokat eredeti forrásból, gyanús képnél, hangnál, videónál keress megerősítést, ne adj meg érzékeny adatot, és a fontos döntéseknél maradjon ember a folyamatban.

32. lecke
F

Gyakorlati AI (33–36. lecke)

10 önellenőrző kérdés

1Mi a RAG, és milyen problémát old meg?
Válasz

A nyelvi modell nem ismeri a saját vagy a tanítása után keletkezett dokumentumaidat. A RAG először keres a dokumentumokban, majd a talált részleteket a kérdéssel együtt adja át a modellnek, így az azokra építve válaszol, és meg is tudja jelölni a forrást.

33. lecke
2Mi a RAG három lépése?
Válasz

1. Előkészítés: a dokumentumok darabolása, embeddinggé alakítása és indexelése (vektoradatbázisba). 2. Keresés: a kérdéshez jelentésében leghasonlóbb darabok megkeresése. 3. Válaszgenerálás: a talált darabok és a kérdés együtt kerülnek a modellhez.

33. lecke
3Mikor válassz RAG-ot, és mikor finomhangolást?
Válasz

RAG-ot, ha a modellnek tényeket, gyakran változó tudást kell használnia, és fontos a forrásmegjelölés. Finomhangolást, ha a stílust, a formátumot vagy a viselkedést akarod tartósan megváltoztatni.

33. lecke
4Mit jelent, hogy egy modell multimodális?
Válasz

Többféle adattípust kezel (szöveg, kép, hang, videó), és ezeket egy közös jelentéstérben kapcsolja össze — ezért tud például képről beszélni, vagy szövegből képet készíteni.

34. lecke
5Hogyan hoz létre képet egy diffúziós modell?
Válasz

Tanításkor a képekhez fokozatosan zajt adnak, és a modell megtanulja ezt a zajt lépésenként eltávolítani. Generáláskor tiszta zajból indul, és a szöveges leírás irányításával sok lépésben „kitisztítja" a képet.

34. lecke
6Milyen szabályokra figyelj AI-val készült képeknél?
Válasz

Valós, azonosítható emberről ne készíts és ne terjessz megtévesztő képet a beleegyezése nélkül. Üzleti célra használt AI-képnél jelöld, hogy AI-val készült. Egy kép hitelességét pedig a forrás és a kontextus alapján is ellenőrizd, ne csak szemre.

34. lecke
7Hol tárold a chatbotod API-kulcsát, és miért?
Válasz

A szerveren, környezeti változóban. Ha a kódba, a GitHubra vagy a böngészőben futó részbe kerül, bárki kiolvashatja, és a te számládra használhatja.

35. lecke
8Miért nő egy hosszú beszélgetés költsége üzenetről üzenetre?
Válasz

Mert az API nem emlékszik a korábbi hívásokra: minden hívásnál újra el kell küldeni az előzményeket, így egyre több token megy át. Ezért érdemes korlátozni vagy összefoglalni a régi üzeneteket.

35. lecke
9Mi a legfontosabb szokás egy AI-asszisztens használatakor?
Válasz

Az ellenőrzés. A modell magabiztosan tévedhet, és nem létező hivatkozásokat is kitalálhat — ezért a fontos tényeket, számokat és forrásokat mindig nézd meg az eredetiben.

36. lecke
10Milyen adatot ne adj meg egy AI-asszisztensnek, és milyen beállítást érdemes megnézni?
Válasz

Jelszót, érzékeny személyes adatot, mások adatait és üzleti titkot ne. Nézd meg, felhasználja-e a szolgáltató a beszélgetéseidet tanításra (és ha nem szeretnéd, kapcsold ki), valamint hogy mennyi ideig tárolja az előzményeket.

36. lecke

A blokk — alapozás (00b-13. lecke)

B blokk — gépi tanulás magja (12b, 14, 14b, 14c, 15. lecke)

C blokk — valós világ / nyelvi modellek (16-19. lecke)

D blokk — profi szint / kiegészítő mélység (20-28. lecke)

E blokk — a jövő és a társadalom (29-32. lecke)

F blokk — gyakorlati AI (33-36. lecke)

Gyakorlás

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_f) ugyanebben a formátumban — így saját, személyes önellenőrző tesztet építesz, ami idővel egyre teljesebb lesz.

Pontozott záróvizsga (60 kérdés)

Ha végigértél a kurzuson, itt mérheted fel, mennyi maradt meg belőle. A vizsga 60 feleletválasztós kérdésből áll, mind a hat blokkból, a végén 4 összetett, több leckét összekötő feladattal. A kérdések témakörönként jönnek, de a sorrendjük, és minden kérdésnél a válaszok sorrendje is minden kitöltésnél más.

Értékelés. 90%-tól (54 pont) kiváló, 75%-tól (45 pont) sikeres a vizsga, 60–74% között majdnem megvan, alatta érdemes a jelölt leckéket újra átvenni. Minden válasz után megkapod a magyarázatot és a lecke számát, a végén pedig témakörönkénti eredményt, átnézési listát, és a hibás kérdéseket külön is újra megoldhatod. Szánj rá kb. 50–60 percet.

Nincs tét — a vizsga csak neked szól, a pontszámod nem megy sehová (csak a saját legjobb eredményedet jegyzi meg a böngésződ).