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

Alapozás (00b–13. lecke)
10 önellenőrző kérdés
1Mi a különbség egy vektor és egy mátrix között?
A vektor egy rendezett számlista (egydimenziós), a mátrix számok táblázata (sorok és oszlopok — több vektor egymás alatt).
00b. lecke2Miért kell standardizálni/normalizálni az adatot tanítás előtt?
Mert a különböző skálájú jellemzők (pl. év vs. km) torzítanák a tanítást — a nagyobb skálájú jellemző indokolatlanul dominálna, ha nem hozzuk közös skálára.
22. lecke3Mit jelent a 'gradiens' fogalma, és mi köze a deriválthoz?
A gradiens több változóra vonatkozó deriváltakból álló vektor — megmutatja, minden egyes súlyra külön-külön, milyen irányban kell változtatni a hiba csökkentéséhez.
14c, 00b. lecke4Mi a szórás, és mit mond el, amit az átlag önmagában nem?
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. lecke5Mi az a tenzor, és miben különbözik a NumPy tömbtől?
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. lecke6Mire használjuk a pandas DataFrame-et, és miben más, mint egy sima NumPy mátrix?
A DataFrame táblázatos adatokat tárol, oszlopnevekkel és címkékkel kiegészítve — sokkal kényelmesebb valós, 'emberi' adatok kezelésére, mint egy sima számmátrix.
15. lecke7Miért fontos a 'random seed' (pl. np.random.seed(42)) beállítása?
Biztosítja, hogy a 'véletlenszerű' műveletek (pl. adat összekeverése) mindig ugyanazt az eredményt adják — ez kulcsfontosságú a reprodukálhatósághoz.
20, 25, 37. lecke8Mi a különbség a scikit-learn és a PyTorch között, mikor melyiket használjuk?
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. lecke9Mit jelent a mátrixszorzás gyakorlati szinten egy neurális hálóban?
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. lecke10Miért kell a deriváltat ismerni ahhoz, hogy megértsük, hogyan tanul egy modell?
A derivált (meredekség) mutatja meg, milyen irányban kell változtatni a súlyokat, hogy a hiba (loss) csökkenjen — ez a gradient descent teljes alapja.
14c. leckeGépi tanulás magja (12b, 14–15. lecke)
10 önellenőrző kérdés
1Mi a különbség a loss függvény és az optimizer szerepe között?
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. lecke2Mire való a ReLU aktivációs függvény, és mi történne nélküle?
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. lecke3Mi az epoch, és mi a különbség egy epoch és egy batch között?
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. lecke4Miért kell meghívni az optimizer.zero_grad()-ot minden lépés elején?
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. lecke5Mi az a k-NN algoritmus, egyszerű szavakkal?
Egy új adatpontot a hozzá legközelebbi k darab ismert adatpont alapján sorolunk be — 'nézd meg, mihez hasonlít leginkább, és annak a csoportjába tartozik'.
14b. lecke6Mi a tanulási ráta (learning rate), és mi történik, ha túl nagy vagy túl kicsi?
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. lecke7Milyen lépésekből áll egy teljes, end-to-end ML-projekt (a 15. lecke alapján)?
Adatgyűjtés/tisztítás -> tenzorrá alakítás -> modell felépítése -> tanítás -> kiértékelés -> megbízhatósági ellenőrzés.
15. lecke8Miért nem tud egy AI-rendszer 'biztosat tudni' arról, amiről nincs adata?
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. lecke9Mi az mse (mean squared error), és mikor használjuk?
A jósolt és a valós érték közti különbségek négyzetének átlaga — regressziós (szám-jóslási) feladatoknál használt hibafüggvény.
14. lecke10Mi az algoritmus-választás alapkérdése (a 14b. lecke szerint)?
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. leckeValós világ / nyelvi modellek (16–19. lecke)
10 önellenőrző kérdés
1Mi a token, és miért nem 'egész szavakra' bontjuk a szöveget?
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. lecke2Mi az embedding, gyakorlati szinten?
Egy szó (vagy más objektum) számvektorrá alakítása úgy, hogy a hasonló jelentésű dolgok közel kerüljenek egymáshoz a vektortérben.
17. lecke3Mi az attention (figyelem-mechanizmus) szerepe a Transformerben?
Minden szó 'megnézi', mennyire fontosak a mondat többi szavai a saját jelentése szempontjából — ez teszi lehetővé, hogy a modell kontextusfüggő jelentést értsen meg.
17. lecke4Mi a különbség az előtanítás (pretraining) és a finomhangolás (fine-tuning) között?
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. lecke5Miért drágább (számításilag) a kimenet generálása, mint a bemenet feldolgozása?
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. lecke6Milyen szerepet játszik a szenzorfúzió az önvezető autóknál?
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. lecke7Miért van szükség hatalmas, sok-megawattos adatközpontokra egy nagy nyelvi modell tanításához?
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. lecke8Melyik évben publikálták a Transformer-architektúrát, és ki(k)?
2017-ben, Google-kutatók ('Attention Is All You Need' cikk) — ez az architektúra a mai nagy nyelvi modellek alapja.
17, 19. lecke9Mi történt 2012-ben (AlexNet), és miért fontos ez az AI történetében?
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. lecke10Mi az rlhf, és mire használják a nyelvi modellek fejlesztésében?
Emberi visszajelzésen alapuló megerősítéses tanulás — emberi értékelők preferenciái alapján finomhangolják a modellt, hogy hasznosabb, biztonságosabb válaszokat adjon.
17. leckeProfi szint / kiegészítő mélység (20–28. lecke)
10 önellenőrző kérdés
1Mi az overfitting (túltanulás), és hogyan ismerjük fel?
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. lecke2Miért kell külön validációs és teszt adathalmaz, miért nem elég csak egy?
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. lecke3Mit mér a precision, és mit mér a recall — mi a köztük lévő különbség?
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. lecke4Mi a softmax függvény szerepe osztályozásnál?
Nyers számokat (logitokat) valószínűségekké alakít úgy, hogy az összes lehetséges kategória valószínűsége pontosan 100%-ra összegződjön.
21. lecke5Mi a model drift, és miért kell rá figyelni éles rendszerben?
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. lecke6Miért nem működnek megbízhatóan az 'univerzális jailbreak trükkök' egy jól felépített prompt-tal szemben?
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. lecke7Mi a négy kockázati kategória az EU AI Act szerint?
Tiltott gyakorlatok (elfogadhatatlan kockázat), magas kockázatú rendszerek, korlátozott kockázat (átláthatósági kötelezettség), minimális kockázat.
27. lecke8Miért drágább az API-kimenet, mint az API-bemenet tokenenként?
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. lecke9Mi a különbség a GDPR és az EU AI Act hatóköre között?
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. lecke10Mikor éri meg saját, helyben futó (nem API-alapú) modellt választani egy kisvállalkozásnak?
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. leckeA jövő és a társadalom (29–32. lecke)
10 önellenőrző kérdés
1Mi a különbség egy „sima" nyelvi modell (chatbot) és egy AI-ügynök között?
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. lecke2Mi az MCP (Model Context Protocol), és miért hasznos?
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. lecke3Mi a prompt injection, és miért veszélyesebb ügynököknél, mint egy chatbotnál?
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. lecke4Mi a különbség a szűk AI, az AGI és a szuperintelligencia között?
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. lecke5Miért nem elég egy AI-nak „jól megfogalmazni a célt"?
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. lecke6Hogyan érdemes egy „mikorra jön az AGI?" előrejelzést olvasni?
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. lecke7Miben más a qubit, mint a hagyományos bit?
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. lecke8Miért félrevezető a qubitszám, és mi a logikai qubit?
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. lecke9Mi látszik viszonylag biztosan, és mi vitatott az AI munkaerőpiaci hatásáról 2026-ban?
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. lecke10Mit tehetsz te magad az AI kockázatainak csökkentéséért a mindennapokban?
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. leckeGyakorlati AI (33–36. lecke)
10 önellenőrző kérdés
1Mi a RAG, és milyen problémát old meg?
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. lecke2Mi a RAG három lépése?
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. lecke3Mikor válassz RAG-ot, és mikor finomhangolást?
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. lecke4Mit jelent, hogy egy modell multimodális?
Többféle adattípust kezel (szöveg, kép, hang, videó), és ezeket egy közös jelentéstérben kapcsolja össze — ezért tud például képről beszélni, vagy szövegből képet készíteni.
34. lecke5Hogyan hoz létre képet egy diffúziós modell?
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. lecke6Milyen szabályokra figyelj AI-val készült képeknél?
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. lecke7Hol tárold a chatbotod API-kulcsát, és miért?
A szerveren, környezeti változóban. Ha a kódba, a GitHubra vagy a böngészőben futó részbe kerül, bárki kiolvashatja, és a te számládra használhatja.
35. lecke8Miért nő egy hosszú beszélgetés költsége üzenetről üzenetre?
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. lecke9Mi a legfontosabb szokás egy AI-asszisztens használatakor?
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. lecke10Milyen adatot ne adj meg egy AI-asszisztensnek, és milyen beállítást érdemes megnézni?
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. leckeA 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)
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).