Segédanyag
AI az alapoktól
Koltai Norbert AI/gépi tanulási tananyaga — projektalapú, teljes egészében magyar nyelvű oktatás, a Python alapoktól a neurális hálókon és nyelvi modelleken át a jogi/gazdasági kontextusig és az AI-ügynökökig.
Cél: az AI/gépi tanulás elsajátítása a nulláról, gyakorlati projekteken keresztül.
Minden lecke egy önálló, futtatható .py fájl, mély, minden fogalmat kifejtő magyarázatokkal (a kódban "Széljegyzet" jelöléssel), és a legtöbb lecke visszahivatkozik a korábbi leckékre, ahol az adott fogalom először előkerült.
Hol kezdjem?
- Ha teljesen kezdő vagy Pythonban: kezdd a
lecke_01_bevezetes.pyfájllal, és haladj sorban. - Ha már megvan az alap, vagy csak tájékozódni akarsz: olvasd el a
lecke_00a_tartalomjegyzek.pyfájlt — ez a teljes sorozat kereshető térképe, előfeltétel-térképpel. - Ha saját gépen (nem felhőben) szeretnéd futtatni a kódokat, nézd meg a
lecke_00d_kornyezet_beallitas.pyfájlt — lépésről lépésre elmagyarázza a Python/PyTorch telepítést Windows/macOS/Linux alatt. - Ha egy hibaüzenetbe futsz bele futtatás közben, nézd meg a
lecke_00c_hibaelharitas.pyfájlt — gyakori hibák, okuk és a javításuk.
Egy lecke futtatása terminálban:
python3 lecke_01_bevezetes.py
A teljes lecke-lista
| # | Fájl | Téma |
|---|---|---|
| 00a | lecke_00a_tartalomjegyzek.py | Tartalomjegyzék és tananyagterv (kereshető térkép) |
| 00b | lecke_00b_matematikai_alapok.py | Matematikai alapok: vektorok, mátrixok, valószínűség |
| 00c | lecke_00c_hibaelharitas.py | Hibaelhárítási útmutató (gyakori hibaüzenetek) |
| 00d | lecke_00d_kornyezet_beallitas.py | Környezet-beállítás saját gépen (Windows/macOS/Linux) |
| 00e | lecke_00e_onellenorzo_tesztek.py | Önellenőrző kérdéssorok (6 blokk, 60 kérdés) és pontozott záróvizsga |
| 1 | lecke_01_bevezetes.py | Mi az a Python, telepítés, első print() program |
| 2 | lecke_02_valtozok.py | Változók, input(), adatok tárolása |
| 3 | lecke_03_alaptipusok.py | Alaptípusok: számok vs. szövegek, type() |
| 4 | lecke_04_feltetelek.py | Feltételek: if, elif, else |
| 5 | lecke_05_ciklusok.py | Ciklusok: for és while |
| 6 | lecke_06_listak_szotarak.py | Listák és szótárak |
| 7 | lecke_07_fuggvenyek.py | Függvények |
| 8 | lecke_08_fajlkezeles.py | Fájlkezelés |
| 9 | lecke_09_csomagok_pip.py | Csomagok, pip, virtuális környezet |
| 10 | lecke_10_numpy.py | NumPy alapok |
| 11 | lecke_11_pandas.py | Pandas — táblázatos adatok kezelése |
| 12 | lecke_12_elso_ml_modell.py | Az első gépi tanulási modell (scikit-learn) |
| 12b | lecke_12b_hogyan_tanul_a_gep.py | Hogyan "tanul" valójában egy gépi modell? + keretezés problémája |
| 13 | lecke_13_pytorch_tenzorok.py | PyTorch alapok: tenzorok |
| 14 | lecke_14_neuralis_halo.py | Egyszerű neurális háló építése PyTorch-csal |
| 14b | lecke_14b_algoritmusok_terkepe.py | Az AI/gépi tanulás algoritmusainak térképe |
| 14c | lecke_14c_derivalas_alapoktol.py | A deriválás, a legalsó szintű alapoktól |
| 15 | lecke_15_elso_sajat_projekt.py | Az első saját projekt: weboldal-látogatottság |
| 16 | lecke_16_valos_ai_rendszerek.py | Hogyan tanulnak a valós, éles AI-rendszerek? (gyártás, robotok, önvezetés) |
| 17 | lecke_17_nyelvi_modell_felepitese.py | Hogyan épül fel egy nyelvi modell (mint a ChatGPT/claude)? |
| 18 | lecke_18_adatkozpontok_energia.py | Adatközpontok: működés, energiaigény |
| 19 | lecke_19_ai_tortenete.py | Az AI teljes története: a kezdetektől a mai nagy modellekig |
| 20 | lecke_20_tultanulas_alultanulas.py | Túltanulás, alultanulás, védekezés ellenük |
| 21 | lecke_21_osztalyozas_gyakorlatban.py | Osztályozás a gyakorlatban: spam-szűrő építése |
| 22 | lecke_22_adat_elokeszites_melyebben.py | Adat-előkészítés mélyebben: skálázás, encoding |
| 23 | lecke_23_elotanitott_modellek.py | Előtanított modellek, Transfer Learning, Fine-Tuning |
| 24 | lecke_24_modellertekeles_komolyan.py | Modellértékelés komolyan: Precision, Recall, F1, ROC-AUC |
| 25 | lecke_25_mlops_eles_hasznalat.py | MLOps: hogyan kerül egy modell éles használatba? |
| 26 | lecke_26_prompt_engineering_tudomanyosan.py | Prompt engineering, tudományosan megalapozva |
| 27 | lecke_27_etika_jog_ai_act.py | Etika, jog, EU AI Act, felelősség *(2026 szeptemberi állapot)* |
| 28 | lecke_28_ai_piac_gazdasag.py | AI piac és gazdaság: szereplők, árazás, költségbecslés |
| 29 | lecke_29_ai_ugynokok.py | AI-ügynökök (agentek): hogyan "cselekszik" egy AI? |
| 30 | lecke_30_szuperintelligencia.py | Szuperintelligencia: mi az, mikor jöhet, és miért vitatkoznak rajta? |
| 31 | lecke_31_kvantumszamitogepek.py | Kvantumszámítógépek: hol tartunk, és mi várható? |
| 32 | lecke_32_ai_aggalyok_es_remenyek.py | Az AI aggályai és reményei |
| 33 | lecke_33_rag_es_vektoradatbazisok.py | RAG és vektoradatbázisok: hogyan „olvassa" az AI a saját dokumentumaidat? |
| 34 | lecke_34_kepgeneralo_modellek.py | Képgeneráló és multimodális modellek |
| 35 | lecke_35_sajat_chatbot_api.py | Gyakorlati projekt: saját chatbot építése API-val |
| 36 | lecke_36_mindennapi_ai_hasznalat.py | Mindennapi AI-használat okosan |
| 37 | lecke_37_zaroprojekt.py | Nagy záróprojekt: minőségosztályozó rendszer |
| 38 | lecke_38_szoszedet.py | Szószedet / fogalomtár (kereshető referencia) |
A tananyag felépítése (6 blokk + záró anyagok)
| Blokk | Leckék | Miről szól |
|---|---|---|
| A — Alapozás | 00a-00e, 1-13 | Python, NumPy, Pandas, scikit-learn, PyTorch alapok, matematikai háttér |
| B — Gépi tanulás magja | 12b, 14, 14b, 14c, 15 | Hogyan tanul egy modell, neurális háló, deriválás, első teljes projekt |
| C — Valós világ és nyelvi modellek | 16-19 | Valós AI-rendszerek, nyelvi modell felépítése, adatközpontok, AI-történelem |
| D — Profi szint | 20-28 | Megbízható modellépítés, MLOps, prompt engineering, jog, gazdaság |
| E — A jövő és a társadalom | 29-32 | AI-ügynökök, szuperintelligencia, kvantumszámítógépek, az AI aggályai és reményei |
| F — Gyakorlati AI | 33-36 | RAG és vektoradatbázisok, képgeneráló modellek, saját chatbot API-val, mindennapi AI-használat |
| Záró anyagok | 37-38 | Nagy záróprojekt, szószedet |
Kiegészítő dokumentumok (kurzus/tanfolyam-szervezéshez)
utemterv_tanterv.md— 12 hetes bontás, óra-szerkezet, mérföldkövekfeladatfuzet.md— gyakorlófeladatok megoldás nélkül (résztvevőknek)megoldaskulcs.md— ugyanazok a feladatok, megoldással (csak oktatóknak)oktatoi_vezetofuzet.md— leckénkénti óravezetési segédletkurzusleiras_marketing.md— kurzusleírás hirdetéshez/landing page-hez
Frissítési megjegyzés
A 27. lecke (EU AI Act, jog) és a 28. lecke (AI-piac, árazás) olyan, gyorsan változó témákat érint (jogszabályi határidők, API-árak), amelyeknél a tartalom egy adott időpontban (2026 szeptemberében) volt naprakész — ezekben a leckékben mindig érdemes ellenőrizni a hivatkozott hivatalos forrást, mielőtt valós döntést hoznál rá építve.
Licenc / felhasználás
Ez a tananyag tanulási célra készült. Szabadon felhasználható, módosítható, továbbadható.
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.