Új lapon nyílik meg

38. lecke

Szószedet / fogalomtár

0 rész0 kódpélda1 ábra
Mire jó?

Ez a fogalomtár az előző leckék legfontosabb AI-, gépi tanulási és programozási szakkifejezéseit gyűjti össze. Nem kell elejétől a végéig elolvasnod: keress rá arra a fogalomra, amelynek a jelentését szeretnéd gyorsan tisztázni.

Egymásba ágyazott körök: mesterséges intelligencia, gépi tanulás, mélytanulás
A fogalmak egymásba ágyazódnak: a mélytanulás a gépi tanulás egy fajtája, a gépi tanulás pedig a tágabb mesterséges intelligencia része.
55 fogalom
A

A2A (Agent2Agent)

Agent2Agent protocol

Nyílt szabvány, amely leírja, hogyan működjenek együtt és kommunikáljanak egymással az AI-ügynökök.

Részletesen: 29. lecke

Adatbővítés

data augmentation

Meglévő adatból mesterségesen új, kicsit módosított változatok létrehozása (pl. egy kép elforgatása), hogy több tanítóadat álljon rendelkezésre.

Részletesen: 22. lecke

AGI (általános mesterséges intelligencia)

artificial general intelligence

Olyan AI, amely a legtöbb szellemi feladatban eléri vagy felülmúlja az embert. Egységesen elfogadott definíciója nincs.

Részletesen: 30. lecke

AI Act (EU AI Act)

EU AI Act

Az Európai Unió átfogó, kötelező érvényű AI-szabályozása, kockázati kategóriákkal és szakaszos bevezetési határidőkkel.

Részletesen: 27. lecke

Argmax

argmax

Az a művelet, ami kiválasztja a legnagyobb valószínűségű kategóriát egy valószínűség-listából.

Részletesen: 21. lecke
Á

Átlag

mean / average

Az adatok összegének osztása a darabszámmal — az adatok 'középértéke'.

Részletesen: 00b. lecke 20. lecke 22. lecke
A

Attention (figyelem-mechanizmus)

attention

A Transformer-architektúra kulcseleme: minden szó 'megnézi', mennyire fontosak a mondat többi szavai a saját jelentése szempontjából.

Részletesen: 17. lecke

Autograd (automatikus deriválás)

autograd

A PyTorch beépített rendszere, ami automatikusan kiszámolja a deriváltakat (gradienseket) a tanítás során.

Részletesen: 13. lecke 14c. lecke
B

Batch (köteg)

batch

Adatok egy kisebb csoportja, amit a modell egyszerre dolgoz fel egy tanítási lépésben (nem az egész adathalmazt egyszerre).

Részletesen: 14. lecke 28 (Batch API)

Bias (torzítás/eltolás tag)

bias

Egy extra, tanulható szám minden neuronban, ami eltolja a kimenetet — rugalmasabbá teszi a modellt.

Részletesen: 14. lecke 00b. lecke
C

Chain-of-thought (gondolatlánc)

chain-of-thought

Prompt-technika: a modellt arra kérjük, lépésről lépésre gondolkodjon, mielőtt végső választ adna.

Részletesen: 26. lecke

Confusion matrix (tévesztési mátrix)

confusion matrix

Táblázat, ami megmutatja, a modell hányszor találta el és hányszor tévesztette el az egyes kategóriákat.

Részletesen: 24. lecke

Cross-validation (keresztvalidáció)

cross-validation

Az adatok többszöri, más-más felosztással történő tanítási/tesztelési kiértékelése, megbízhatóbb eredményért.

Részletesen: 20. lecke

CrossEntropyLoss

cross-entropy loss

Osztályozási feladatoknál használt hibafüggvény, ami a valószínűségi eltérést méri a helyes és a jósolt kategória között.

Részletesen: 21. lecke
D

Deepfake

deepfake

AI-val készített, valósághű, de hamis kép, hang- vagy videófelvétel valós emberekről.

Részletesen: 32. lecke

Deriválás / derivált

derivative

Egy függvény meredekségének (változási ütemének) mérőszáma egy adott pontban — a gradient descent alapja.

Részletesen: 14c. lecke

Diffúziós modell

diffusion model

Képgeneráló modelltípus, amely tiszta zajból lépésenként „kitisztít" egy képet.

Részletesen: 34. lecke

Dropout

dropout

Regularizációs technika: a tanítás során véletlenszerűen 'kikapcsolunk' neuronokat, hogy a modell ne tanuljon rá túlzottan az adatra.

Részletesen: 20. lecke
E

Early stopping (korai leállítás)

early stopping

A tanítás leállítása, amint a validációs hiba elkezd növekedni — a túltanulás megelőzésére.

Részletesen: 20. lecke

Embedding (beágyazás)

embedding

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

Részletesen: 17. lecke 00b. lecke

Epoch (epoch/tanítási kör)

epoch

Egy teljes végigfutás a teljes tanítóadaton a tanítás során.

Részletesen: 14. lecke
F

F1-pontszám

F1 score

A precision és recall harmonikus átlaga — egyetlen szám, ami mindkét szempontot figyelembe veszi.

Részletesen: 24. lecke

Fine-tuning (finomhangolás)

fine-tuning

Egy már betanított modell továbbtanítása egy szűkebb, specifikus feladatra/adathalmazon.

Részletesen: 17. lecke 23. lecke
G

GDPR

GDPR (General Data Protection Regulation)

Az EU általános adatvédelmi rendelete — a személyes adatok kezelését szabályozza.

Részletesen: 27. lecke

GPAI (általános célú AI-modell)

general-purpose AI (gpai)

Az EU AI Act fogalma: olyan AI-modell, ami sokféle feladatra alkalmazható (pl. maguk a nagy nyelvi modellek).

Részletesen: 27. lecke

GPU

GPU (graphics processing unit)

Grafikus processzor, ami rendkívül hatékony a neurális hálók tanításához szükséges párhuzamos számításokban.

Részletesen: 18. lecke

Gradiens

gradient

Több változóra vonatkozó deriváltakból álló vektor — megmutatja, milyen irányban kell változtatni a súlyokat a hiba csökkentéséhez.

Részletesen: 14c. lecke 00b. lecke

Gradient descent (gradiens-ereszkedés)

gradient descent

Optimalizációs algoritmus: a modell súlyait apró lépésekben a gradiens ellentétes irányába mozgatjuk, hogy csökkentsük a hibát.

Részletesen: 12. lecke 14c. lecke
H

Hiperparaméter

hyperparameter

Olyan beállítás (pl. tanulási ráta, rétegek száma), amit a fejlesztő állít be a tanítás előtt, nem a modell tanulja meg.

Részletesen: 15. lecke 20. lecke
K

Jutalomcsalás

reward hacking

Amikor a modell a valódi cél helyett a mérőszámot „játssza ki", például a tesztet csapja be a feladat megoldása helyett.

Részletesen: 29., 30. lecke

Időhorizont (METR)

time horizon

Mérőszám: milyen hosszú (emberi szakértői időben mért) feladatot old meg egy modell 50%-os eséllyel.

Részletesen: 29. lecke

k-legközelebbi szomszéd

k-nearest neighbors (k-NN)

Egyszerű algoritmus: egy új adatpontot a hozzá legközelebbi k darab ismert adatpont alapján sorolunk be.

Részletesen: 14b. lecke 00b. lecke

Konfidencia/megbízhatóság

confidence

Mennyire 'biztos' a modell a saját válaszában — jellemzően egy valószínűségi érték.

Részletesen: 15. lecke 21. lecke
L

Logikai qubit

logical qubit

Sok fizikai qubitre szétterített, hibajavítással védett qubit — a hasznos kvantumszámításhoz ilyenek kellenek.

Részletesen: 31. lecke

Kvantumbit (qubit)

qubit

A kvantumszámítógép alapegysége: mérés előtt a 0 és az 1 súlyozott keveréke (szuperpozíciója) lehet, méréskor 0-t vagy 1-et ad.

Részletesen: 31. lecke

Loss (hibafüggvény/veszteség)

loss function

Szám, ami megmutatja, mennyire téved a modell — a tanítás célja ennek a számnak a csökkentése.

Részletesen: 14. lecke
M

Magas kockázatú AI-rendszer

high-risk AI system

Az EU AI Act egyik kockázati kategóriája: engedélyezett, de szigorú dokumentációs/felügyeleti követelményekkel.

Részletesen: 27. lecke

MCP (Model Context Protocol)

Model Context Protocol

Nyílt szabvány, amellyel az AI-alkalmazások egységes módon kapcsolódnak külső eszközökhöz és adatforrásokhoz.

Részletesen: 29. lecke

MLOps

MLOps (Machine Learning Operations)

Gyakorlatok/eszközök összessége egy gépi tanulási modell éles, megbízható üzemeltetéséhez.

Részletesen: 25. lecke

Model drift (modell-eltolódás)

model drift

Jelenség, amikor egy éles modell teljesítménye idővel romlik, mert a valós adatok megváltoznak a tanítóadathoz képest.

Részletesen: 25. lecke

MSE (átlagos négyzetes hiba)

mean squared error (Mse)

Regressziós hibafüggvény: a jósolt és valós érték közti különbségek négyzetének átlaga.

Részletesen: 14. lecke
N

Multimodális modell

multimodal model

Többféle adatot (szöveg, kép, hang) egyszerre kezelő modell.

Részletesen: 34. lecke

nn.Linear

nn.Linear

PyTorch réteg, ami egy mátrixszorzást (plusz bias hozzáadást) végez — egy neurális háló egy rétege.

Részletesen: 14. lecke 00b. lecke

Normalizálás

normalization

Adatok átskálázása egy fix tartományba (pl. 0-1 közé) — segít a tanítás stabilitásában.

Részletesen: 22. lecke
O

One-hot encoding

one-hot encoding

Kategóriák (pl. színek) átalakítása számvektorokká, ahol csak egy elem 1, a többi 0.

Részletesen: 22. lecke

Overfitting (túltanulás)

overfitting

Amikor a modell 'bemagolja' a tanítóadatot, de új, korábban nem látott adaton rosszul teljesít.

Részletesen: 20. lecke
P

Poszt-kvantum kriptográfia

post-quantum cryptography, PQC

Hagyományos gépeken futó titkosítási eljárások, amelyekről úgy gondoljuk, hogy egy kvantumszámítógéppel sem törhetők fel.

Részletesen: 31. lecke

Összehangolás

alignment

Annak biztosítása, hogy egy AI-rendszer valódi céljai és viselkedése megfeleljenek annak, amit a készítői és a társadalom szántak neki.

Részletesen: 30. lecke

Összefonódás

entanglement

Kvantumos kapcsolat qubitek között: a mérési eredményeik úgy függnek össze, ahogy az egyes qubitek külön-külön nem írhatók le.

Részletesen: 31. lecke

Precision (pontosság)

precision

A pozitívnak jósolt esetek közül hány volt ténylegesen pozitív — 'ha a modell azt mondja igen, mennyire hihetjük el?'

Részletesen: 24. lecke

Pretraining (előtanítás)

pretraining

Egy nyelvi modell első, nagy adathalmazon (pl. az egész internet szövegén) végzett tanítási fázisa.

Részletesen: 17. lecke

Prompt caching (kontextus-gyorsítótárazás)

prompt caching

API-funkció: ismétlődő, hosszú kontextus-részek újrafeldolgozás nélküli felhasználása — jelentős költségcsökkentéssel.

Részletesen: 28. lecke
R

Prompt injection (utasítás-becsempészés)

prompt injection

Támadás, amelynél az AI által beolvasott tartalomba (weboldal, e-mail) rejtett utasítás téríti el a modellt.

Részletesen: 29. lecke

RAG (kereséssel kiegészített generálás)

retrieval-augmented generation

A nyelvi modell a saját dokumentumokból kikeresett részletek alapján válaszol.

Részletesen: 33. lecke

Recall (érzékenység/felidézés)

recall

A ténylegesen pozitív esetek közül hányat talált meg a modell — 'a valódi igenekből mennyit fogtunk el?'

Részletesen: 24. lecke

Regularizáció

regularization

Technikák gyűjtőneve (dropout, L1/L2, early stopping), amik a túltanulás ellen védenek.

Részletesen: 20. lecke

ReLU

ReLU (Rectified Linear Unit)

Egyszerű, gyakran használt aktivációs (nemlinearitást bevezető) függvény: negatív értékeknél 0, pozitívnál önmaga.

Részletesen: 14. lecke

Rlhf (emberi visszajelzésen alapuló megerősítéses tanulás)

Rlhf (Reinforcement Learning from Human Feedback)

Nyelvi modellek finomhangolási módszere emberi értékelések/preferenciák alapján.

Részletesen: 17. lecke

ROC-AUC

ROC-AUC

Görbe és mögötte lévő terület, ami megmutatja, mennyire jól különbözteti meg a modell a két osztályt, különböző küszöbértékeknél.

Részletesen: 24. lecke
S

Sgd (sztochasztikus gradiens-ereszkedés)

SGD (Stochastic Gradient Descent)

A gradient descent egy gyakorlati változata, ami az adatok kisebb részhalmazain (batch-ein) dolgozik.

Részletesen: 14. lecke

Softmax

softmax

Függvény, ami nyers számokat valószínűségekké alakít úgy, hogy azok összege pontosan 1 (100%) legyen.

Részletesen: 21. lecke 00b. lecke

Standardizálás (z-score)

standardization

Adatok átalakítása úgy, hogy az átlaguk 0, a szórásuk 1 legyen — összehasonlíthatóvá tesz különböző skálájú adatokat.

Részletesen: 22. lecke 00b. lecke

Szórás

standard deviation

Mérőszám, ami megmutatja, mennyire szóródnak az adatok az átlag körül.

Részletesen: 00b. lecke 20. lecke 22. lecke
T

Szuperpozíció

superposition

A qubit mérés előtti állapota: a 0 és az 1 amplitúdókkal súlyozott kombinációja.

Részletesen: 31. lecke

Szuperintelligencia (ASI)

artificial superintelligence

Olyan értelem, amely gyakorlatilag minden fontos területen messze felülmúlja az embert.

Részletesen: 30. lecke

Tenzor

tensor

Számok tömbje tetszőleges dimenzióban — a PyTorch alapvető adatszerkezete (vektor és mátrix általánosítása).

Részletesen: 13. lecke 00b. lecke

Token

token

Egy szövegdarab (kb. szórészlet), amire a nyelvi modell a szöveget bontja feldolgozás előtt.

Részletesen: 17. lecke

Train/val/test split

train/validation/test split

Az adatok három részre osztása: tanításra, a tanítás közbeni ellenőrzésre, és a végső, elfogulatlan kiértékelésre.

Részletesen: 20. lecke

Transfer learning (transzfertanulás)

transfer learning

Egy már betanított modell tudásának újrafelhasználása egy másik, rokon feladathoz.

Részletesen: 23. lecke

Transformer

Transformer

2017-ben publikált neurális hálózati architektúra, ami az attention-mechanizmusra épül — a mai nagy nyelvi modellek alapja.

Részletesen: 17. lecke 19. lecke
U

Underfitting (alultanulás)

underfitting

Amikor a modell túl egyszerű ahhoz, hogy megtanulja az adatban lévő mintázatokat — a tanítóadaton is rosszul teljesít.

Részletesen: 20. lecke
V

Vektor

vector

Rendezett számlista — az AI-ban minden adat (kép, szó, mérési adat) végül vektorrá alakul.

Részletesen: 00b. lecke 17. lecke

Vektoradatbázis

vector database

Olyan adatbázis, amely jelentésbeli hasonlóság (vektorok közelsége) alapján keres.

Részletesen: 33. lecke
Széljegyzet Miért nem szerepel itt minden szó?

A fogalomtár a technikai, angol eredetű vagy speciális jelentésű szakkifejezésekre koncentrál. Ha egy fogalom nincs itt, érdemes annak a leckének a szövegében visszakeresni, ahol először találkoztál vele — a kontextus sokszor többet segít, mint egy egymondatos definíció.

Gyakorlás

1. Keress rá 3–4 saját kulcsszóra a fenti keresővel, és nézd meg, mely fogalmak kapcsolódnak egymáshoz.

2. Válassz ki 5 olyan fogalmat, amelyekben még bizonytalan vagy, és menj vissza a megjelölt leckékhez.

3. Próbálj meg 5 fogalmat saját szavaiddal úgy elmagyarázni, mintha olyan embernek mondanád, aki nem foglalkozik programozással. Ha egyszerűen el tudod mondani, valóban érted.