Új lapon nyílik meg

00a. lecke

Tartalomjegyzék és tananyagterv

3 rész0 kódpélda1 ábra

"AI az alapoktól" — a teljes lecke-sorozat térképe.

Ez a fájl nem tanít új dolgot — hanem megmutatja, mi hol van, mi milyen sorrendben érdemes, és mi mihez kell előfeltételként. Ha valaha elveszel a fájlok között, ezt a fájlt nyisd meg elsőnek.

Használat: ez a fájl futtatható — lefuttatva szépen kiírja a teljes tananyagtervet a terminálba/konzolba, kereshető formában.

SzéljegyzetMiért van két külön matek-lecke (00b és 14c)?

A 00b egy gyors, gyakorlati áttekintés a legfontosabb fogalmakról — vektor, mátrix, valószínűség —, hogy el tudj indulni. A 14c ugyanezekre épít, de sokkal mélyebben: a derivált teljes levezetését adja, miután már láttad, mire kell a gradient descenthez. A második olvasás mindig többet ad, ha közben már használtad a fogalmat.

Emelkedő lépcső a Python alapoktól az AI-ügynökökig
A tananyag egyetlen emelkedő ív: a legelső print()-től a Python alapokon, adatkezelésen, gépi tanuláson és neurális hálókon át a valós AI-rendszerekig és az ügynökökig.
00a

Tartalomjegyzék és tananyagterv

Ez a fájl — a teljes sorozat térképe.

ElőfeltételNincs — ezzel kezdj.
00b

Matematikai alapok (lineáris algebra, valószínűség)

Vektorok, mátrixok, valószínűség, átlag/szórás, gradiens — gyakorlati jelentéssel.

ElőfeltételNincs — de érdemes 14. lecke után újra átnézni, amikor már van kontextus.
1-11

Python alapok, NumPy, Pandas, scikit-learn bevezetés

Programozási alapok, adatkezelés, az első egyszerű gépi tanulási modellek.

Előfeltétel00a, 00b
12

Gradient descent intuíció

Hogyan 'tanul' egy modell — az alapötlet, kód nélkül/egyszerű kóddal.

Előfeltétel1-11, 00b (gradiens fogalma)
12b

Hogyan tanul a gép + keretezés/manipulálhatóság

Mélyebb magyarázat a tanulási folyamatra, plusz az AI 'kereteinek' korlátaira.

Előfeltétel12
13

PyTorch tenzorok és autograd

A PyTorch alapjai — tenzorok, automatikus deriválás.

Előfeltétel12, 00b
14

Neurális háló (nn.Module, nn.Linear, ReLU, mseloss, sgd)

Az első valódi neurális háló felépítése és tanítása PyTorch-csal.

Előfeltétel13, 00b (mátrixszorzás megértéséhez)
14b

Algoritmusok térképe (formulákkal)

A legfontosabb ML-algoritmusok áttekintése, mikor melyiket használjuk.

Előfeltétel14
14c

Deriválás az alapoktól

Teljes matematikai levezetés: mi a derivált, hogyan jön ki, miért kell a gradient descent-hez.

Előfeltétel00b — érdemes előtte elolvasni, utána ez a lecke csak elmélyíti.
15

Első saját projekt (end-to-end)

Teljes munkafolyamat: adat -> tisztítás -> tenzor -> modell -> tanítás -> kiértékelés.

Előfeltétel14, 14c
16

Valós AI-rendszerek (gyártás, robotok, önvezetés)

Hogyan tanulnak/működnek a valós ipari AI-rendszerek.

Előfeltétel15
17

Nyelvi modell felépítése (ChatGPT-szerű modell lépésről lépésre)

Tokenizálás, embedding, Transformer/attention, előtanítás, finomhangolás.

Előfeltétel15, 16, 00b (vektor/embedding fogalma)
18

Adatközpontok és energia

Mi kell fizikailag egy AI-rendszer működtetéséhez.

Előfeltétel17
19

AI története (1943-2026)

Teljes történeti áttekintés, nevekkel, dátumokkal, kísérletekkel.

ElőfeltételNincs szigorúan, de 1-18 után sokkal többet jelent.
20

Túltanulás/alultanulás elleni védekezés

Train/val/test split, cross-validation, regularizáció (dropout, L1/L2, early stopping).

Előfeltétel15
21

Osztályozás gyakorlatban

CrossEntropyLoss, softmax, argmax — nem csak szám-jóslás, hanem kategorizálás.

Előfeltétel14, 00b (valószínűség fogalma)
22

Adat-előkészítés mélyebben

Normalizálás, standardizálás, one-hot encoding, adatbővítés.

Előfeltétel15, 00b (átlag/szórás)
23

Előtanított modellek (transfer learning, fine-tuning)

Hogyan használj már betanított modellt kevés saját adattal.

Előfeltétel17
24

Modellértékelés komolyan

Confusion matrix, precision/recall/F1, ROC-AUC.

Előfeltétel21
25

MLOps — éles használatba állítás

API-csomagolás, verziókezelés, monitorozás, model drift.

Előfeltétel15, 24
26

Prompt engineering tudományosan

Few-shot, chain-of-thought, system prompt — a Transformer-mechanizmusra alapozva.

Előfeltétel17
27

Etika, jog, EU AI Act, felelősség

GDPR, EU AI Act kockázati kategóriák, büntetések, gyakorlati checklist.

Előfeltétel12b (keretezés témája)
28

AI piac és gazdaság

Nagy szereplők, üzleti modellek, API-árazás, saját modell vs. API költségbecslés.

Előfeltétel17, 23
29

AI-ügynökök (agentek) — és hol tartanak 2026-ban

Eszközhasználat, ReAct-ciklus, védelmi rétegek; MCP, A2A, mérések, kockázatok és szabályozás 2026-ban.

Előfeltétel17, 26, 27
30

Szuperintelligencia

Fogalmak, előrejelzések, az irányítás problémája, a mai modellek viselkedése, álláspontok és kormányzás.

Előfeltétel17, 29
31

Kvantumszámítógépek

Qubit, hibajavítás, hardververseny, kvantumelőny, ütemtervek, titkosítás és a kvantum–AI kapcsolat.

Előfeltétel10 (NumPy)
32

Az AI aggályai és reményei

Munka, deepfake, magánszféra, gyerekek, biztonság, energia — és a valódi hasznok, közvélemény, szabályozás, gyakorlati teendők.

Előfeltétel27, 30
33

RAG és vektoradatbázisok

Hogyan keres az AI a saját dokumentumaidban: darabolás, embedding, vektoros keresés, mini-RAG NumPy-jal.

Előfeltétel17, 26, 00b
34

Képgeneráló modellek

Multimodális modellek, diffúzió (zajból kép), felhasználás, korlátok, jog és hitelesség.

Előfeltétel14b, 17
35

Saját chatbot API-val

Gyakorlati projekt: API-hívás, előzmények, költség, RAG, biztonság, tesztelés.

Előfeltétel25, 26, 28, 33
36

Mindennapi AI-használat

Asszisztens választása, jó munkafolyamatok, promptrecept, ellenőrzés, adatvédelem.

ElőfeltételNincs
37

Nagy záróprojekt

Minden korábbi lecke tudását összefűző, komplett gyakorlati feladat.

ElőfeltételMinden korábbi lecke (1-28).
38

Szószedet / fogalomtár

Az összes bevezetett szakkifejezés ábécérendben, magyar+angol néven.

ElőfeltételNincs — bármikor visszalapozható referencia.

Hogyan van felépítve ez a tananyag?

A sorozat hat nagy blokkra oszlik:

A) alapozás (00a, 00b, 1-13. lecke) — Python, NumPy, Pandas, scikit-learn, PyTorch alapok, matematikai háttér

B) gépi tanulás magja (12b, 14, 14b, 14c, 15. lecke) — hogyan tanul egy modell, neurális háló, deriválás, első projekt

C) valós világ és nyelvi modellek (16-19. lecke) — hogyan működnek a valós AI-rendszerek, hogyan épül fel egy ChatGPT-szerű modell, adatközpontok, AI-történelem

D) profi szint / kiegészítő mélység (20-28. lecke) — megbízható modellépítés, MLOps, prompt engineering, jog, gazdaság

E) a jövő és a társadalom (29-32. lecke) — AI-ügynökök és 2026-os helyzetük, szuperintelligencia, kvantumszámítógépek, az AI aggályai és reményei

F) gyakorlati AI (33-36. lecke) — RAG és vektoradatbázisok, képgeneráló modellek, saját chatbot API-val, mindennapi AI-használat

Ezek után jön a záróprojekt (37. lecke), ami az összes blokkot egyben használja.

SzéljegyzetMiért kerül a technikai leckék után egy külön blokk a jövőről és a társadalomról?

Az E) blokk (ügynökök, szuperintelligencia, kvantumszámítógépek, aggályok) azért jön a technikai rész után, mert a benne tárgyalt fogalmakhoz — például a Transformer vagy a finomhangolás — már kellenek a korábbi leckék. Így nem csak elméletben, hanem a mögöttes technika ismeretében lehet végiggondolni ezeket a kérdéseket.

Teljes lecke-lista, előfeltétel-térképpel

Formátum: [lecke száma] cím -> Miről szól (1 mondat) -> Előfeltétel: mely leckéket érdemes előtte ismerni

Javasolt olvasási sorrend (legrövidebb út a teljes megértéshez)

Ha nem emlékszel, hol tartottál, ez a javasolt sorrend:

00a -> 00b -> 1-11 -> 12 -> 12b -> 13 -> 14 -> 14b -> 14c -> 15 -> 16 -> 17 -> 18 -> 19 -> 20 -> 21 -> 22 -> 23 -> 24 -> 25 -> 26 -> 27 -> 28 -> 29 -> 30 -> 31 -> 32 -> 33 -> 34 -> 35 -> 36 -> 37 -> 38 (bármikor, referenciaként)

SzéljegyzetMuszáj ebben a pontos sorrendben haladni?

Nem feltétlenül — a "előfeltétel" oszlop azt mutatja, mi segít megérteni az adott leckét, de ha pl. csak a 27-28. lecke (jog/ gazdaság) érdekel, azokat önmagukban is el lehet olvasni — a sorozat úgy lett megírva, hogy minden lecke hivatkozik vissza a korábbiakra ("emlékeztető a X. leckére"), szóval ha valami nem világos, a hivatkozott lecke megadja a hiányzó alapot.

Gyakorlás

1. Futtasd a keres() függvényt saját kulcsszóval (pl. "modell", "adat", "hálózat") — nézd meg, melyik leckék jönnek elő.

2. Nézd végig a tananyagtervet, és jelöld meg (papíron vagy kommentben), melyik leckéket olvastad már el, és melyiket nem — ez segít látni, hol tartasz a teljes ívben.

3. Ha a GitHub repódba (pl. ai-tanulas) feltöltöd ezt a fájlt, érdemes a repó főoldalán (readme.md) is hivatkozni rá, hogy bárki, aki megnyitja a repót, elsőként ezt lássa.

Használat

A tananyagterv itt már áttekinthető útvonalként jelenik meg.