Machine Learning Engineer képzés - fejlesztéstől a biztonságos üzemeltetésig

Átfogó képzés fejlesztőknek és adatelemzőknek: a gépi tanulás, a deep learning és az MLOps gyakorlati alapjai, AI modellek fejlesztése és üzemeltetése Pythonban.

Folyamatos mentoráció

Vezetett kódolás

3 hét · heti 8-12 óra

Élő konzultációk

100% pénzvisszafizetési garancia Kamatmentes részletfizetés

Jelentkezem most

Mit fogsz tanulni?

3 hét alatt az alapfogalmaktól a biztonságos üzemeltetésig vezet végig a teljes ML mérnöki eszköztáron.

mlopspythonmachine learningdeep learningdockerscikit-learntensorflowpytorch

1 A gépi tanulás alapjai és feladatai Bevezetés az adattudományba, az adatos szerepkörökbe és a Data Science folyamatba.

Alapfogalmak
Adattudomány
Üzleti képességek és AI projektek
Adatos szerepek, fizetések
Data Science folyamat
Algoritmus vagy modell - mi a különbség?
A gépi tanulás feladatai

2 Gépi tanulás feladatai, alkalmazásai, eszközei A tanulási paradigmák és a fejlesztési-üzemeltetési környezetek áttekintése.

Machine Learning vs Deep learning
Osztályozás, klaszterezés, regresszió
Semi-Supervised learning, tanulási paradigmák
Nem felügyelt tanulás - ajánlórendszerek és dimenziócsökkentés
Megerősítéses tanulás (Reinforcement Learning)
ML fejlesztési és üzemeltetési eszközök, környezetek
Colab
Pandas bevezető és haladó használat

3 Adatmegértés és adatelőkészítés Az adatok minőségének felmérése, felderítő elemzés és előkészítés gépi tanuláshoz.

Adatmegértés és adatminőség
Felderítő adatelemzés (EDA)
Hiányzó értékek kezelése
Outlierek kezelése
Feature Engineering
Encoding
Skálázás
Adatmegértés és EDA gyakorlat

4 Felügyelt gépi tanulási algoritmusok Scikit-learn-nel A legfontosabb felügyelt algoritmusok elmélete és kódolása.

Adatelőkészítés gépi tanuláshoz
K Nearest Neighbors
Lineáris modellek és Gradient descent
Lineáris és logisztikus regresszió
Support Vector Machines (SVM)
Döntési fa
Ensemble Learning - Random Forest
Boosting - Gradient Boosting, AdaBoost
XGBoost, LightGBM, CatBoost
Algoritmusok összehasonlítása és kiválasztása

5 Kiértékelési módszerek és optimalizálás Validáció, metrikák és hiperparaméter-optimalizálás.

Validációs adathalmaz, K-fold és idősor cross-validáció
Confusion Matrix
Accuracy, Precision, Recall, Fscore
ROC-AUC, Precision-Recall görbe
Metrikák regresszióhoz
Bias-Variance (Underfitting-Overfitting)
Hyper-paraméter optimalizálás
Optuna

6 Felügyelet nélküli tanulás Dimenziócsökkentés és klaszterezési eljárások részletesen.

Dimensionality Reduction
PCA - Principal Component Analysis
SVD, LDA
Kernel PCA, MDS, Isomap, LLE
t-SNE
Clustering és K-Means
Hierarchical Clustering
Spectral Clustering
GMM, DBSCAN, HDBSCAN
Klaszterező algoritmusok összehasonlítása

7 Anomáliadetekció és ajánlórendszerek Rendellenességek felismerése és személyre szabott ajánlások építése.

Anomália detekció
Ajánlórendszerek alapjai
Content-based vs Collaborative Filtering
Cosine Similarity
Collaborative Filtering item-item és user-user
Association Rule Learning
Ajánlórendszerek felügyelt tanulással

8 Deep Learning alapok A neurális hálózatok felépítése, tanítása és optimalizálása.

Deep Learning bevezetés és alkalmazásai
Perceptron modell és ANN architektúra
Neurális háló tanulása és jelölésrendszer
Bináris, multiclass és multilabel osztályozás
Forward Propagation
Backward Propagation
Eltűnő és robbanó gradiens
Aktivációs függvények
Hiperparaméterek, optimalizálók
Neurális hálózat gyakorlat (ANN)

9 NLP, idősorok és RNN Szövegfeldolgozás és szekvenciális adatok modellezése.

NLP és feladatai
NLP előfeldolgozási lépések és NLTK
Tokenizálás, stop szavak, stemming
Lemmatization, Part of Speech (PoS)
Bag of Words, TF-IDF
NLP pipeline, Named Entity Recognition (NER)
Idősorok és alkalmazásaik
Gördülő statisztika, baseline modell
Idősor predikció ML algoritmusokkal
Csúszó ablak technika
RNN elmélet

10 LSTM és Transformerek Haladó szekvenciamodellek PyTorch-ban.

RNN gyakorlat PyTorch-ban
RNN class, train_model, main
Modell tanítás és optimalizálás
Long-Short Term Memory (LSTM) elmélet
LSTM gyakorlat
Transformer modellek elméleti háttere

11 Generative AI és LLM finomhangolás A generatív AI eszközei, RAG és LLM finomhangolás a gyakorlatban.

AI Engineering és Foundation modellek
GenAI kockázatok
RAG: Retrieval-Augmented Generation
LLM finomhangolás
AI asszisztens, ágens, Agentic AI
Szöveg osztályozás Naive Bayes algoritmussal
Szöveg osztályozás Transformerrel (LLM-el)
LLM Finetuning: SFT, PEFT, LoRA, QLoRA
LLM Finetuning kiértékelési módszerek

12 Computer Vision: CNN és Vision Transformer Képfeldolgozás konvolúciós hálózatokkal és Vision Transformerrel.

Computer Vision alkalmazási területek
Computer Vision feladatai, RGB adatok
Bounding Box, Anchor box, IoU, Dice score
Konvolúciós Neurális Hálózatok (CNN): konvolúció, pooling, stride
CNN gyakorlat
Vision Transformer (ViT) elmélet
ViT - Transfer Learning - Data Augmentation gyakorlat
Image classification, object detection és segmentation áttekintés

13 Üzemeltetés: DevOps és MLOps elvek Pythonban Az MLOps alapjai, ciklusa és előnyei éles környezetben.

MLOps alapok
Motiváció az MLOps mögött
Szerepkörök
MLOps ciklus
Az MLOps előnyei
Production ready code Pythonban

14 ML Experiment Tracking és metadata menedzsment Az adat- és modellmenedzsment eszközei és folyamatai.

Projektmenedzsment
Adat minősége
Adatmenedzsment, Feature Store
Model és metadata menedzsment
Technológia és emberi aspektusok
Pycaret bemutatása
MLflow bemutatása

15 Production ready kód, ML pipeline-ok és REST API Éles minőségű kód és pipeline-ok készítése, tesztelése.

PEP8 és ML pipeline-ok
ML pipeline-ok tesztje
REST API

16 DevOps alapok, MLOps szintek és MLflow gyakorlat A CI/CD és deployment stratégiák megismerése.

MLflow gyakorlat
DevOps, termékérettségi szint, technikai adósság, tesztelés
CICD és MLOps szintek
Deployment stratégiák

17 Konténerizáció és monitorozás Docker, Evidently AI és Streamlit használata.

Docker
Monitorozás
Evidently AI
Streamlit

18 Ütemezés és Airflow Folyamatok automatizálása és ütemezése.

Automatizálás, ütemezés, Airflow elmélet
Airflow gyakorlat

19 GCP MLOps gyakorlat: automatizálás és CI/CD Felhőalapú deployment és pipeline futtatás GCP-n.

Microservice és monolit architektúra
Google Cloud Platform, Cloud Run, GitHub Actions
GCP beállítások
Pipeline futtatás Cloud Runban
Terminál parancsok
Konfigurációs GitHub yaml fájl

20 DevSecOps és ML biztonság Sérülékenységek, támadások és gyakorlati elhárításuk.

DevSecOps folyamat áttekintése
Open source és cloud biztonsági eszközök
Modelleket érintő támadások és elhárításuk
MLOps rendszert érintő támadások
MLSecOps jövője
Modelscan és Safety CLI
Adversarial Robustness Testing

21 AI etika, biztonság és MLSecOps tervezés Etikai keretrendszerek és biztonságos rendszertervezés.

AI etika
GDPR, EU AI ACT
AISecOps/MLSecOps rendszer tervezés

Előnyök

Miért érdemes belevágnod?

Az elmúlt évek mesterséges intelligencia körüli robbanása szinte minden vállalatot kísérletezésre ösztönzött, a projektek 85-90 százaléka mégis megreked a prototípus fázisban, mert a fejlesztői és üzemeltetési környezet nincs felkészítve arra, hogy a kísérletből működő, skálázható rendszer legyen. A piac ma már nem a próbálkozást, hanem a kézzelfogható megtérülést (ROI) és a stabilan futó megoldásokat várja el.

Ehhez olyan szakemberre van szükség, aki a klasszikus gépi tanulási modellektől a mélytanuláson át az MLOps-folyamatokig érti és kezeli a teljes életciklust. Hogy ez nem csak elmélet, azt a Bloomberry több mint 180 millió álláshirdetést vizsgáló elemzése is alátámasztja: a Machine Learning Engineer pozíciók iránti kereslet egy év alatt 40 százalékkal nőtt, ezzel ez lett a leggyorsabban bővülő munkakör.

Ezzel az átfogó, a fejlesztéstől a biztonságos üzemeltetésig ívelő megközelítéssel egy kifejezetten keresett, stabil jövőképet adó szakmát sajátíthatsz el, amit a képzés végén névre szóló, LinkedIn-profilba is beágyazható tanúsítvány és egy kész portfólió is igazol.

Munka mellett végezheted, rugalmas időbeosztással
Gyakorlati projekteken keresztül, oktatói mentorálással
LinkedIn profilodba beágyazható tanúsítvány

Ismerd meg oktatódat

Boros Gerzson Dávid

AI Architect, Lead Machine Learning Engineer

Több mint egy évtizede fejlesztek egyedi gépi tanulás és mesterséges intelligencia megoldásokat, ez idő alatt több mint 40 AI/ML projektet vittem sikerre. Dolgoztam ML Engineerként, Architectként és Data Scientistként multinacionális vállalatoknál, szabadúszóként és saját tanácsadó cégemen keresztül is.

Jelenleg a Redivivum technológiai startup társalapítója és technológiai vezetője vagyok, ahol a mesterséges intelligencia, a számítógépes látás és a szoftverfejlesztés irányításáért felelek. Egyetemi oktatóként az Óbudai Egyetem adattudományi mesterképzésén saját tantárgyam van, és posztgraduális képzésen tanítottam ML/DL fejlesztést és MLOps-ot.

Kinek ajánlott?

Szoftverfejlesztőknek és Python programozóknak
Adatelemzőknek és data scientisteknek

Kinek nem ajánlott?

Akiknek nincs programozási tapasztalatuk, a képzés Python-alaptudásra épít
Akik kódolás nélküli, no-code AI megoldásokat keresnek
Akik kizárólag üzleti, menedzseri szemszögből érdeklődnek a gépi tanulás iránt
Akik kutatói, elméleti matematikai mélységet várnak a gyakorlati fókusz helyett

Mik a képzés előkövetelményei?

Középhaladó szintű Python programozási ismeret Matematikai alapok: valószínűségszámítás, statisztika és kalkulus (valószínűségszámítás, statisztika, kalkulus)

A korábbi adatelemzési vagy gépi tanulási tapasztalat előny, de nem feltétel.

Jelentkezem a képzésre

Hogyan fogsz tanulni?

Rugalmas időbeosztás

A tanfolyamot munka mellett is végezheted, hiszen a tananyag elsajátítása heti 8-12 óra elfoglaltságot igényel összesen, melyet saját időbeosztás szerint dolgozhatsz fel.

Gyakorlatorientált oktatás

Minden héten izgalmas gyakorló feladatokat kapsz majd, amelyek keretében már menetközben is konkrét projekteket fogsz megvalósítani.

Interaktív digitális tananyag

A gyakorlati feladatok elvégzéséhez és a képzés sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át, amelyeket saját időbeosztásod szerint, akár munka mellett is feldolgozhatod és egy évig korlátlan alkalommal visszanézheted.

Oktatói mentoring

A képzés ideje alatt az oktató folyamatosan a rendelkezésedre áll, bármikor kérdezhetsz tőle, ha elakadtál, és rendszeresen visszajelzést ad a feladataidra, fejlődésedet végigkíséri.

Konzultációk

Valamennyi tanegység végén egy-egy élő konzultációs alkalmat is szervezünk, amikor élőben is felteheted kérdéseidet, közösen kiértékelhetitek és átbeszélhetitek a gyakorlás során elkészített projekteket, és tanulhattok egymás elakadásaiból is.

Limitált férőhely

A fent említett interakciók miatt képzéseinket korlátozott létszámmal indítjuk csak el, hogy biztosan jusson mindenkire ideje az oktatóknak.

Minőségbiztosított képzések

Képzéseink szakmai minőségbiztosítását az iparági vezető technológiai vállalatok és a Budapesti Műszaki és Gazdaságtudományi Egyetem végzi.

Tanúsítványt kapsz, amelyet önéletrajzodhoz és LinkedIn profilodhoz csatolhatsz
Bizonyítja, hogy elsajátítottad az adott ismereteket
Segíti a szakmai előmeneteledet és karriered fejlődését

Tanúsítvány minta – Machine Learning Engineer képzés - fejlesztéstől a biztonságos üzemeltetésig

Jó társaságban leszel!

Már több mint 150 hazai és nemzetközi cég munkatársa képezte magát tovább nálunk.

Tudtad?

A munkáltatók 83%-a finanszírozza a munkatársak képzését, ne felejtsd el megkérdezni a tiédet!

Elvégzett képzés: Machine Learning Engineer képzés – fejlesztéstől a biztonságos üzemeltetésig

„Köszönöm, nagyon jó volt a tanfolyam. A tananyag széleskörű, jól átgondolt és alaposan kidolgozott, sok gyakorlati példával. Az oktató felkészült, lelkes és nagyon segítőkész, jó visszajelzésekkel segítette a megértést. Alábecsülni nem szabad, komolyan kell venni, minden részét alaposan meg kell érteni, hogy a végén nem legyen hiányosság. Ami nem világos, arra rá kell kérdezni. Mindenkinek ajánlom, aki szeretné megismerni a gépi tanulás alapját."

Ádám Krisztián ÁK

Hallgatói közösség

A több mint 9100 tagot számláló hallgatói közösségünket főként olyan, az iparágban vezető IT-cégek és szoftverfejlesztő cégek munkatársai alkotják, akik folyamatosan fejleszteni szeretnék meglévő készségeiket.

Légy Te is tagja közösségünknek!