Cubix Institute of TechnologyCubix Institute of Technology aims to gather the most important skill set building blocks for IT professionals by organizing cohort-based online IT&TECH trainings with the help of industry-leading mentors, tech companies and higher education institutions.
Our constantly expanding portfolio currently consists of 35+ courses, including topics, e.g.: Frontend and Backend development (Java, Python, C++, JavaScript, Angular, React, Node.js, C#, .NET, stb), Mobile and Cross-Platform Development (iOS, Android, Flutter), IT Project and Product Management, Software Testing, DevOps, and Cloud Solutions, Data Science, AI/ML/DL, UI/UX, IT security, Video Game-, AR/VR/XR Development, IoT and Embedded System Development, Blockchain, etc.
Become a member of our community!
Online IT academy
|
|
|
Deep Learning a gyakorlatban alapképzés
Sajátítsd el a deep learning legmodernebb megoldásait, és hozd létre saját AI-portfóliódat valós problémák megoldására!
Ismerd meg az ANN, CNN, RNN, LSTM és Transformer modellek működését, tanuld meg optimalizálni és finomhangolni őket, valamint építsd fel a saját deep learning projektedet, hogy a gyakorlati tudásodat versenyképes portfólióvá alakítsd.
Mit nyújt a Deep learning a gyakorlatban alapképzés?
- Készségszinten elsajátítod a deep learning legfontosabb modell típusaival kapcsolatos elméleti és gyakorlati tudást (Natural Language Processing, Time series forecast, Computer vision).
- Gyakorlati példákon keresztül megismerheted a Konvolúciós neurális hálózat (CNN), Ismétlődő neurális hálózat (RNN), Hosszú rövid távú memória (LSTM) és Transformer modellek tervezését és implementálását Python környezetben.
- Megtanulod a modellek optimalizálásának és finomhangolásának lépéseit, valamint a kiértékelésüket releváns metrikák és olyan eszközök segítségével, mint pl. TensorFlow, Keras és PyTorch.
- Valós adathalmazokon végzett projektfeladatokon keresztül sajátíthatod el a deep learning rendszerek teljes fejlesztési ciklusát.
- A képzés végére egy saját Deep Learning portfólió projektet készítesz, amelyet akár GitHubon is bemutathatsz.
Miért érdemes belevágnod?
A deep learning technológiák forradalmi változásokat hoztak az iparágakban, de az elméleti tudás önmagában nem elegendő.
Ez a képzés a gyakorlati megvalósításon keresztül mutatja be, hogyan építhetsz működőképes AI-megoldásokat a legmodernebb modellek segítségével.
Az itt megszerzett tapasztalat lehetővé teszi, hogy könnyedén lépj tovább a komplex AI technológiák felé, versenyképes portfóliót építs, és értékes szakmai tapasztalattal gazdagodj, amely minden iparágban hasznosítható.
Kinek ajánlott?
- Junior vagy medior adatelemzők és data scientist-ek
- AI fejlesztők, akik meglévő tudásukat szeretnék tovább mélyíteni
- Tech beállítottságú IT menedzserek számára, akik gyakorlati tapasztalat útján készülnének fel a komplexebb AI/ML projektek kihívásaira
Ki lesz mindebben oktatód és mentorod?
Boros Gerzson Dávid - CTO, Co-Founder, Chief Machine Learning Engineer @Redivivum
Gerzson több mint egy évtizede foglalkozik egyedi gépi tanulás és mesterséges intelligencia megoldások fejlesztésével. Ez idő alatt több mint 40 AI/ML projektet vitt sikerre, önállóan vagy csapatával együttműködve. Tapasztalata a szakma számos szegmensére kiterjed: dolgozott mint ML Engineer/Architect/Data Scientist multinacionális vállalatoknál, szabadúszóként, egyéni vállalkozóként és saját tanácsadó cégén (Data Science Europe) keresztül is. Egyetemi oktatóként is tevékenykedik – többek között az Óbudai Egyetemen adattudományi mesterképzésen van saját tantárgya, valamint az IIITB-n posztgraduális AI/ML képzésen tanított ML/DL fejlesztést és MLOpst.
Jelenleg a Redivivum nevű technológiai startup társalapítója és technológiai vezetője, ahol a mesterséges intelligencia, a számítógépes látás és a szoftverfejlesztési megoldások irányításáért felel. CTO-ként és Chief Machine Learning Engineerként meghatározó szerepet játszik a cég innovációs és szoftver/AI architektúrális irányvonalának alakításában. A Redivivum működését az amerikai Techstars – a világ egyik vezető startup-akcelerátora és befektetője – is támogatja.
Mik a képzés előkövetelményei?
Alapszintű Python programozási ismeret, alap gépi tanulási fogalmak, valamint némi lineáris algebrai és statisztikai tudás.
Amennyiben nem rendelkezel Python programozási ismeretekkel, javasoljuk, hogy előtte végezd el a Python Programozás Alapok c. képzésünket, valamint előnyt jelent a képzés sikeres elvégézéséhez a Python alapú data analyst képzés adatelemzési és gépi tanulási könyvtárak használatával és/vagy a Machine Learning modellek fejlesztése (ML Engineering) c. képzéseink tudásanyagának ismerete.
Személyes mentorálás és konzultáció
A képzés teljes időtartama alatt lehetőséged van arra, hogy bármikor kérdéseket tegyél fel oktatódnak írásban, valamint a heti élő konzultációs alkalmakon élőszóban is kérdezheted.
Ez a közvetlen kommunikáció biztosítja, hogy a valós iparági tapasztalattal rendelkező oktatóink, akik már számtalan kihívással és feladattal találkoztak a deep learning területén, megoszthassák veled azokat a gyakorlati megoldásokat és tudást, amelyek valós lépéselőnyt biztosítanak számodra.
Ez a folytonos támogatás és interakció teszi lehetővé, hogy a tanultakat azonnal a gyakorlatban is alkalmazhasd, és így a kurzus során minden felmerülő kérdésedre szakmai szempontból megalapozott választ kapj.
Hogyan fogsz tanulni?
- 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 tanfolyam sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át
- 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.
- 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 este 18:00 órától, amikor élőben is felteheted kérdéseidet, közösen kiértékelhetitek és átbeszélhetitek a gyakorlás során elkészített projekteket, és tanulhattok egymás elakadásaiból is.
- Visszanézhető LIVE alkalmak: az online élő konzultációk átlagosan kb. 1 órásak. Akkor sincs semmi baj, ha egy élő konzultációs alkalmon nem tudsz részt venni, hiszen a kérdéseid előre is elküldheted írásban, a válaszokat és az egész LIVE-ot pedig visszanézheted másnap 16:00 órától.
- Limitált férőhely: a fent említett interakciók miatt képzéseinket korlátozott létszámmal indítjuk csak el, hogy biztosan jusson mindenkire ideje az oktatóknak.
Mikor indul a képzés és mennyibe kerül?
- Képzés indulásának időpontja: 2026. augusztus 12.
- Részvételi díj: 195.000 Ft
Aktuális képzés csomagjainkat itt tudod megnézni: KÉPZÉS CSOMAGOK
Mit érdemes tudnod a fizetéssel kapcsolatban?
- Pénzvisszafizetési garancia: Biztosak vagyunk a képzés tartalmát és minőségét illetően, ezért a képzés indulásától 8 napig 100%-os pénzvisszafizetési garanciát vállalunk.
- Kamatmentes részletfizetés: Nem szeretnénk, ha fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat akár több részletben is fizetheted, teljesen kamatmentesen.
- Céges számla igénylése: erre is van lehetőség ha a beiratkozom gombra kattintás után elérhető jelentkezési űrlapon kipipálod az “Áfás számla igénylés”-t.
- Utalásos fizetés: Amennyiben az online kártyás fizetés helyett utalással szeretnél fizetni, csak válaszd ezt az opciót a tanfolyam jelentkezési űrlapjánál a "beiratkozom" gombra kattintás után.
Ha érdekel a képzés két lehetőséged is van
-
Jelentkezel a képzésre Ha eldöntötted, hogy jelentkezel a képzésre és szeretnéd biztosítani helyedet, nincs más teendőd, mint a 'Beiratkozom' gombra kattintva kitölteni a jelentkezési formot és kifizetni a képzés díját.
- Kérdezel még a képzésről Ha szívesen jelentkeznél, de úgy érzed még van néhány kérdés, amire nem találtad meg a választ, kattints az ‘Érdekel, de kérdeznék’ gombra, add meg elérhetőségedet és 48 órán belül felvesszük veled a kapcsolatot vagy írhatsz is nekünk közvetlenül az info@cubixedu.com e-mail címre!
Nézz szét ingyenes tartalmaink között
Nézd vissza releváns webináriumainkat, ahol meghívott szakértőinktől vagy akár a képzés oktatójától tudhatsz meg még többet számos témáról: WEBINÁROK
Ha pedig inkább olvasnál a témában, akkor nézz körbe releváns blogbejegyzéseink között: TECH BLOG
================
A változás jogát fenntartjuk.
-
0.Hasznos információk a kurzushoz
-
1. lecke
Hogyan használd a felületet?
-
2. lecke
Képzés használati útmutató
-
1.Deep Learning alapok
-
3. lecke
[KICK-OFF LIVE ALKALOM] 2026.05.14. 18:00
-
4. lecke
Anomália detekció
-
5. lecke
Ajánlórendszerek
-
6. lecke
Deep Learning alkalmazásai és Multi-Label Classification
-
7. lecke
Perceptron Modell és Mesterséges Neurális Hálózat (ANN) architektúra
-
8. lecke
Neurális Háló tanulása és jelölésrendszer
-
9. lecke
Forward Propagation
-
10. lecke
Backward Propagation
-
11. lecke
Házi Feladat - Határidő: 2026.05.20.
-
12. lecke
[Segédlet] Előadás anyag
-
13. lecke
[LIVE ALKALOM] 2026.05.21. 18:00
-
2.Deep Learning folytatás
-
14. lecke
Aktivációs függvények haszna
-
15. lecke
Eltűnő és robbanó gradiens
-
16. lecke
Aktivációs függvények
-
17. lecke
Aktivációs függvények előnye, hátránya, alkalmazása
-
18. lecke
Hiperparaméterek, Optimalizálók
-
19. lecke
Neurális hálózat gyakorlat (ANN)
-
20. lecke
[Segédlet] - Forráskód
-
21. lecke
[LIVE ALKALOM] 2026.05.28. 18:00
-
3.Natural Language Processing (NLP), Idősorok
-
22. lecke
NLP és feladatai
-
23. lecke
NLP előfeldolgozási lépések és NLTK
-
24. lecke
Tokenizálás, stop szavak eltávolítása, stemming
-
25. lecke
Lemmatization, Part of Speech (PoS)
-
26. lecke
Szöveg reprezentációk - Bag of Words, TF-IDF
-
27. lecke
NLP pipeline, Named Entity Recognition (NER)
-
28. lecke
Idősorok és alkalmazásaik
-
29. lecke
Gördülő statisztika
-
30. lecke
Baseline modell
-
31. lecke
Train, validation és teszt halmaz kialakítása
-
32. lecke
ElasticNet, Random Forest
-
33. lecke
Csúszó ablak technika
-
34. lecke
Idősor komponenseire bontása
-
35. lecke
[Segédlet] - Forráskód
-
36. lecke
[LIVE ALKALOM] 2026.06.04. 18:00
-
4.RNN, LSTM
-
37. lecke
Recurrent Neuronal Network (RNN)
-
38. lecke
Long-Short Term Memory (LSTM)
-
39. lecke
[LIVE ALKALOM] 2026.06.11. 18:00
-
5.Záró Projektfeladat
-
40. lecke
Záró Projektfeladat (Feltöltési határidő: 2026.06.25.)