Deep Learning a gyakorlatban adattudósoknak és AI fejlesztőknek
Gyakorlatorientált deep learning képzés, ahol CNN, RNN, LSTM és Transformer modelleket tervezel és valósítasz meg saját portfólió projektben.
Mit fogsz tanulni?
5 hét alatt a felzárkóztató gépi tanulási alapoktól a CNN, RNN, LSTM és Transformer modellek gyakorlati implementálásáig.
1 Felzárkóztató - Gépi tanulási alapok Alapvető gépi tanulási koncepciók, adatok előkészítése, validáció és kiértékelési metrikák.
- Osztályozás, clusterezés, regresszió
- Semi-supervised learning és learning paradigmák
- ML fejlesztési és üzemeltetési eszközök
- Google Colab
- Pandas bevezetés és folytatás
- Validáció
- Confusion matrix
- Accuracy, Precision, Recall, F-score
- ROC görbe és AUC, PR AUC
- Metrikák összehasonlítása osztályozáshoz
- Regressziós metrikák
- Lineáris modellek elméleti alapozása
- Gradient Descent
- Adatok előkészítése, encoding
- Hiányzó értékek detektálása és kezelése
- Outlierek kezelése
- Skálázás
- Nem felügyelt tanulás, dimenziócsökkentés, clustering
2 Deep Learning alapok Neurális hálózatok elméleti alapjai, architektúra, forward/backward propagation, aktivációs függvények és hiperparaméter-optimalizálás.
- 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 haszna és típusai
- Aktivációs függvények: előnye, hátránya, alkalmazása
- Hiperparaméterek és optimalizálók
- Neurális hálózat gyakorlat (ANN)
3 Natural Language Processing (NLP), Idősorok, RNN NLP feldolgozási technikák, szöveg reprezentáció, idősor analízis és az RNN elméleti alapjai.
- NLP és feladatai
- NLP előfeldolgozási lépések és NLTK
- Tokenizálás, stop szavak, stemming
- Lemmatization, Part of Speech (PoS)
- Szöveg reprezentációk: Bag of Words, TF-IDF
- NLP pipeline, Named Entity Recognition (NER)
- Idősorok és alkalmazásaik
- Gördülő statisztika
- Baseline modell
- Train, validation és teszt halmaz kialakítása
- Idősor predikció ML algoritmusokkal (ElasticNet, Random Forest)
- Csúszó ablak technika
- Idősor komponenseire bontása
- Bias-Variance (Underfitting-Overfitting)
- RNN elméleti alapjai
4 LSTM, Transformerek RNN gyakorlati megvalósítása PyTorchban, LSTM elméleti és gyakorlati alapok, valamint a Transformer architektúra.
- RNN gyakorlat és PyTorch, Dataset
- RNN és PyTorch - RNN class
- RNN és PyTorch - train_model
- RNN és PyTorch - main
- RNN és PyTorch - modell tanítás és optimalizálás
- LSTM elméleti háttere
- LSTM gyakorlat
- Transformer modellek elméleti háttere
5 Generative AI, Transformer gyakorlatok - NLP, LLM, Finetuning Generatív AI, foundation modellek, RAG, LLM finomhangolás (SFT, PEFT, LoRA, QLoRA) és sentiment analysis.
- GenAI - AI Engineering és Foundation Modellek, felhasználási területek
- GenAI - Foundation Modellek, kockázatok, nehézségek
- GenAI - RAG: Retrieval-Augmented Generation
- GenAI - LLM finomhangolás, AI Engineer vs ML Engineer
- GenAI - AI asszisztens, ágens, Agentic AI
- NLP - Szöveg osztályozás Naive Bayes algoritmussal (Sentiment Analysis)
- NLP, Transformers - Szöveg osztályozás Transformerrel (LLM-el)
- LLM Transformer Finetuning elméleti alapok (SFT, PEFT, LoRA, QLoRA)
- LLM Transformer Finetuning gyakorlat
- LLM Finetuning kiértékelési módszerek
6 Computer Vision, Konvolúciós Neurális Hálózatok (CNN), Vision Transformer (ViT) Computer vision alkalmazások, CNN architektúra, Vision Transformer, transfer learning és data augmentation.
- Computer Vision alkalmazási területek és határterületei
- Computer Vision feladatai, RGB adatok
- Bounding Box, Anchor box, IoU, Dice score
- Konvolúciós Neurális Hálózatok (CNN): Konvolúció, Pooling, Stride, Fully Connected Layer
- CNN gyakorlat
- Vision Transformer (ViT) elméleti alapok
- Vision Transformer (ViT) - Transfer Learning, Data Augmentation gyakorlat
- Transfer Learning
- Modellek, megközelítések időrendi áttekintése (image classification, object detection, segmentation)
7 Záró Projektfeladat Teljes deep learning projekt megvalósítása valós adatokon, GitHubra publikálható portfólió projektként.
- Önálló deep learning portfólió projekt megvalósítása
Miért érdemes belevágnod?
A deep learning az elmúlt években szinte minden iparágat átalakított, a gyártástól az egészségügyön át a pénzügyekig. Csakhogy az elméleti tudás, vagyis a modellek működésének megértése önmagában kevés: a piac azokat keresi, akik ezt a tudást működő megoldássá is tudják formálni.
Ez a képzés pont ezt a hiányt tölti be. Nem áll meg az elméletnél, hanem a gyakorlati megvalósításon keresztül mutatja meg, hogyan építhetsz valódi, működőképes AI megoldásokat a legmodernebb modellek felhasználásával.
Az itt szerzett tapasztalat stabil kiindulópont: innen könnyebben lépsz tovább a komplex AI technológiák felé, és olyan konkrét, bemutatható eredményeket viszel magaddal, amik minden iparágban hasznosítható szakmai tapasztalatot jelentenek.
- 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?
- Junior adatelemzők és data scientistek, akik a deep learning gyakorlati alkalmazásait szeretnék megtanulni
- Medior szintű data science szakemberek, akik tovább mélyítenék tudásukat
- AI fejlesztők, akik meglévő tudásukat modern modellekkel bővítenék
- Tech beállítottságú IT menedzserek, akik komplex AI/ML projektek kihívásaira készülnek
Kinek nem ajánlott?
- Akik még nem dolgoztak Pythonnal és gépi tanulási alapokkal
- Akik programozás nélküli áttekintést szeretnének a deep learningről
- Akiknek a klasszikus adatelemzés (Excel, BI) az elsődleges célja
- Akik csak elméleti szinten érdeklődnek, portfólió-projekt építése nélkül
Mik a képzés előkövetelményei?
A lineáris algebrai és statisztikai jártasság előnyt jelent, de nem feltétel. A gépi tanulási alapokat egy felzárkóztató modullal átismételjük, így nyugodtan belevághatsz akkor is, ha ezek az ismereteid kissé megkoptak.
Hogyan fogsz tanulni?
Gyakorlatorientált oktatás
Minden héten izgalmas gyakorló feladatokat kapsz majd, amelyek keretében már menetközben is konkrét lekérdezéseket 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
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: Deep Learning a gyakorlatban adattudósoknak és AI fejlesztőknek
„A kurzusról a következőket tudom elmondani: *rendkívűl felkészült és segítőkész oktató *érthető és részletes videók *részletesen kommentelt notebook fájlok. Mindenkinek ajánlom akit érdekel a téma!!!"
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!
Következő indulási dátum
2026.11.09.
Mentorált alkalmak hétfő esténként
195 000 Ft
Jelentkezési határidő: 2026.11.09.
JelentkezemMás időpont érdekel?
Add meg az e-mail címed, és szólunk, ha új időpontot hirdetünk meg.
Fizetési lehetőségek
Többféle fizetési lehetőséget biztosítunk, hogy a legmegfelelőbb opciót válaszd.
Online fizetés bankkártyával
Az OTP SimplePay az egyik legelterjedtebb online fizetési megoldás — gyors és biztonságos fizetési folyamatáról ismert.
Kamatmentes részletfizetés
Nem szeretnénk, ha a fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat több részletben, teljesen kamatmentesen is kifizetheted.
Fizetés banki átutalással, egy összegben
Ha online kártyás fizetés helyett banki átutalással szeretnél fizetni, az sem probléma — írj nekünk, és ebben is segítünk.
Készen állsz a jelentkezésre?
Jelentkezz most, és kezdd el a fejlődést!
Gyakran Ismételt Kérdések
Mit fogok megtanulni a képzésen?
CNN, RNN, LSTM és Transformer modellek tervezését és implementálását, NLP-t, computer visiont és generatív AI-t, valamint saját deep learning portfólió projektet készítesz, amelyet GitHubon is bemutathatsz.
Milyen előismeret szükséges?
Alapszintű Python programozási ismeret és alapvető gépi tanulási fogalmak szükségesek. Ha az alapok hiányoznak, javasolt előzetesen elvégezni a Python Programozás Alapok vagy a Python alapú data analyst képzést.
Milyen eszközöket tanítanak?
A képzés a TensorFlow, Keras és PyTorch keretrendszereket, valamint a hozzájuk kapcsolódó Python könyvtárakat dolgozza fel gyakorlati feladatokon keresztül.
Meddig férek hozzá a tananyaghoz?
Az interaktív digitális tananyagot egy évig korlátlan alkalommal visszanézheted.
Van-e pénzvisszafizetési garancia?
Igen, a képzés indulásától számított 8 napig 100%-os pénzvisszafizetési garanciát biztosítunk, emellett kamatmentes részletfizetés is választható.