Tanulási útvonalak az elkötelezetteknek

Frissen kapott adatsort a Data Analyst gyakran Excel-ben néz át először, ott ellenőrzi és összesíti gyorsan: ezen a képzésen ehhez a képletek és a kimutatások biztos használatát gyakorlod be.

• Gyors munka a táblában: gyorsbillentyűkkel mozogsz és jelölsz ki, szövegre és számra szűrsz, rendezel, rögzíted a fejlécet, és összecsukod a sorokat, oszlopokat. Egy több ezer soros exportban így percek alatt eligazodsz.
• Szöveg-, dátum- és számfüggvények: a BAL, JOBB, KÖZÉP, SZÖVEG és SZÖVEG.KERES függvénnyel szöveges mezőket bontasz és alakítasz át, a MA és DÁTUM függvénnyel dátumot kezelsz, a KEREK.LE és ÉRTÉK függvénnyel számot igazítasz. Az adattisztítás első lépései ezek.
• Keresés és feltételek: FKERES-sel (VLOOKUP) egy másik táblából keresed ki az összetartozó értéket, a HA és HIBÁS függvénnyel feltételes számítást írsz, szövegbontással és érvényesítéssel pedig rendben tartod az adatot. Két forrás összefésülése mindennapos elemzői feladat.
• Kimutatások (pivot táblák): táblázattá formázod az adatot, kimutatást hozol létre és alakítasz át, értékmezőt, új dimenziót és szűrőmezőt állítasz be, kimutatásdiagramot készítesz, és frissíted az eredményt. Egy gyors vezetői összesítő jellemzően így készül. Teljes tematika (új lapon)

Egy Data Analyst-től azt várják, hogy meg tudja különböztetni a valódi összefüggést a véletlentől: ezen a képzésen a statisztikai szemléletet, az adat-előkészítést és a leggyakoribb elemzési módszereket sajátítod el, egy végigvitt HR-esettanulmányon.

• Adat-előkészítés JASP-ban: az ingyenes JASP elemzőprogramban megismered a változótípusokat (szöveges, dátum, 0/1 értékű dummy, kategoriális, folytonos), átkódolsz, új változót képzel, szűrsz, és kezeled a hiányzó adatot, valamint a kiugró értéket (outlier). Az elemzés legidőigényesebb része ez.
• Leíró statisztika és próbák: átlagot, mediánt és szórást számolsz, megérted a reprezentatív mintát, a nullhipotézist és a p-értéket, majd kereszttáblát elemzel khí-négyzet próbával, csoportátlagokat hasonlítasz össze ANOVA-val, és korrelációt vizsgálsz.
• Értelmezés és ábrázolás: különválasztod az együttjárást az okságtól, felismered az értelmezési csapdákat, például a Simpson-paradoxont (amikor a részcsoportok iránya ellentétes az összesítettel), és olyan diagramot választasz, amely címmel, tengelyfelirattal, jelmagyarázattal önmagában is érthető.
• Többváltozós modellek: lineáris és logisztikus regresszióval magyarázol egy kimenetet, k-means klaszterezéssel csoportokat, szegmenseket képzel, és áttekinted a döntési fát. Az előrejelzés és az ügyfélszegmentálás is ezekre a módszerekre épül. Teljes tematika (új lapon)

A BI Developer gyakran Excel-táblában kapja a forrásadatot, és a riport számait is sokszor Excel-ben ellenőrzi vissza: ezen a képzésen a képletek és a kimutatások gyors, magabiztos kezelését sajátítod el.

• Gyorsbillentyűk és rendezés: billentyűkkel mozogsz és jelölsz ki, szövegre és számra szűrsz, rendezel, rögzíted a fejlécet, és összecsukod a sorokat, oszlopokat. Egy ismeretlen forrásfájl átnézésénél ez sok időt spórol.
• Szöveg-, dátum- és számfüggvények: a BAL, JOBB, KÖZÉP, SZÖVEG és SZÖVEG.KERES függvénnyel szöveges mezőket bontasz és alakítasz, a MA és DÁTUM függvénnyel dátumot kezelsz, a KEREK.LE és ÉRTÉK függvénnyel számot igazítasz. A DAX-ban is hasonló szöveg- és dátumfüggvények dolgoznak.
• Kikeresés és feltételek: FKERES-sel (VLOOKUP) egy másik táblából hozod át az összetartozó értéket, a HA és HIBÁS függvénnyel feltételes számítást írsz, szövegbontással és érvényesítéssel rendben tartod az adatot. Az adatmodellek táblakapcsolatai ugyanerre a kikeresési logikára épülnek.
• Kimutatások (pivot táblák): táblázattá formázod az adatot, kimutatást hozol létre és módosítasz, értékmezőt, új dimenziót és szűrőmezőt állítasz be, kimutatásdiagramot készítesz, és frissíted az eredményt. Egy dashboard mutatóit így gyorsan keresztbe ellenőrizheted. Teljes tematika (új lapon)

Egy BI Developer mutatókat és összehasonlításokat tesz a vezetők elé, ezért tudnia kell, mikor megalapozott egy következtetés és mikor félrevezető: ezen a képzésen a statisztikai szemléletet és az alapvető elemzési módszereket sajátítod el.

• Tiszta adat JASP-ban: az ingyenes JASP elemzőprogramban megismered a változótípusokat, átkódolsz, új változót képzel, szűrsz, és eldöntöd, mi legyen a hiányzó adattal és a kiugró értékkel (outlier). Egy mutató csak annyira megbízható, amennyire tiszta az adat mögötte.
• Leíró statisztika és próbák: átlagot, mediánt és szórást számolsz, megérted a mintavételt, a nullhipotézist és a p-értéket, kereszttáblát elemzel khí-négyzet próbával, ANOVA-val csoportátlagokat hasonlítasz össze, korrelációval pedig két folytonos változó együttmozgását vizsgálod.
• Értelmezési csapdák: különválasztod az együttjárást az okságtól, és felismered a Simpson-paradoxont (amikor a részcsoportok iránya ellentétes az összesítettel) és az ökológiai tévkövetkeztetést (összesített adatból egyéni szintre következtetést). Aggregált mutatókra épülő riportoknál ezek a tipikus félreolvasások.
• Diagramok és dashboard-ok: adattípushoz és üzenethez illő diagramot választasz, elkerülöd a torzított tengelyt és a túlzsúfoltságot, összeveted az Excel, az SQL és a Power BI erősségeit, és Power BI-ban interaktív dashboard-ot készítesz, ahol egy kattintás az egész oldalt szűri. Teljes tematika (új lapon)

Minden BI-riport egy lekérdezett, modellbe rendezett adathalmazra épül, és ezt a BI Developer rakja össze: ezen a képzésen ennek alapjait rakod le, az SQL-lekérdezéstől a DAX-mértékeken át a Power BI-riport közzétételéig.

• SQL-lekérdezések: egy felhőben futó minta-adatbázison szűrsz, GROUP BY-jal, HAVING-gel és CASE-szel összesítesz, INNER, LEFT és FULL JOIN-nal kapcsolsz táblákat, allekérdezést és CTE-t (névvel kiemelt részlekérdezést) írsz. A riportok forrásadata jellemzően ilyen lekérdezésekből érkezik.
• Ismételhető adat-előkészítés: Power Query-ben lépésenként rögzülő átalakításokat építesz, egy mappányi fájlt egyetlen táblába fűzöl, amely új fájlnál frissítéssel bővül, lekérdezéseket egyesítesz (Merge), és M nyelven saját függvényt írsz. A frissíthető riport ezen múlik.
• Adatmodell és DAX: tény- és dimenziótáblákat kapcsolsz össze egy a többhöz kapcsolattal, dátumtáblát építesz, és DAX-ban mértékeket írsz CALCULATE, FILTER, ALL, RANKX és időintelligencia-függvényekkel, például év eleje óta halmozott összeget (TOTALYTD).
• Power BI-riport és megosztás: diagramokból, szeletelőkkel, feltételes formázással, felbontásfával és KPI-vizualizációval riportot építesz, közzéteszed egy közös munkaterületre, irányítópultot (dashboard) állítasz össze belőle, és megosztod a kollégákkal. Teljes tematika (új lapon)

Az adatfolyamok jellemzően Linux-szervereken és felhős gépeken futnak, ahol egy Data Engineer parancssorból dolgozik: ezen a képzésen a terminál, a fájlkezelés, a szövegfeldolgozás és a jogosultságok alapjait sajátítod el.

• Terminál és fájlrendszer: kipróbálod a Linux-futtatás lehetőségeit (WSL, virtuális gép, Docker, Git Bash), eligazodsz a könyvtárszerkezetben, find-dal keresel, és környezeti változót (például PATH) olvasol ki és állítasz be export-tal.
• Szövegfeldolgozás: less-szel, grep-pel, sort-tal és uniq-kal olvasol, keresel, rendezel és ismétlődést szűrsz, sed-del és awk-kal cserélsz és mezőt nyersz ki, a parancsokat pedig csővezetékkel (pipe) fűzöd össze. Egy nagy CSV- vagy naplófájlba így gyorsan belenézel.
• Jogosultságok és folyamatok: sudo-val rendszergazdaként futtatsz parancsot, felhasználót és csoportot hozol létre, értelmezed az olvasási, írási és futtatási jogokat, a ps és top paranccsal figyeled, kill-lel leállítod a folyamatokat. Egy beragadt betöltőszkriptet így találsz meg és állítasz le.
• Telepítés, hálózat, szkriptek: APT-vel telepítesz, SSH-val távoli gépre lépsz, SCP-vel és wget-tel fájlt mozgatsz, tar-ral és gzip-pel csomagolsz, shell-szkriptet írsz, és a kimenetet átirányítod (fájlba, tee-vel, /dev/null-ba). Kisebb ismétlődő feladatot így automatizálsz. Teljes tematika (új lapon)

Szinte minden adatfolyamban SQL-lel olvas, alakít és ellenőriz adatot egy Data Engineer, a forrásrendszertől az adattárházig: ezen a képzésen a relációs adatbázisok működését és az önálló lekérdezésírást sajátítod el, a nulláról indulva.

• Relációs alapok: megérted, miben több egy adatbázis az Excel-nél (erős típusosság, jogosultságkezelés, táblák közti kapcsolat elsődleges és idegen kulccsal), és hogyan kapcsolódik a kliens a felhőben futó SQL Server-hez. A betöltött adat épségét ezek a szabályok védik.
• Szűrés és összesítés: egy kereskedelmi minta-adatbázison SELECT-tel kérdezel le, szövegre, dátumra és számra szűrsz, IS NULL-lal kezeled a hiányzó értéket, GROUP BY-jal és HAVING-gel összesítesz, CASE-szel kategóriát képzel, ROLLUP-pal részösszeget kérsz.
• Táblák összekapcsolása: INNER, LEFT, RIGHT, FULL és CROSS JOIN-nal kapcsolsz táblákat, és megtanulod, mit változtat, ha a feltétel az ON-ba vagy a WHERE-be kerül, és mikor sokszorozza meg a JOIN a sorokat. Adatfolyamban a váratlanul megduplázódott sorok gyakran innen erednek.
• Allekérdezések és CTE: allekérdezést írsz a SELECT, FROM és WHERE részbe, EXISTS-szel és IN-nel szűrsz, a WITH kulcsszóval névvel kiemelt részeredményt (CTE) építesz, így az összetett átalakítás is olvasható marad. Teljes tematika (új lapon)

Az adatok beolvasásától a modellek kiértékeléséig egy Data Scientist jellemzően Python-ban dolgozik: ezen a képzésen a nulláról indulva sajátítod el a nyelv alapjait, a változóktól a függvényeken át az osztályokig.

• Adatszerkezetek: listákkal, halmazokkal és szótárakkal dolgozol, begyakorlod az indexelést és a szeletelést, a listát halmazzá alakítva pedig egy lépésben kiszűröd az ismétlődő elemeket. Nagy adatsornál a jól megválasztott adatszerkezet sokszoros gyorsulást hoz.
• Szövegfeldolgozás: a szöveget kisbetűsíted, megtisztítod az írásjelektől és szavakra bontod, Counter-rel megszámolod a szavak gyakoriságát, reguláris kifejezéssel (szövegmintával) pedig ellenőrzöd egy e-mail cím formáját. A szöveges mezők tisztítása az adatelőkészítés része.
• Fájlok és JSON: szövegfájlokat olvasol és írsz, a beolvasott sorokat számokká alakítod, és a Világbank API-jából mentett JSON-válaszból lépésenként kibontod egy ország adatait. A nyílt adatforrások jellemzően ilyen gépi formában adják az adatot.
• Véletlen és szimuláció: a random modullal Monte-Carlo-módszert írsz, amely sok véletlen pontból közelíti a pí értékét, és rögzített véletlenszám-maggal (seed) megismételhetővé teszed a futást. Egy Data Scientist-nél az eredmények reprodukálhatósága alapkövetelmény. Teljes tematika (új lapon)

Táblázatos adatokon dolgozni és az elemzést újrafuttatható kódban felépíteni a Data Scientist mindennapja: ezen a képzésen a Python adatfeldolgozó, vizualizációs és gépi tanulási könyvtárait tanulod meg magabiztosan használni.

• NumPy és Pandas: tömbökkel ciklus nélkül számolsz, CSV-ből betöltött adattáblákat szűrsz, rendezel, csoportosítasz és kapcsolsz össze, és megérted, miért alakul lebegőpontossá egy oszlop, ha hiányzó érték kerül bele. Az adatkeret (DataFrame) a legtöbb elemzés kiindulópontja.
• Diagramok: Matplotlib-bel és Seaborn-nal vonaldiagramot, oszlopdiagramot, szórásdiagramot és hisztogramot rajzolsz, és megtanulod, melyik diagramtípus melyik üzenethez illik. Egy jól választott ábra az elemzés eredményét a döntéshozó számára is érthetővé teszi.
• Első modellek scikit-learn-nel: leíró statisztikával és diagramokkal feltárod az adatot, osztályozó modelleket tanítasz, és tesztadaton, majd keresztvalidációval (több felosztás átlagával) értékeled őket. Ugyanez a menet minden későbbi modellezési feladatodban visszatér.
• Adatbázis és Big Data: Python-ból MySQL-adatbázishoz kapcsolódsz és SQL-lekérdezéseket futtatsz, Databricks-notebookban pedig PySpark-kal összesítesz, amikor az adat már meghaladja egy gép kapacitását. A vállalati adat jellemzően ilyen rendszerekben él. Teljes tematika (új lapon)

Üzleti kérdésekre csak az tud megbízható választ adni az adatokból, aki el tudja dönteni, mikor valódi egy összefüggés: ezen a képzésen a statisztikai gondolkodást és a Data Scientist legfontosabb elemzési módszereit sajátítod el, előismeret nélkül.

• Adat-előkészítés JASP-ban: megismered a változótípusokat (kategoriális, folytonos, dummy), átkódolással és számított oszloppal új változókat hozol létre, a hiányzó adatot és a kiugró értékeket pedig tudatosan kezeled. Rossz minőségű adatból a legjobb módszer is téves következtetést ad.
• Hipotézisvizsgálat: megérted a mintavétel és a nullhipotézis logikáját, majd kereszttáblával és khí-négyzet próbával, ANOVA-val (átlagok összehasonlításával) és korrelációval vizsgálod az összefüggéseket. Így dönthető el, hogy egy különbség valódi vagy csak a véletlen műve.
• Okság és értelmezési csapdák: megkülönbözteted az együttjárást az okságtól, megismered a kontrollált kísérletet és az A/B-tesztet, és felismered a Simpson-paradoxont (amikor a részcsoportokra bontás megfordítja az összefüggést). Üzleti javaslatot csak igazolt ok-okozati kapcsolatra érdemes építeni.
• Többváltozós modellek: lineáris és logisztikus regressziót építesz, értelmezed az R-négyzetet (a megmagyarázott hányadot) és az esélyhányadost, klaszterelemzéssel HR-adatokon szegmentálod a munkavállalókat, és megismered a döntési fát. Az eredményeket Power BI-dashboardon is bemutatod. Teljes tematika (új lapon)

A gépi tanulási és statisztikai módszerek mögött lineáris algebra és számábrázolás áll, és egy Data Scientist-nek értenie kell, mit számol a modell: ezen a képzésen ezeknek a matematikai alapjait rakod le, NumPy-példákkal.

• Vektorok és mátrixok: begyakorlod a skalárszorzatot, a mátrixszorzást és a transzponálást. Egy adattábla maga is mátrix, amelynek sorai a megfigyelések, oszlopai a jellemzők, és a legtöbb modell ezen számol mátrixműveletekkel.
• Determináns, inverz, sajátérték: Gauss-Jordan eliminációval egyenletrendszert oldasz meg, megismered a sajátérték és a sajátvektor jelentését, és mindezt NumPy lineáris algebrai függvényeivel is kiszámolod. A főkomponens-elemzés (PCA) is sajátvektorokra épül.
• Hatványozás és logaritmus: begyakorlod a hatványozást, a gyökvonást és a logaritmust, és ráérzel az exponenciális növekedésre, például a népesség vagy az infláció alakulásán. Erősen ferde eloszlású adatnál, például jövedelmeknél, gyakran logaritmikus skálán elemzel.
• Lebegőpontos számok és kerekítés: megismered az IEEE 754 szabványt, a NaN (nem szám) és a végtelen értéket, a kerekítési hibák okát, és azt, hogy a round függvény nyelvenként eltérően kerekít. Pandas-táblákban a hiányzó érték is NaN-ként jelenik meg. Teljes tematika (új lapon)

Az elemzéshez szükséges adat többnyire vállalati adatbázisban él, és sokat gyorsít egy Data Scientist munkáján, ha maga is le tudja kérdezni: ezen a képzésen a relációs adatbázisok működését és az SQL-lekérdezések írását sajátítod el.

• Relációs alapok: megérted, miben több egy adatbázis az Excel-nél, hogyan kötik össze a táblákat az elsődleges és idegen kulcsok, és egy felhőben futó SQL Server-en gyakorolsz. Az adatbázis szerkezetének ismerete legalább annyit számít, mint maga a nyelv.
• Szűrés és számított oszlopok: SELECT-tel oszlopokat választasz ki és számított oszlopokat hozol létre, WHERE-rel szövegre, dátumra és számra szűrsz, a hiányzó értékeket IS NULL-lal kezeled, CASE-szel pedig kategóriákat alakítasz ki. Egy jó lekérdezés az adat előkészítésének egy részét is elvégzi.
• Összesítés: GROUP BY-jal csoportokat képezel, COUNT, SUM és AVG függvényekkel összesítesz, HAVING-gel az összesített értékre szűrsz, ROLLUP-pal részösszegeket kérsz, és megtanulod, hogy az összesítő függvények kihagyják a NULL-értékeket.
• Összekapcsolás és allekérdezés: INNER, LEFT és FULL JOIN-nal kapcsolsz táblákat, felismered a sorok megsokszorozódását és a COUNT DISTINCT szerepét, allekérdezést és CTE-t (WITH-del elnevezett részlekérdezést) írsz. Egy hibás összekapcsolás csendben torzítja az elemzés számait. Teljes tematika (új lapon)

Egy ML Engineer fő munkaeszköze a Python: ebben készíti elő az adatot, tanítja és teszteli a modelleket, ezen a képzésen pedig ennek a nyelvnek a biztos alapjait rakod le.

• Listák, halmazok, szótárak: begyakorlod az indexelést, a szeletelést és a lista-származtatást (comprehension), Counter-rel elemeket számolsz, és futásidő-méréssel látod, mikor gyorsabb a halmaz a listánál. A NumPy-tömbök szeletelése ugyanígy működik.
• Függvények és osztályok: egyetlen feladatot végző, paraméterezett függvényeket írsz, majd az összetartozó adatot és műveletet osztályokba szervezed, öröklődéssel és absztrakt osztállyal. A gépi tanulási könyvtárakban a modell is egy osztály példánya.
• Fájlok és adatformátumok: szövegfájlokat olvasol és írsz, a nyers sorokat számokká bontod, és JSON-t alakítasz Python-adattá, például a Világbank API-jából mentett válaszon. A modellek tanítóadata jellemzően ilyen fájlokban érkezik.
• Könyvtárak és egységteszt: pip-pel külső könyvtárat telepítesz (a példa a NumPy, amelyre a Python gépi tanulási eszközei épülnek), saját modult írsz, és unittest-tel teszteket készítesz hozzá. Teljes tematika (új lapon)

Egy ML Engineer nap mint nap adattáblákkal dolgozik, modellekkel kísérletezik, és olyan kódot ír, amely élesben is megbízhatóan fut: ezen a képzésen a Python ezekhez szükséges eszközeit gyakorlod be.

• NumPy és Pandas: tömböket alakítasz át, logikai maszkkal válogatsz, ciklus nélkül számolsz elemenként, majd CSV-ből betöltött táblákat szűrsz, csoportosítasz és kapcsolsz össze. Ebben a formában készíted elő a modell bemenetét.
• Adatfeltárás és első modellek: Seaborn-diagramokkal és leíró statisztikával megismered az adatot, majd scikit-learn-nel első osztályozó és regressziós modelljeidet tanítod, és tesztadaton, keresztvalidációval (több felosztás átlagával) értékeled őket. Ez a folyamat az ML Engineer munkájának gerince.
• Tesztelés, naplózás, hibakeresés: unittest-tel és mock-kal (külső függőséget helyettesítő álobjektummal) egységteszteket írsz, a logging könyvtárral szintezett naplót vezetsz, és cProfile-lal megkeresed a lassú függvényt. Élesben futó modellnél a napló az első nyom.
• Virtuális környezet és notebook: venv-vel projektenként elszigeteled a csomagokat, Jupyter notebook-ban pedig cellánként futtatva kísérletezel. A modellkísérletek lépésenkénti finomításához ez a megszokott munkakörnyezet. Teljes tematika (új lapon)

A gépi tanulási modellek mátrixokkal és számokkal dolgoznak, ezért egy ML Engineer-nek értenie kell, mi történik a háttérben: ezen a képzésen a lineáris algebra és a számítógépes számábrázolás alapjait sajátítod el.

• Vektorok és mátrixok: begyakorlod a skalárszorzatot, a mátrixszorzást és a transzponálást. Az ML-ben a jellemzőket mátrixba rendezed, a lineáris modell becslése pedig a súlyok és a jellemzők skalárszorzata.
• Egyenletrendszerek mátrixokkal: megismered a determinánst és az inverz mátrixot, Gauss-Jordan eliminációval egyenletrendszert oldasz meg, NumPy-ban pedig mindezt függvényhívással végzed. A lineáris regresszió súlyait adó normálegyenlet is mátrixinverzzel számol.
• Hatványozás és logaritmus: begyakorlod a hatványozást, a gyökvonást és a logaritmust, és ráérzel az exponenciális növekedésre. Az osztályozó modellek valószínűség-kimenete és hibafüggvénye is ezekre épül.
• Lebegőpontos számábrázolás: megismered az IEEE 754 szabványt, a NaN (nem szám) és a végtelen értéket, a kerekítési hibák okát és a hibahatáros összehasonlítást. Adattisztításkor a hiányzó értéket is NaN jelöli. Teljes tematika (új lapon)

A nyelvi modellek hívása, a dokumentumok előkészítése és a válaszok feldolgozása egy AI Engineer munkájában mind Python-kód: ezen a képzésen ennek a nyelvnek a biztos alapjait rakod le.

• Listák és szótárak: begyakorlod az indexelést, a szeletelést és a lista-származtatást (comprehension), szótárban kulcs-érték párokat kezelsz, Counter-rel pedig elemeket számolsz. Az LLM API-hívások üzenetlistája is szerepet és szöveget tartalmazó szótárakból áll.
• Függvények és osztályok: egyetlen feladatot végző, paraméterezett függvényeket írsz típusjelöléssel (type hint), majd az összetartozó adatot és műveletet osztályokba szervezed, öröklődéssel és absztrakt osztállyal. A RAG-pipeline daraboló és kereső lépése is ilyen önálló egységként épül fel.
• Fájlok és JSON: szövegfájlokat olvasol és írsz UTF-8 kódolással, a json könyvtárral szótárt alakítasz szöveggé és vissza, például a Világbank API-jából mentett válaszon. RAG-nál egy hibás karakterkódolás csendben elronthatja a teljes tudásbázist.
• Könyvtárak és egységteszt: pip-pel külső könyvtárat telepítesz, saját modult írsz, és unittest-tel teszteket készítesz hozzá, amelyek jelzik, ha egy módosítás elrontott valamit, ami korábban működött. A modellhívások köré írt saját kódodat is így véded. Teljes tematika (új lapon)

Egy AI Engineer a nyelvi modellt webes végpontok, adatbázis és tesztelt háttérkód mögé építi be: ezen a képzésen a Python ehhez szükséges, alapokon túli eszközeit sajátítod el.

• Webes végpontok Flask-kel: dekorátorral kötsz útvonalat és HTTP-metódust egy függvényhez, jsonify-jal JSON-t adsz vissza, a kérés törzsét request.get_json-nal olvasod, kliensként pedig a requests könyvtárral küldesz kérést. Az AI-asszisztensek chat-végpontja is így épül fel.
• Aszinkron és párhuzamos futás: async és await kulcsszavakkal, asyncio.gather-rel indítasz egyszerre több, hálózatra váró feladatot, a szálak számát pedig ThreadPoolExecutor-ral korlátozod. Több független modellhívás így nem egymás után várakozik.
• Tesztelés és naplózás: unittest-tel és mock-kal (külső függőséget helyettesítő álobjektummal) teszteled a hálózatot hívó kódot valódi szerver nélkül, a logging könyvtárral pedig szintezett naplót vezetsz. A tesztekben a fizetős modellhívást is így helyettesítheted.
• Adatbázis és virtuális környezet: Python-ból kapcsolódsz MySQL-hez és SQLite-hoz, kurzorral futtatsz SQL-parancsokat, commit-tal és rollback-kel kezeled a tranzakciót, a csomagokat pedig venv-vel projektenként elszigeteled. Az asszisztens beszélgetései is adatbázisban élnek. Teljes tematika (új lapon)

Egy AI Agent Engineer az AI Agent eszközeit Python-függvényként írja meg, és programból kezeli a modell válaszát és az eszközhívások eredményét: ezen a képzésen a nyelv biztos alapjait sajátítod el.

• Szótárak és listák: szótárban kulcs-érték párokat kezelsz (get, items, update), listát szeletelsz és lista-származtatással (comprehension) építesz, Counter-rel pedig elemeket számolsz. A modellnek küldött üzenetlista és az eszközhívás paraméterei is ilyen szerkezetek.
• Függvények és osztályok: egyetlen feladatot végző függvényeket írsz nevesített és alapértelmezett paraméterekkel, típusjelöléssel (type hint), majd osztályokba szervezed az összetartozó adatot és műveletet. Az AI Agent minden eszköze egy ilyen, jól körülhatárolt függvény.
• Kivételkezelés: try és except ágakkal konkrét hibatípusokat kapsz el, finally-vel biztosan lezárod az erőforrásokat, raise-zel pedig saját kivételt váltasz ki. Ha egy eszköz mögött nem elérhető az adatbázis vagy a hálózat, az AI Agent így nem omlik össze.
• JSON és fájlok: a json könyvtárral szótárt alakítasz szöveggé és vissza, a Világbank API-jának beágyazott válaszából lépésenként nyered ki a keresett értéket, és UTF-8 kódolással kezelsz fájlokat. Az eszközhívások adatai is JSON-ben utaznak. Teljes tematika (új lapon)

Az AI Agent vállalati rendszerek API-jait és adatbázisait hívja, gyakran párhuzamosan, és egy AI Agent Engineer-nek ezt megbízhatóan, tesztelhetően kell megírnia: ezen a képzésen az ehhez szükséges Python-technikákat gyakorlod be.

• HTTP-hívások és REST: a requests könyvtárral hívsz webes végpontokat, megérted a GET (lekérdezés) és a POST (állapotváltoztatás) különbségét, Flask-kel pedig magad is kiajánlasz JSON-t visszaadó végpontot. Adatot módosító AI Agent-eszköznél ez a különbség kulcskérdés.
• Adatbázis Python-ból: MySQL-hez és SQLite-hoz kapcsolódsz, kurzorral futtatsz SQL-lekérdezést, a módosítást pedig try és except blokkban commit-tal véglegesíted vagy rollback-kel visszavonod. Egy vállalati adatforrásba író eszköz így nem hagy félkész állapotot.
• Párhuzamos futás: async és await kulcsszavakkal, asyncio.gather-rel futtatsz egyszerre több, hálózatra váró feladatot, a szálak közös adatát pedig lock-kal véded. Az egymástól független eszközhívások így nem egymásra várnak.
• Tesztelés és naplózás: unittest-tel és mock-kal (külső függőséget helyettesítő álobjektummal) teszteled a hálózatot hívó kódot, akár kivételt is szimulálva, a logging könyvtárral pedig időbélyeges, szintezett naplót vezetsz. A többlépéses futások hibáit így visszakövetheted. Teljes tematika (új lapon)

A modellek tanítását, kiadását és figyelését egy MLOps Engineer Python-szkriptekkel és saját modulokkal automatizálja: ezen a képzésen a nulláról indulva rakod le a nyelv alapjait, az adatszerkezetektől az osztályokon át az egységtesztekig.

• Fájlok és JSON: UTF-8 kódolással olvasol és írsz fájlt, a json könyvtárral szótárt alakítasz szöveggé és vissza, és a Világbank API-jából mentett válaszból nyered ki a keresett értéket. A kiszolgált modell jellemzően JSON-ben kapja a bemenetet.
• Kivételkezelés: try, except és finally ágakkal kezeled a hiányzó fájlt vagy a hibás bemenetet, saját kivételosztályt hozol létre, és raise-zel célzottan jelzed a hibát. Ütemezett újratanításnál ebből tudod meg, melyik lépés és miért akadt el.
• Könyvtárak és egységteszt: pip-pel külső könyvtárat telepítesz (a példa a NumPy), saját modult írsz, és unittest-tel teszteket készítesz hozzá, amelyek jelzik, ha egy módosítás elront valamit, ami korábban működött. A tanítási pipeline kódját is így módosíthatod bátran.
• Véletlen és reprodukálhatóság: a random modullal Monte-Carlo-szimulációt írsz, amely sok véletlen pontból közelíti a pí értékét, és a véletlenszám-generátor magjának (seed) rögzítésével minden futáskor ugyanazt az eredményt kapod. A reprodukálható modelltanításnak is ez az egyik alapfeltétele. Teljes tematika (új lapon)

Az automatizált modellfolyamat tesztelt, jól szervezett Python-kódra épül, amelyet egy MLOps Engineer maga ír és tart karban: ezen a képzésen a nyelv fejlesztői eszköztárát sajátítod el, a teszteléstől a naplózásig.

• Egységtesztelés: unittest-tel teszteseteket írsz normál, határ- és hibás bemenetekre, mock-kal (külső függőséget helyettesítő álobjektummal) kiváltod az adatbázist vagy a hálózatot, és a coverage eszközzel méred a lefedettséget. Egy CI-folyamat minden változtatásnál ezeket futtatja le.
• Naplózás és hibakeresés: a logging könyvtárral szintezett, időbélyeges naplót írsz fájlba, töréspontokkal lépésenként debugolsz, cProfile-lal pedig megkeresed a leglassabb függvényt. Ha egy hiba csak élesben jelentkezik, a napló az első nyom.
• Futtatható programok: parancssori argumentumokat dolgozol fel (sys.argv), subprocess-szel külső programot indítasz, a main-mintával szétválasztod a modul importálását és futtatását, venv-vel pedig projektenként elszigeteled a csomagokat. Egy pipeline lépései is így indíthatók önállóan, paraméterezve.
• Web és adatbázis: megérted a GET és a POST kérés különbségét, Flask-kel JSON-t fogadó és visszaadó végpontokat írsz, és Python-ból MySQL-adatbázishoz kapcsolódsz. Egy modellt is jellemzően ilyen HTTP-végponton ér el a többi rendszer. Teljes tematika (új lapon)

Egy MLOps Engineer-nek értenie kell, hogyan készül és hogyan értékelik a modellt, különben egy hibás modellt is megbízhatóan szolgál ki: ezen a képzésen a klasszikus gépi tanulás folyamatát tanulod meg, az adattól a kiértékelésig.

• Adat-előkészítés: felderítő elemzéssel megismered az adatot, kezeled a hiányzó és kiugró értékeket, számmá kódolod a kategóriákat és skálázol. Élesben ugyanezeket a lépéseket a beérkező adaton is pontosan meg kell ismételni, különben torzul a predikció.
• Klasszikus algoritmusok: Scikit-learn-nel tanítasz lineáris és logisztikus regressziót, KNN-t, SVM-et, döntési fát és több fát kombináló modelleket (Random Forest, XGBoost, LightGBM), és pontosság, gyorsaság, valamint a nagy adathalmazok kezelése szerint hasonlítod össze őket.
• Validáció: elkülöníted a tanító, a validációs és a teszthalmazt, K-fold és idősoros keresztvalidációt használsz, és megtanulod, miért csak a legvégén szabad a teszthalmazhoz nyúlni. A túl optimista teszteredmény élesben rossz meglepetést okoz.
• Metrikák, túltanulás, anomáliák: a feladathoz illő metrikát választasz (precision, recall, ROC-AUC, MAE), felismered a túltanulást, Optuna-val hangolsz, és megkülönbözteted az egyedi anomáliát a data drift-től (a bemenő adatok tartós eloszlás-változásától). Üzemeltetés közben ezeket a jeleket figyeled. Teljes tematika (új lapon)

Egy AI Governance Specialist-nek értenie kell, hogyan működnek és hol hibáznak a cégnél használt AI-eszközök, és mit vár el róluk az EU AI Act: ezen a képzésen ezt a közös alapot rakod le.

• GenAI működése és hallucináció: megérted, hogy a nyelvi modell lépésenként a legvalószínűbb következő szövegdarabot (tokent) számolja ki, ezért meggyőzően is tévedhet, és jelzőlámpa-logikával sorolod kockázati zónába a feladatokat a stílusjavítástól a jogi és pénzügyi tartalomig.
• Használati esetek és kontrollpontok: területenként (HR, pénzügy, marketing, ügyfélszolgálat) áttekinted, mire jó az AI és hol kell emberi jóváhagyás, és megismered a pontosság, az adatminimalizálás és az emberi kontroll három alapszabályát. A belső AI-szabályzat gerincét is ezek adják.
• EU AI Act alapfogalmai: megismered az AI-rendszer jogi definícióját, a szolgáltató és az alkalmazó szerepét, a kockázati szinteket a tiltott gyakorlatoktól a korlátozott kockázatú chatbotokig, a GPAI-szabályokat és a GDPR-ral való együttes alkalmazást.
• AI-jártasság a szervezetben: megérted, mit takar az AI-jártassági kötelezettség, milyen tudásszint kell szerepkörönként, mely hatóságok felügyelik Magyarországon az AI-t, és három publikált vállalati képzési gyakorlatot elemzel. Ebből tervezheted meg a szervezeted képzési programját. Teljes tematika (új lapon)

Az AI-kezdeményezések értékéről és kockázatáról egy AI Governance Specialist adatokra építve ad képet a vezetőségnek: ezen a képzésen a nyers adattól a vizualizált döntési javaslatig követed az adat útját.

• Adatvezérelt döntéshozatal: megérted, hogyan lesz az adatból üzleti döntés, milyen szerepük van az adatforrásoknak és a BI-rendszereknek, és melyek a tipikus hibák ezen az úton.
• Adatelemzési folyamat: a CRISP-DM modellen követed végig, hogyan jut el az adat a forrástól a döntésig. AI-használati eset értékelésekor ezen a láncon látszik, hol romolhat az adatminőség.
• Adatgyűjtés és -tisztítás: SQL Server-hez kapcsolódsz, SQL-példákon lekérdezel, felfedezed és javítod a hibás adatokat, átalakítod őket, és bevezetést kapsz a Power Query, a Power Pivot és a Power BI használatába.
• Adatmesélés döntéshozóknak: az insight, következmény, javaslat szerkezetében, a célcsoporthoz illő diagramokkal mutatod be az adatot, és megismered az interaktív dashboard szerepét. Az AI-kezdeményezések kockázatát is így teszed érthetővé a döntéshozóknak. Teljes tematika (új lapon)

A Java Developer által írt szerveroldali alkalmazások osztályokból, interfészekből és gyűjteményekből épülnek fel: ezen a képzésen a Java nyelvet és az objektumorientált gondolkodást sajátítod el az alapoktól.

• Nyelvi alapok és hibakeresés: telepíted a JDK-t, Eclipse-ben vagy IntelliJ IDEA-ban dolgozol, begyakorlod a változókat, elágazásokat, ciklusokat, tömböket és függvényeket, a hibát pedig töréspontokkal és lépésenkénti futtatással keresed meg a debuggerben.
• Objektumorientált programozás: osztályokat, konstruktorokat és record típust írsz, öröklődéssel és felüldefiniálással dolgozol, absztrakt osztályt, interfészt, generikus típust és felsorolást (enum) használsz, a hibás bemenetre pedig kivételkezeléssel készülsz fel. A backend rétegei is így épülnek fel.
• Gyűjtemények: a Java Collections Framework listáival, soraival, halmazaival és kulcs-érték leképezéseivel (Map) dolgozol, Comparator-ral rendezel, és megtanulod, mikor melyik megvalósítás (ArrayList, HashMap, TreeMap) a jó választás. Egy API-válasz adatai is ilyen gyűjteményekben állnak össze.
• Stream-ek, fájlok, könyvtárak: lambda-kifejezésekkel és stream-ekkel szűrsz, alakítasz és csoportosítasz adatokat, fájlt olvasol és írsz, dátumokat kezelsz, külső könyvtárat kötsz be, és futtatható jar-fájlt készítesz. Szerveren is jellemzően ilyen jar-ként indul egy Java-alkalmazás. Teljes tematika (új lapon)

Egy Java Developer csapatban dolgozik, ahol minden változtatás verziókezelve, átnézve és automatikusan buildelve jut el a kiadásig: ezen a képzésen ezt a munkamenetet és az eszközeit gyakorlod be.

• Git és kódellenőrzés: Git-tel verziózod a kódot és ágakon dolgozol, GitHub-on pull request-et nyitsz, soronként véleményezed mások változtatását, a jóváhagyott kódot pedig beolvasztod a védett fő ágba.
• Build és folyamatos integráció: Maven-nel kezeled a függőségeket és futtatható jar-t készítesz, JUnit-tal egységtesztet írsz, Jenkins-szel pedig minden commit után automatikusan buildelsz és tesztelsz. A hibás változtatásra így nem épül rá a csapat többi munkája.
• Tesztelési szintek: megismered az egység-, integrációs, rendszer- és regressziós tesztet, REST-végpontokat hívsz Postman-nel, és Selenium-mal automatizált böngészőtesztet írsz. Az egységteszteket a backend-fejlesztő maga készíti el a kódja mellé.
• Kódminőség és tervezési minták: Clean Code-elvek szerint refaktorálsz, SonarLint-tel és PMD-vel statikusan elemzed a Java-kódot, és megismered a tervezési mintákat, köztük a függőséginjektálást (amikor az objektum kívülről kapja meg, amit használ). A Java backend-keretrendszerek is erre a mintára épülnek. Teljes tematika (új lapon)

Egy DevOps Engineer szerverei, konténerei és CI-futtatói jellemzően Linux-on működnek, a munka nagy része pedig terminálban zajlik: ezen a képzésen a parancssor alapjait sajátítod el a fájlkezeléstől a jogosultságokig.

• Fájlrendszer és fájlműveletek: megismered a Linux könyvtárszerkezetét, mappákat és fájlokat hozol létre, másolsz, mozgatsz és törölsz, find-dal keresel, és hard, illetve szimbolikus linket készítesz. Egy szerveren a beállítások és a naplók is fájlokban élnek.
• Szövegfeldolgozás: grep-pel szűrsz, sort-tal és uniq-kal rendezel, head-del és tail-lel részletet vágsz ki, a parancsokat csővezetékbe (pipe) fűzöd, és ízelítőt kapsz a sed és az awk használatából. Így egy több százezer soros naplóban is megtalálod a lényeget.
• Jogosultságok és felhasználók: sudo-val rendszergazdaként futtatsz parancsot, felhasználót és csoportot hozol létre, chmod-dal pedig szimbolikus és numerikus formában állítod az olvasási, írási és futtatási jogot. Egy frissen megírt szkript is csak futtatási joggal indul el.
• Folyamatok, csomagok, hálózat: ps-sel és top-pal figyeled, kill-lel pedig leállítod a futó folyamatokat, APT-vel telepítesz, ping-gel és SSH-val éred el a távoli gépet, és egyszerű shell-szkriptet írsz. Innen indul az ismétlődő feladatok automatizálása. Teljes tematika (új lapon)

Ami ismétlődik az üzemeltetésben, azt a DevOps Engineer szkriptbe írja: ezen a képzésen a Python alapjait tanulod meg, a változóktól és ciklusoktól a fájlok, a JSON és a hibák kezeléséig.

• Fájlok és JSON: with-szerkezettel, UTF-8 kódolással olvasol és írsz szövegfájlt, a nyers sorokat strip-pel és split-tel bontod, a json könyvtárral pedig Python-adattá alakítod a Világbank API-jából mentett választ. Egy automatizáló szkript bemenete is jellemzően ilyen fájl vagy API-válasz.
• Reguláris kifejezések: az re könyvtárral mintát illesztesz szövegre horgonyokkal és ismétlés-módosítókkal, és saját ellenőrzőt írsz e-mail- és IPv4-címre. Ugyanez a mintanyelv köszön vissza a Linux-os grep-ben és a szövegszerkesztők keresőjében is.
• Kivételkezelés: try, except és finally ágakkal kezeled a nem létező fájlt vagy a hibás bemenetet, konkrét kivételtípusokra szűrsz, és saját kivételosztályt hozol létre. Egy felügyelet nélkül futó szkriptnél ettől függ, érthető hibaüzenettel áll-e le.
• Könyvtárak és egységteszt: pip-pel külső könyvtárat telepítesz, saját modult írsz, és unittest-tel teszteket készítesz hozzá, amelyek egy későbbi módosításnál jelzik, ha elromlott valami, ami korábban működött. Automatizált folyamatba így már tesztelt kód kerül. Teljes tematika (új lapon)

Az automatizáltan telepített alkalmazások végül Linux-szervereken futnak, és ha egy szolgáltatás elakad, a DevOps Engineer-nek kell kiderítenie, miért: ezen a képzésen a szolgáltatások, a hálózat és a naplók kezelését gyakorlod be.

• Csomagok és szolgáltatások: apt-tal telepítesz, frissítesz és eltávolítasz szoftvert, kezeled a repository-kat, majd systemctl-lel indítod, ellenőrzöd és automatikus indulásra állítod a szolgáltatást (systemd). Egy szerveroldali alkalmazás telepítése pontosan ezekből a lépésekből áll.
• Folyamatok és erőforrások: ps-sel, top-pal és htop-pal figyeled a processzeket, vizsgálod a CPU-, memória- és lemezhasználatot, folyamatot állítasz le és indítasz újra, és elvégzed az alapvető teljesítménydiagnosztikát. Lassuló szervernél így derül ki, mi viszi el az erőforrást.
• Hálózat és SSH: az ip, ping, curl, ss és netstat parancsokkal vizsgálod a címeket, portokat és kapcsolatokat, megismered a DNS alapjait, kulcsalapú SSH-belépést és alapvető tűzfalszabályokat állítasz be. Egy elérhetetlen alkalmazásnál ezekkel indul a hibakeresés.
• Naplók és automatizálás: journalctl-lel és a /var/log könyvtárban olvasod a naplókat, a tipikus hibakeresési lépéseket követed, majd Bash-szkripttel és cron-időzítéssel automatizálod az ismétlődő karbantartást. A kézi lépések kiváltása a DevOps-munka alapja. Teljes tematika (új lapon)

A belső fejlesztői platform alatt Linux-alapú gépek és konténerek dolgoznak, és egy Platform Engineer-nek értenie kell, mi történik rajtuk: ezen a képzésen a Linux-szerverek parancssori üzemeltetését tanulod meg a jogosultságoktól a naplókig.

• Konfiguráció a fájlrendszerben: pipe-pal és átirányítással fűzöd össze a parancsokat, eligazodsz az /etc, /var, /home, /usr és /opt könyvtárakban, find-dal és grep-pel keresel, és nano-val vagy vim-mel szerkesztesz konfigurációs fájlt. A platform komponenseinek beállításai is ilyen fájlokban élnek.
• Felhasználók és jogosultságok: felhasználókat és csoportokat hozol létre, chmod-dal, chown-nal és chgrp-vel állítod a tulajdonost és a jogokat, sudo-jogot adsz, és felismered a jogosultsági hibákat. Több csapatot kiszolgáló rendszeren a hozzáférések rendje alapkövetelmény.
• Hálózat, DNS és SSH: IP-címeket, portokat és protokollokat értelmezel, az ip, ping, curl és ss parancsokkal vizsgálod a kapcsolatokat, megismered a DNS alapjait, és kulcsalapú SSH-belépést állítasz be. Ha egy szolgáltatás nem éri el a másikat, innen indul a hibakeresés.
• Szolgáltatások és naplók: systemctl-lel ellenőrzöd és újraindítod a systemd-szolgáltatásokat, journalctl-lel és a /var/log könyvtárban keresed a hiba okát, egyszerű Bash-szkripttel és cron-időzítéssel pedig automatizálod a karbantartást. Teljes tematika (új lapon)

Egy Platform Engineer újrahasznosítható eszközöket ad a fejlesztőcsapatok kezébe, és ehhez sokszor maga is kódot ír: ezen a képzésen a Python alapjait sajátítod el a függvényektől a saját modulokon át az adatformátumokig.

• Függvények és osztályok: egyetlen feladatot végző, paraméterezett függvényeket írsz, majd az összetartozó adatot és műveletet osztályokba szervezed, öröklődéssel és absztrakt osztállyal. Az így tagolt kódot más is könnyen át tudja venni.
• Saját könyvtár és egységteszt: saját modult írsz, amelyet más programok importálnak, pip-pel külső csomagot telepítesz, és unittest-tel teszteket készítesz a modulhoz. Céges környezetben így szervezik ki több rendszer közös részeit egy belső könyvtárba.
• JSON és XML: megismered a szerializálás és a deszerializálás fogalmát, a json könyvtárral JSON-t alakítasz Python-adattá és vissza, XML-t dolgozol fel, és egy valós API-válaszból nyered ki a keresett értéket. Gépek közötti adatcserénél ma a JSON a legelterjedtebb formátum.
• Hibakezelés és fájlok: try, except és finally ágakkal kezeled a hibás bemenetet és a hiányzó fájlt, saját kivételosztályt hozol létre, a fájlokat pedig with-szerkezettel, UTF-8 kódolással olvasod és írod. Fejlesztőknek szánt eszköznél fontos az érthető hibaüzenet. Teljes tematika (új lapon)