machine learning

Angol

Főnév

machine learning (tsz. machine learnings)

(informatika, mesterséges intelligencia, gépi tanulás) gépi tanulás

A gépi tanulás (machine learning, ML) a mesterséges intelligencia egy ága, amelynek célja, hogy a számítógépek képesek legyenek tanulni tapasztalatból (adatokból) anélkül, hogy explicit módon programoznánk őket minden esetre.

Az algoritmusok minták alapján általánosítanak, és képesek előrejelzést, döntést vagy osztályozást végezni új, ismeretlen bemenetekre is.

📦 A gépi tanulás alaptípusai

Típus	Jelentés
Supervised Learning (felügyelt tanulás)	Van bemenet + kimenet, a modell ez alapján tanul
Unsupervised Learning (felügyelet nélküli tanulás)	Csak bemenetek vannak, nincs címke
Semi-supervised Learning (félig felügyelt)	Kevés címkézett + sok címkézetlen adat
Reinforcement Learning (megerősítéses tanulás)	A modell próbálgatással tanul jutalom alapján

🧩 Alapfogalmak

Fogalom	Magyarázat
Adatpont (sample)	Egy megfigyelés (pl. egy kép, szöveg vagy számok sora)
Jellemző (feature)	Egy adat leíró tulajdonsága (pl. kor, méret, ár)
Címke (label)	A tanításhoz tartozó helyes válasz
Modell	A tanulás során képzett algoritmus
Tanítás (training)	Az a folyamat, ahol az algoritmus megtanulja az adatok közti összefüggést
Predikció	Előrejelzés új adatra a tanult modell alapján

🎯 Miért használjuk?

Automatizált döntéshozatal – pl. hitelbírálat
Adatból tanuló rendszerek – pl. ajánlórendszerek
Mintafelismerés – pl. képek, hang, szöveg feldolgozása
Nagy adathalmazok kiértékelése, ahol emberi analízis nem lehetséges

🛠️ Példák és algoritmusok

📘 Supervised Learning

Feladat	Példa	Algoritmusok
Osztályozás	E-mail SPAM vagy nem	KNN, SVM, Naive Bayes, döntési fa
Regresszió	Ház árának becslése	Lineáris regresszió, SVR, neurális háló

📘 Unsupervised Learning

Feladat	Példa	Algoritmusok
Klaszterezés	Vásárlók szegmentálása	K-means, DBSCAN
Dimenziócsökkentés	Vizualizáció, zajcsökkentés	PCA, t-SNE, UMAP
Anomáliadetektálás	Csalásfelderítés	LOF, Isolation Forest

📘 Reinforcement Learning

Alkalmazás	Példa
Játékok	AlphaGo, sakk
Robotika	Mozgástanulás jutalom alapján
Önvezetés	Kormányzás és gáz optimalizálása környezeti visszajelzés alapján

🔍 Gépi tanulási folyamat lépései

Adatgyűjtés
Adattisztítás, előfeldolgozás
Feature engineering – jellemzők kiválasztása
Tanítókészlet és tesztkészlet szétválasztása
Modell kiválasztása és tanítása
Kiértékelés (accuracy, F1-score, RMSE stb.)
Predikció új adatokra
Finomhangolás, újratanítás ha kell

🧪 Népszerű eszközök

Könyvtár / platform	Használat
scikit-learn	Klasszikus ML (Python)
TensorFlow / Keras	Mélytanulás
PyTorch	Haladó neurális hálók
XGBoost / LightGBM	Boosting alapú modellek
Google Colab	Ingyenes notebook környezet GPU-val

📈 Kiértékelési metrikák

Feladat	Metrika
Osztályozás	Accuracy, precision, recall, F1-score, ROC-AUC
Regresszió	MAE, MSE, RMSE, R²
Klaszterezés	Silhouette-score, Davies–Bouldin-index
RL	Kumulatív jutalom, tanulási görbe

✅ Előnyök

📊 Adatból tanul, nem szükséges minden szabályt előre megadni
🧠 Komplex mintázatokat is felismer
🔁 Automatikusan frissíthető új adatokkal
🛠️ Sokféle feladatra testre szabható

⚠️ Hátrányok

Kihívás	Magyarázat
Adatéhség	Sok, jó minőségű adat kell a tanításhoz
Túltanulás (overfitting)	A modell a tanítókészletet „bemagolja”
Átláthatatlanság	„Fekete doboz” hatás – nem mindig tudjuk, mit miért dönt a modell
Etikai kockázatok	Elfogultság, diszkrimináció, adatvédelmi kérdések

🛠️ Egyszerű Python példa: logisztikus regresszió

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y)

model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

print("Pontosság:", model.score(X_test, y_test))

🧾 Összefoglalás

Tulajdonság	Részletek
Definíció	Algoritmusok, amelyek adatokból tanulnak szabályokat
Alaptípusok	Felügyelt, felügyelet nélküli, megerősítéses
Felhasználás	Szöveg, kép, hang, pénzügy, orvostudomány, játékok
Módszerek	Regresszió, klaszterezés, osztályozás, optimalizáció
Előnyök	Automatizál, skálázható, mintafelismerő
Kihívások	Adatigény, etika, komplexitás

Ha szeretnéd, mutatok példát mélytanulási modellekre (pl. képfelismerés CNN-nel), vagy elkészíthetünk egy teljes machine learning pipeline-t Pythonban adattisztítástól kiértékelésig.

További információk

machine learning - Szótár.net (en-hu)
machine learning - Sztaki (en-hu)
machine learning - Merriam–Webster
machine learning - Cambridge
machine learning - WordNet
machine learning - Яндекс (en-ru)
machine learning - Google (en-hu)
machine learning - Wikidata
machine learning - Wikipédia (angol)