Miért 18 hónap és miért reális?
Elemzésünkhöz 47 magyarországi és közép-európai junior MI-pozíciót betöltő szakemberrel készítettünk interjút vagy kérdőíves felmérést. Közülük 31-en számoltak be arról, hogy nem rendelkeztek programozói előismerettel az MI-tanulás megkezdésekor. Átlagos tanulási idejük az első állásig: 16,4 hónap.
Fontos kiemelni: a 18 hónapos becslés heti 10–15 óra rendszeres tanulást feltételez. Aki napi 2–3 órát tud szánni a fejlődésre, akár 12 hónapon belül is elérheti a célt.
A 18 hónapos tanulási útvonal fázisai
1–3. hónap: Matematika és Python alapok
Ez a legkevésbé látványos, de legfontosabb szakasz. A lineáris algebra, valószínűségszámítás és statisztika alapjai nélkül az MI-modellek csak fekete dobozok maradnak. Ajánlott erőforrások:
- Khan Academy: Lineáris algebra és valószínűségszámítás (ingyenes)
- Python for Everybody — University of Michigan / Coursera (ingyenes auditálással)
- 3Blue1Brown: Essence of Linear Algebra (YouTube, ingyenes)
4–7. hónap: Gépi tanulás alapjai
Andrew Ng Machine Learning Specialization sorozata a legtöbbet ajánlott kiindulópont. Párhuzamosan érdemes megismerkedni a scikit-learn könyvtárral és adatelemzési eszközökkel (pandas, NumPy, matplotlib). Első saját projekt: Kaggle Titanic-verseny megoldása.
8–12. hónap: Specializáció és mélyebb projektek
Ennél a fázisnál kell eldönteni az irányt: NLP, CV, adattudomány vagy MLOps. Javasolt egy Deep Learning-kurzus elvégzése (DeepLearning.AI), majd 2–3 komolyabb Kaggle-verseny, amelyek a portfolió gerincét alkotják majd.
13–16. hónap: Portfólió, GitHub és networkelés
Ez a fázis a leginkább elhanyagolt rész a tanulók részéről, holott kritikus. GitHub-profil felépítése dokumentált projektekkel, LinkedIn-profil optimalizálása MI-kulcsszavakkal, szakmai közösségekhez való csatlakozás (pl. magyarországi MI meetupok, Budapest.AI közösség).
17–18. hónap: Álláskeresés és interjúfelkészülés
Az ML-interjúk rendszerint három összetevőből állnak: kódolási feladatok (LeetCode Medium szintű), ML-fogalmi kérdések (modellek, metrikák, overfitting) és gépi tanulási tervező feladatok. Érdemes legalább 40–60 interjúkérdést kidolgozni és mock-interjúzni.
"Amikor elkezdtem tanulni, azt hittem, hogy PhD kell ahhoz, hogy bárki komolyan vegyen. Aztán rájöttem, hogy a munkaadók portfóliót néznek, nem diplomát. A harmadik Kaggle-versenyem ezüstje több ajtót nyitott ki, mint bármilyen oklevél."
A három leggyakoribb hiba, amit kerüljön el
- Tutorial-purgatórium: Végtelen kurzusnézés projekt nélkül. A cél: minden egyes kurzus után legalább egy saját projekt.
- Túl korán specializálódás: Sok kezdő azonnal a legizgalmasabb területre ugor (pl. LLM finomhangolás), miközben a statisztikai alapjaikban komoly hiányosságok vannak.
- Elhanyagolt kommunikáció: A jól kommunikált, dokumentált projekt megveri a rosszul bemutatott kiváló munkát. Markdown, README, vizualizáció — ne hagyja el.
Mintakövetési erőforrások
A cikk megírásához felhasznált útvonaltervek és ajánlott erőforráslisták böngészhetők a Készségtérkép oldalunkon. A Karrierlehetőségek oldal a fizetési sávokat és a szektoriális keresletet mutatja be részletesen.