Forrásrendszer
Termékkatalógus, rendelések és clickstream események JSON fixture-ökben. Ezekből indul az SQL, Python és Docker alapozás.
Engineering Crash Courses
Data & AI engineering kurzusok
19 projektalapú, ingyenes modul magyarul — egy közös WebShop Pro platformon. SQL, Spark, governance, RAG, agentic AI, MLOps: futtatható kóddal, lépésről lépésre.
Ingyenes
MIT License
Magyar nyelv
Projektalapú lab
Saját haladás
0% / 0 / 333 szekció kész
Kinek szól?
Gyakorlati, végigcsinálható kurzusok data és AI engineering szerepkörökre készülő szakembereknek.
Junior / Medior Data Engineer
Akik szeretnének elsajátítani modern data toolokat: Delta Lake, Spark, Airflow, dbt, Databricks.
Analytics Engineer
Akik mélyebben meg akarják érteni a data pipeline-okat, adatminőséget, lineage-et és lakehouse architektúrát.
Data Architect / Governance
Akik data product, data contract, jogosultság, audit és Data Mesh döntéseket szeretnének mérnöki szemmel kezelni.
Backend fejlesztő data irányba
Akik pályát akarnak módosítani data engineering vagy AI engineering irányba, gyakorlati projektekkel.
AI Engineer / MLOps iránt érdeklődő
Akik RAG rendszert, agenteket, ML deployment-et, monitoringot vagy feature store-t akarnak építeni.
Tanulási útvonalak
Három útvonal, egy közös platform
Válaszd ki a számodra megfelelő irányt, és ugyanarra a WebShop Pro labra építve haladj végig az alapoktól a production AI mintákig.
Data Engineering
Kurzusaink
19 interaktív, projektalapú és magyar nyelvű kurzus. Minden kurzus kész és azonnal elkezdhető.
19 kurzus
Közös projektalap
WebShop Pro Platform
A kurzusok egy közös dummy webshopra épülnek. Ugyanazokkal a rendelésekkel, termékekkel és clickstream eseményekkel dolgozol SQL-ben, Pythonban, Sparkban, Delta Lake-ben, dbt-ben, governance-ben, Data Mesh-ben, RAG-ben, agentic AI-ban és MLOps-ban is.
A projekt lokálisan is végigjátszható.
A Local Docker Lab elindítja a webshopot, az adatbázist, az adatpipeline-eszközöket, az AI/RAG réteget és a monitoringot. A Local Docker Lab oldalon minden service-nél látod, melyik kurzushoz tartozik, milyen URL-en éred el, és kell-e hozzá belépési adat.
shell
docker compose up -d --build
Lakehouse
Bronze/Silver/Gold rétegek Delta Lake-kel és Sparkkal. Itt tanulod meg a tisztítást, joinokat, time travelt és optimalizálást.
Analytics
dbt martok készülnek napi bevételhez, termékteljesítményhez és customer lifetime value riportokhoz.
AI és Ops
RAG ügyfélszolgálat, agentic customer support, churn modell, MLflow tracking és Grafana monitoring ugyanarra a webshopra.
Governance & Mesh
PII redaction, lineage, audit, data contractok és domain-owned data productok teszik vállalati mintává a platformot.
Adatfolyam: source, bronze, silver, gold, governance, data product, AI, ops
orders / events
→
Bronze
nyers ingest
→
nyers ingest
Silver
tisztított
→
tisztított
Gold
KPI / mart
→
KPI / mart
governance
lineage / policy
→
lineage / policy
data products
→
RAG + agents
→
monitoring
Karrier és kimenetek
Milyen szerepkörökre készít fel?
A kurzusok nem önéletrajz-díszítők. Gyakorlati tudást adnak, amit valódi állásinterjún és projekten használhatsz. Az alábbi szerepekre direkt módon készítenek fel.
Data Engineer
900.000 - 2.000.000 Ft/hó*
Pipeline-okat épít, adatokat mozgat és transzformál. Ez az oldal Foundation + Data Engineering útvonalát járja be.
Analytics Engineer
800.000 - 1.600.000 Ft/hó*
Híd az adatmérnök és a data analyst között. dbt-vel és SQL-lel rétegzett analitikai modelleket épít.
AI / ML Engineer
1.000.000 - 2.500.000 Ft/hó*
LLM és ML modelleket integrál production rendszerekbe. RAG, agentic AI, eval és MLOps a mindennapok.
Data Platform Architect
1.300.000 - 2.800.000 Ft/hó*
Adatplatformot tervez governance-szel, domain ownershippel, data contractokkal és self-serve platform mintákkal.
MLOps Engineer
1.100.000 - 2.200.000 Ft/hó*
ML infrastruktúra, deployment, monitoring és drift. CI/CD pipeline ML modellekre.
Cloud Data Engineer
1.000.000 - 2.100.000 Ft/hó*
Databricks, Azure/AWS/GCP lakehouse platformokat üzemeltet és governance-kompatibilis data productokat publikál.
Streaming Engineer
1.100.000 - 2.400.000 Ft/hó*
Real-time adatfeldolgozás Kafka és Flink/Spark stack-kel. Event-driven architektúrák.
* Magyar piaci bérsáv, 2025 végi adatok alapján (Profession.hu, Pallon, Hays). A konkrét bér cég, senioritás és régió függő.
Technológiai stack
Amit használni fogsz
Valós production környezetben használt eszközök, nem Hello World demók, hanem tényleges szakmai toolkit.
További források
Tanulási források a kurzusokon túl
A kurzusok egy szilárd alapot adnak, de a data/AI engineering rohamosan fejlődő terület. Ezek a források segítenek naprakészen maradni.
Könyvek
A data & AI engineering legfontosabb referenciaművei.
- Designing Data-Intensive Applications — Kleppmann
- Fundamentals of Data Engineering — Reis, Housley
- Designing Machine Learning Systems — Chip Huyen
- AI Engineering — Chip Huyen (2025)
- Data Mesh — Zhamak Dehghani
- The Data Warehouse Toolkit — Kimball
YouTube csatornák
A legjobb ingyenes tartalom a téma iránt érdeklődőknek.
- DataTalksClub — MLOps és Data Engineering Zoomcamp
- Databricks — platform és lakehouse
- Advancing Analytics — gyakorlati Databricks
- Confluent — Kafka és streaming
- Marc Lamberti — Apache Airflow
Ingyenes kurzusok
Minőségi ingyenes programok, ha mélyebbre akarsz ásni.
- DE Zoomcamp — 9 hetes DE program
- MLOps Zoomcamp — MLOps A-tól Z-ig
- dbt Learn — hivatalos dbt kurzus
- Databricks Academy — Community Edition + Trainings
- DeepLearning.AI Short Courses — AI/RAG/LLMOps
Közösség
Fórumok, hol szakmai kérdésekre választ kaphatsz.
Blogok és newsletterek
Heti-havi frissítések a területről.
- Seattle Data Guy
- Data Gibberish
- The Pragmatic Engineer
- Eugene Yan — ML practitioners
- Chip Huyen blog
Cheatsheet-ek
Gyors referencia a napi munkához.
Governance és agentek
Hivatalos referenciák az új Data Mesh, Data Governance és Agentic AI kurzusokhoz.
Gyakori kérdések
GYIK
Kinek ajánlott ez a kurzusgyűjtemény?
Junior és medior data engineereknek, analytics engineereknek, backend fejlesztőknek, akik data vagy AI engineering irányba mennek, és AI engineereknek, akik RAG rendszert vagy MLOps-ot akarnak építeni. Ha teljesen kezdő vagy, a Foundation útvonal (SQL + Python + Docker) megadja az alapokat.
Mennyibe kerül?
Teljesen ingyenes, nyílt forráskódú (MIT License). Regisztráció sem szükséges — bármelyik kurzust azonnal elkezdheted.
Mennyi idő elvégezni egy kurzust?
Kurzustól függően 2–6 óra. Saját tempóban haladhatsz — a haladás automatikusan mentődik a böngésződben. Az összes kurzus kb. 70–95 óra intenzív munkát igényel, ha lineárisan végigcsinálod.
Milyen előfeltételek vannak?
A Foundation útvonal (SQL, Python, Docker) nulláról indul. A haladóbb kurzusokhoz a kurzuskártyáknál feltüntetjük az előfeltételeket — ezek közt általában Delta Lake és Spark alapismeret szerepel.
Milyen gépigény szükséges?
Egy átlagos laptop bőven elég (8 GB RAM ajánlott, 16 GB kényelmesebb). A lokális példák szándékosan kis adathalmazon futnak, hogy mindenki ki tudja próbálni őket. A Docker-alapú kurzusokhoz érdemes legalább 20 GB szabad lemez.
Kapok-e tanúsítványt?
Jelenleg nem adunk hivatalos tanúsítványt. A cél a gyakorlati tudás: a GitHub repo és az elkészült projektek beszélnek magukért az állásinterjúkon. Ha bővíted a saját portfóliódat a kurzus-projektekkel (és továbbfejleszted őket), az önmagában erősebb, mint egy certifikát.
Milyen sorrendben érdemes haladni?
Nézd meg a Tanulási útvonalak szekciót. Három előre megtervezett útvonal van: Foundation (kezdőknek alap), Data Engineering (teljes DE pipeline), AI Engineering (LLM és MLOps). Minden útvonal logikus sorrendben építi fel a tudást.
Hogyan tudok segíteni / hozzájárulni?
A projekt nyílt forráskódú a GitHub-on. Pull request, issue, typo-javítás, új kurzus-ötlet mind jöhet. Ha egy kurzust elvégeztél és hasznosnak találtad, a legjobb köszönet ha megosztod LinkedIn-en vagy valakinek, aki tanul.
Mi van ha elakadok egy kurzusnál?
Mindegyik kurzus lépésről lépésre van magyarázva, és minden kódrészlet lokálisan futtatható. Ha elakadsz: (1) ellenőrizd a pontos parancsot/verzió-t, (2) nézd meg a kurzus bootstrap scriptjét (bootstrap.sh / bootstrap.ps1), (3) nyiss egy GitHub Issue-t.
Mennyire naprakészek a kurzusok?
A kurzusok a 2026-os helyzetet tükrözik a főbb eszközökkel: Delta Lake 3.x, Spark 3.5+, Databricks Unity Catalog, OpenAI-modellek, MLflow 2.x. Ha szakmai változás van, GitHubon követheted: csillagozd a repót, és kapcsold be a Watch figyelést.