A diplomamunkám fő célja a gépi tanulás, a gépi tanulási módszerek általános bemutatása, valamint ezek közül néhány módszer gyakorlati alkalmazása. Napjainkban a gépi tanulás a kezdeti nehézségeit legyőzve már egy rendkívül népszerű és ígéretes tudományágnak számít a mesterséges intelligencián belül, rengeteg gyakorlati alkalmazása létezik, melyeknek a köre folyamatosan bővül, ezért rengeteg programrendszer és programozási nyelv teszi lehetővé annak megvalósítását, implementálását. Mivel egyetemi tanulmányaim során a gépi tanulást is támogató programozási nyelvek közül a Matlab állt hozzám legközelebb, ezért úgy döntöttem, hogy azt fogom használni a diplomamunkában szereplő példák elkészítéséhez. A diplomamunkám egy rövid bevezetésből, valamint két ezt követő fejezetből tevődik össze és a gépi tanulásnak a neurális hálózatokkal kapcsolatos ágaira koncentrál. Ezek közül az elő-recsatolt neurális hálózatok és a transzfer-tanulás az a két téma, ami kifejtésre került.Az első fejezet elején a gépi tanulás és a neurális hálózatok történelmi eseményeiről írok, arról hogy kik voltak azok tudósok, akik kialakították és elindították ennek a tudományágnak a kutatását és lehetővé tették annak fejlődését. Ezt követően rátérek a neurális hálózatok leg-alapvetőbb építőelemének, a perceptronnak az ismertetésére, mivel úgy gondolom, hogy ennek megértése alapvető fontosságú a neurális hálózatok vizsgálatával kapcsolatban. A második fejezetben a transzfer-tanulást mutatom be, ami a gépi tanulásnak az egyik leghatékonyabb módszere, aminek a napjainkban is nagy gyakorlata van. Röviden fogalmazva meglévő, bevált modellek, neurális hálózatok újbóli betanításáról van szó egy új probléma megoldásával kapcsolatban.A transzfer-tanulás megvalósítása során a fő célom az volt, hogy az újra betanított hálózatok mindegyikével elérjek legalább 80%-os pontosságot, ezt sikerült is megvalósítanom, valamint a hálózatok a tesztképet is helyesen osztályozták, tehát összességében a hálózatok újra tanítása eredményes volt.