Ezen dolgozat bemutatja az alapoktól, hogy micsoda is egy gépitanulási modell. Részletezi a generatív modelleket és mélyebb betekintést ad a GAN-ok működésébe, és széles skálájú változataiba. A gyakorlati részben ismertetem az ISIC Skin Cancer képadatbázis adat-előkészítési lépéseit, majd egy általam implementált cGAN-t tanítok rá a készletre. Kutatásom középpontjában az áll, hogy a cGAN által generált szintetikus képek milyen mértékben javítják az osztályozó modellek teljesítményét, amikor a valós képek aránya fokozatosan csökken. Különböző metrikákkal értékelem az adatdúsítás hatását, és bemutatom, hogyan alakulnak a modellek pontossági mutatói különböző arányok mellett. Ez a munka átfogó képet nyújt a vizsgált terület összetettségéről. A dolgozat során tárgyalt technikák összhangban állnak a generatív modellek kutatásának aktuális irányzataival. Végül további kutatási lehetőségek széles skáláját vázolom fel.