Adaptivní učení označuje vzdělávací programy, které se průběžně přizpůsobují znalostem, tempu a chybám studujícího. Software analyzuje odpovědi a podle nich vybírá vhodná cvičení, vysvětlení nebo opakování. Využívá se ve školách, na vysokých školách i ve firemním vzdělávání – například když platforma po chybně zodpovězené úloze automaticky nabídne jednodušší mezikrok. Ve strojovém učení tento pojem označuje také modely, které se průběžně přizpůsobují novým datům.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoZpětná vazba pro studující s pomocí AI označuje komentáře k esejím, zadáním nebo projektům, které vygeneruje systém AI podle definovaných kritérií. Studující dostanou rychleji upozornění na silné stránky, strukturu, argumentaci nebo jazyk a učitelé se zbaví opakující se opravné práce. Hodnocení by mělo být transparentní a založené na kritériích; známky a rozhodnutí o výkonu zůstávají v odpovědnosti učitelů. Příklad: koncept eseje dostane před odevzdáním návrhy na zlepšení.
Ve strojovém učení je učební křivka graf, který ukazuje výkon nebo chybu modelu v průběhu trénování nebo podle množství trénovacích dat, obvykle zvlášť pro trénovací a validační data. Její tvar prozrazuje, zda je model podučený, nebo přeučený a zda pravděpodobně pomůže více dat. Pokud například validační chyba zůstává výrazně nad trénovací chybou, ukazuje to na přeučení. V běžné řeči pojem označuje také to, jak rychle lidé zvládnou novou technologii.
Strojové učení je odvětví umělé inteligence, v němž počítače odvozují vzorce z dat, místo aby měly každé pravidlo explicitně naprogramované. Podle úlohy se modely učí z označených příkladů (s učitelem), z neoznačených dat (bez učitele) nebo prostřednictvím odměn (zpětnovazební učení). Aplikace sahají od filtrů spamu a předpovědí poptávky po doporučování produktů. Kvalita výrazně závisí na množství a kvalitě trénovacích dat.
