Adaptivno učenje označava programe učenja koji se neprestano prilagođavaju znanju, tempu i pogreškama polaznika. Softver analizira odgovore i zatim odabire prikladne vježbe, objašnjenja ili ponavljanje gradiva. Primjenjuje se u školama, na sveučilištima i u korporativnoj izobrazbi – primjerice kada platforma nakon netočno riješenog zadatka automatski ponudi lakši međukorak. U strojnom učenju taj pojam opisuje i modele koji se neprestano prilagođavaju novim podacima.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoPovratne informacije studentima uz pomoć UI-ja odnose se na komentare na eseje, zadaće ili projekte koje UI sustav generira prema definiranim kriterijima. Polaznici brže dobivaju smjernice o prednostima, strukturi, argumentaciji ili jeziku, a nastavnici se rasterećuju ponavljajućeg ocjenjivanja. Vrednovanje treba biti transparentno i utemeljeno na kriterijima; ocjene i odluke o uspjehu ostaju u nadležnosti nastavnika. Primjer: nacrt eseja dobiva prijedloge za poboljšanje prije predaje.
U strojnom učenju krivulja učenja je grafikon koji prikazuje performanse ili pogrešku modela tijekom vremena treniranja ili ovisno o količini podataka za treniranje, obično zasebno za podatke za treniranje i validaciju. Njezin oblik otkriva je li model podtreniran ili pretreniran i hoće li više podataka vjerojatno pomoći. Ako pogreška na validaciji ostaje znatno iznad pogreške na treniranju, to upućuje na pretreniranost. U svakodnevnom jeziku pojam opisuje i koliko brzo ljudi svladavaju novu tehnologiju.
Strojno učenje je grana umjetne inteligencije u kojoj računala iz podataka izvode obrasce umjesto da im se svako pravilo izričito programira. Ovisno o zadatku, modeli uče iz označenih primjera (nadzirano), iz neoznačenih podataka (nenadzirano) ili putem nagrada (podržano). Primjene sežu od filtara za spam i prognoza potražnje do preporuka proizvoda. Kvaliteta uvelike ovisi o količini i kvaliteti podataka za treniranje.
