Glossario

Apprendimento adattivo

Che cos’è Apprendimento adattivo?

L'apprendimento adattivo indica percorsi formativi che si adeguano costantemente a conoscenze, ritmo ed errori di chi apprende. Un software analizza le risposte e sceglie gli esercizi, le spiegazioni o i ripassi più adatti. Si usa a scuola, all'università e nella formazione aziendale, per esempio quando una piattaforma propone automaticamente un passaggio intermedio più semplice dopo un esercizio sbagliato. Nel machine learning il termine indica anche modelli che si adattano di continuo a nuovi dati.

Temi

Formazione
Personalizzazione
E-learning

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Feedback agli studenti basato sull'IA

Il feedback agli studenti basato sull'IA indica i commenti a temi, compiti o progetti generati da un sistema di IA secondo criteri prestabiliti. Gli studenti ricevono più rapidamente indicazioni su punti di forza, struttura, argomentazione o lingua, e i docenti vengono sollevati dalle correzioni ripetitive. La valutazione dovrebbe essere trasparente e basata su criteri; voti e decisioni sul rendimento restano compito dei docenti. Esempio: la bozza di una tesina riceve suggerimenti prima della consegna.

Istruzione
Feedback
+1

Modello

Curva di apprendimento

Nel machine learning una curva di apprendimento è un grafico che mostra le prestazioni o l'errore di un modello in funzione della durata dell'addestramento o della quantità di dati, di solito separatamente per dati di training e di validazione. Dall'andamento si capisce se il modello è in underfitting o overfitting e se più dati potrebbero aiutare. Se l'errore di validazione resta molto sopra quello di training, ad esempio, è un segnale di overfitting. Nel linguaggio comune il termine indica anche quanto rapidamente le persone padroneggiano una nuova tecnologia.

Addestramento
Valutazione modelli
+1

Apprendimento automatico

L’apprendimento automatico (machine learning) è un ambito dell’intelligenza artificiale in cui i computer ricavano schemi dai dati invece di ricevere ogni regola programmata in modo esplicito. A seconda del compito, i modelli imparano da esempi etichettati (supervisionato), da dati non etichettati (non supervisionato) o tramite ricompense (per rinforzo). Le applicazioni vanno dai filtri antispam alle previsioni della domanda fino ai suggerimenti di prodotto. La qualità dipende molto da quantità e qualità dei dati di addestramento.

fondamenti
IA
+1