Adaptīvā mācīšanās apzīmē mācību programmas, kas nepārtraukti pielāgojas izglītojamā zināšanām, tempam un kļūdām. Programmatūra analizē atbildes un pēc tam izvēlas piemērotus vingrinājumus, skaidrojumus vai atkārtojumus. To izmanto skolās, augstskolās un uzņēmumu apmācībās – piemēram, kad platforma pēc nepareizi atbildēta uzdevuma automātiski piedāvā vieglāku starpposmu. Mašīnmācīšanās jomā šis termins apzīmē arī modeļus, kas turpina pielāgoties jauniem datiem.
MI sniegta atgriezeniskā saite skolēniem apzīmē komentārus par esejām, uzdevumiem vai projektiem, ko MI sistēma ģenerē pēc noteiktiem kritērijiem. Apguvēji ātrāk saņem norādes par stiprajām pusēm, struktūru, argumentāciju vai valodu, un skolotāji tiek atslogoti no atkārtotas vērtēšanas. Vērtējumam jābūt pārredzamam un kritērijos balstītam; atzīmes un lēmumi par sniegumu paliek skolotāju atbildībā. Piemērs: eseju melnraksts pirms iesniegšanas saņem uzlabojumu ieteikumus.
Mašīnmācīšanās mācīšanās līkne ir diagramma, kas parāda modeļa veiktspēju vai kļūdu atkarībā no apmācības laika vai apmācības datu apjoma, parasti atsevišķi apmācības un validācijas datiem. Tās forma atklāj, vai modelis ir nepietiekami vai pārmērīgi apmācīts un vai vairāk datu, visticamāk, palīdzēs. Ja, piemēram, validācijas kļūda paliek ievērojami virs apmācības kļūdas, tas norāda uz pārmācīšanos. Ikdienas valodā šis termins apraksta arī to, cik ātri cilvēki apgūst jaunu tehnoloģiju.
Mašīnmācīšanās ir mākslīgā intelekta nozare, kurā datori likumsakarības atvasina no datiem, nevis katrs noteikums tiek skaidri ieprogrammēts. Atkarībā no uzdevuma modeļi mācās no marķētiem piemēriem (ar uzraudzību), no nemarķētiem datiem (bez uzraudzības) vai ar atlīdzībām (pastiprinātā mācīšanās). Lietojumi ir no surogātpasta filtriem un pieprasījuma prognozēm līdz produktu ieteikumiem. Kvalitāte lielā mērā ir atkarīga no apmācības datu daudzuma un kvalitātes.
