Prilagodljivo učenje označuje učne programe, ki se nenehno prilagajajo znanju, tempu in napakam učečega se. Programska oprema analizira odgovore in nato izbere ustrezne vaje, razlage ali ponavljanje. Uporablja se v šolah, na univerzah in pri izobraževanju v podjetjih – na primer, ko platforma po napačno rešeni nalogi samodejno ponudi lažji vmesni korak. V strojnem učenju izraz označuje tudi modele, ki se nenehno prilagajajo novim podatkom.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevPovratne informacije dijakom in študentom z UI so komentarji k esejem, nalogam ali projektom, ki jih sistem UI ustvari glede na določena merila. Učeči se hitreje dobijo namige o prednostih, zgradbi, argumentaciji ali jeziku, učitelji pa so razbremenjeni ponavljajočega se ocenjevanja. Ocenjevanje naj bo pregledno in temelji na merilih; ocene in odločitve o dosežkih ostajajo v pristojnosti učiteljev. Primer: osnutek eseja pred oddajo dobi predloge za izboljšave.
Pri strojnem učenju je krivulja učenja grafikon, ki prikazuje zmogljivost ali napako modela skozi čas učenja ali glede na količino učnih podatkov, običajno ločeno za učne in validacijske podatke. Njena oblika pokaže, ali je model premalo ali preveč prilagojen in ali bo več podatkov verjetno pomagalo. Če na primer validacijska napaka ostaja precej nad učno, to kaže na čezmerno prilagajanje. V vsakdanjem jeziku izraz opisuje tudi, kako hitro ljudje osvojijo novo tehnologijo.
Strojno učenje je veja umetne inteligence, v kateri računalniki iz podatkov izpeljejo vzorce, namesto da bi bilo vsako pravilo izrecno programirano. Glede na nalogo se modeli učijo iz označenih primerov (nadzorovano), iz neoznačenih podatkov (nenadzorovano) ali prek nagrad (spodbujevalno). Aplikacije segajo od filtrov neželene pošte in napovedi povpraševanja do priporočil izdelkov. Kakovost je močno odvisna od količine in kakovosti učnih podatkov.
