Explore la conception de scénarios d'intégration pour l'apprentissage inversé et mélangé avec du matériel numérique, mettant l'accent sur l'apprentissage actif et les environnements structurés.
Explore la mémoire, l'apprentissage, la charge cognitive et les stratégies de résolution de problèmes pour améliorer l'apprentissage et la performance cognitive.
Couvre l'apprentissage observationnel, l'apprentissage implicite de modèle, l'apprentissage d'enquête, l'apprentissage procédural et les fonctions de mémoire de travail.
Explore l'intersection entre les neurosciences et l'apprentissage automatique, en discutant de l'apprentissage profond, de l'apprentissage par renforcement, des systèmes de mémoire et de l'avenir du pont entre l'intelligence machine et l'intelligence humaine.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Explore la charge cognitive, la métacognition, les environnements d'apprentissage et le raisonnement inductif, avec des exemples de questions d'examen et la ville de Godthåb.
Dépasse les limites de la capacité de traitement, les avantages des répétitions espacées et l'importance de la métacognition pour améliorer l'apprentissage.
Examine la modélisation perceptuelle et la pensée spatiale dans l'intelligence visuelle, explorant les théories, les cartes cognitives et l'interaction entre le traitement ascendant et descendant.
Explore l'apprentissage profond pour les véhicules autonomes, couvrant la perception, l'action et les prévisions sociales dans le contexte des technologies de capteurs et des considérations éthiques.
