第一次学习人工智能也没关系,
先找到适合你的起点
不用先理解专业术语。用几分钟确认现有基础,系统会告诉你下一步从哪里开始。
今天从这里继续
为什么调整了你的路径?
找到真正的起点,不必从头重学
不了解专业术语也可以开始。用约 6 分钟回答 10 道题,系统会保留你已经掌握的内容,把时间留给真正需要补足的地方。
正在加载诊断题目…
诊断完成
知道先学什么,也知道为什么先学
每一步都说明当前掌握度、前置关系和预计时间;完成练习后,路线会继续为你调整。
遇到不懂的,既看答案,也看依据从哪里来
你会同时看到概念之间的关系和教材、论文中的对应内容,方便核对、追问和继续学习。
对错只是结果,弄懂原因才会真正学会
提交后不仅告诉你答案,还会解释容易混淆的地方,并把需要巩固的内容放回学习路线。
与按时间步顺序传播状态的 RNN 相比,自注意力为什么更有利于建立同一层内的长距离 token 依赖?
发现一个概念混淆
你的选择反映出对信息传递路径的理解仍不稳定。
RNN 能保存历史信息,但远距离依赖通常需要经过多个时间步;Self-Attention 可以在一层内直接建立位置间关联。
“Transformer 层结构”暂缓解锁,先完成 8 分钟对比讲解与 2 道变式题。
Path v1.1 → v1.2从“班级平均分”走向知识结构诊断
查看班级薄弱概念、典型错因、学习路径执行与需要干预的学生。
查询学生详细学情
按姓名或账号查找本班学生,查看投入证据、知识薄弱点、错因和干预建议。
班级知识掌握热力图
智能洞察:全班在“Attention 信息路径”上的错误集中度达到 37%,建议下节课增加 RNN 与 Self-Attention 的对比演示。
班级准备度趋势
高频错因
需要关注的学生
用真实使用数据支撑项目持续发展
分开展示河南大学课程名册覆盖、平台真实账号与实际使用行为,名册人数不冒充注册量。
课程运营与学习成效
查看完整学习流程的参与、完成与模块表现,辅助管理人员了解平台运行情况。
河南大学《人工智能基础与应用》教学覆盖
基于脱敏课程名册的校区与年级专业汇总;个人名称不在评委展示界面中暴露。
学生名册与账号激活
学生不再重复填写身份信息;管理员核对名册后签发一次性激活码。
学生学习投入证据
依据活跃天数和真实学习行为呈现,不把单纯登录次数当作努力程度。