Curriculum Learning là một chiến lược học máy bao gồm việc đào tạo bằng cách tăng dần mức độ khó từ dữ liệu dễ học đến dữ liệu ngày càng khó.
Học theo chương trình giảng dạy được đề xuất như một phương pháp để tăng tốc độ hội tụ và cải thiện hiệu suất khái quát hóa bằng cách cho một mô hình học các mẫu đơn giản trước rồi dần dần chuyển sang dữ liệu khó hơn, tương tự như chương trình giáo dục của con người. Một cách tiếp cận phổ biến là tự động xác định mức độ khó dựa trên giá trị của hàm mất mát hoặc chỉ số độ phức tạp của dữ liệu, sau đó thiết kế lịch học. Trong hoạt động thực tế tính đến năm 2026, người ta đã chỉ ra rằng trong việc đào tạo trước các mô hình ngôn ngữ quy mô lớn và đào tạo các mô hình đa phương thức, việc đánh giá độ khó của chính dữ liệu sẽ rất tốn kém và nếu tiêu chí đánh giá được thiết kế không chính xác, việc học sẽ trở nên không ổn định. Trong thực tế, phương pháp được áp dụng rộng rãi trước tiên là xác minh tính hiệu quả của việc thiết kế chương trình giảng dạy thông qua các thí nghiệm quy mô nhỏ và sau đó mở rộng quy mô. Người ta tin rằng việc xây dựng một quy trình tiền xử lý/đánh giá bổ sung có thể yêu cầu các tài nguyên tính toán cao hơn nhiều lần so với chi phí học tập hiện tại và điều quan trọng là phải đánh giá hiệu quả chi phí trước khi quyết định có nên giới thiệu nó hay không.