説明
* 弱い学習者: 口語的には、単純なモデルよりわずかに優れたパフォーマンスを示すモデル。
より正式には、この概念はマルチクラス分類に一般化され、別の意味を持ちます。
精度は 50% を超えています。
二項分類の場合、弱学習器の正確な要件は、より優れていることであることがよく知られています。
ランダムな推測。[...] 基本学習者にランダムな推測よりも優れていることを要求するのは弱すぎることに注意してください。
マルチクラスの問題にもかかわらず、50% を超える精度を要求するのは厳しすぎます。
- 46 ページ、アンサンブル メソッド、2012 年。
これは、次のような学習方法のクラスを提案する形式的な計算学習理論に基づいています。
学習性が弱い、つまりランダムな推測よりもパフォーマンスが優れています。弱い学習可能性は次のように提案されます。
より望ましい強い学習可能性の単純化。学習可能は任意の優れた特性を達成します。
分類の精度。
弱い学習可能性と呼ばれる、より弱い学習可能性のモデルでは、学習者が次のことができるという要件が削除されます。
任意の高精度を実現します。弱い学習アルゴリズムでは、次のような仮説を出力するだけで済みます。
（逆多項式により）ランダムな推測よりもわずかに優れています。
- 弱い学習能力の強さ、1990 年。
これは、アンサンブルに貢献するメンバーの能力を説明するためによく使用されるため、便利な概念です。
学習アルゴリズム。たとえば、ブートストラップ集約のメンバーは弱いメンバーと呼ばれることがあります。
少なくとも口語的な意味では、強い者とは対照的に、学習者。
より具体的には、弱学習器は、アンサンブル学習アルゴリズムのブースティング クラスの基礎です。
ブースティングという用語は、弱い学習者を強い学習者に変換できる一連のアルゴリズムを指します。
https://machinelearningmastery.com/strong-learners-vs-weak-learners-for-ensemble-learning/

説明
コラボレーション、学習、反復は、アジャイル プロジェクトを説明するために使用される用語です。アジャイル プロジェクトは適応性と柔軟性を備えているように設計されており、チームがフィードバックを取り入れて間違いから学ぶことができます。このプロセスはチームメンバー間のコラボレーションを促進し、反復的な開発と継続的な改善の重要性を強調します。アジャイル プロジェクトは、価値を迅速かつ効率的に提供することに重点を置き、チームが変更を加え、変化する顧客のニーズに適応できるようにします。
参考文献:
[1] https://www.bcs.org/upload/pdf/foundation-certificate-ai-syllabus-v1.pdf [2] https://www.apmg-international