설명 * 약한 학습자: 순진한 모델보다 약간 더 나은 성능을 보이는 모델. 보다 공식적으로는 개념이 다중 클래스 분류로 일반화되었으며 다른 의미를 갖습니다. 정확도가 50% 이상입니다. 이진 분류의 경우 약한 학습기에 대한 정확한 요구 사항은 다음보다 더 나은 것으로 잘 알려져 있습니다. 무작위 추측. [...] 기본 학습자가 무작위 추측보다 더 우수하도록 요구하는 것은 너무 약하다는 점에 유의하십시오. 다중 클래스 문제이지만 50% 이상의 정확도를 요구하는 것은 너무 엄격합니다. - 페이지 46, 앙상블 방법, 2012. 그것은 다음과 같은 학습 방법의 클래스를 제안하는 공식적인 계산 학습 이론을 기반으로 합니다. 약한 학습 가능성, 즉 무작위 추측보다 성능이 우수함을 의미합니다. 약한 학습 가능성은 다음과 같이 제안됩니다. 학습 가능한 것이 임의의 선을 달성한 보다 바람직한 강력한 학습 가능성의 단순화 분류 정확도. 약한 학습 가능성이라고 하는 약한 학습 가능성 모델은 학습자가 할 수 있는 요구 사항을 떨어뜨립니다. 임의로 높은 정확도를 달성합니다. 약한 학습 알고리즘은 다음을 수행하는 가설을 출력하기만 하면 됩니다. 무작위 추측보다 (역 다항식에 의해) 약간 더 좋습니다. - 약한 학습 가능성의 강점, 1990. 앙상블에 기여하는 구성원의 기능을 설명하는 데 자주 사용되므로 유용한 개념입니다. 학습 알고리즘. 예를 들어 때때로 부트스트랩 집계의 구성원을 약한 구성원이라고 합니다. 적어도 용어의 구어체적 의미에서 강한 것과 반대되는 학습자. 보다 구체적으로, 약한 학습자는 앙상블 학습 알고리즘의 부스팅 클래스의 기초입니다. 부스팅이라는 용어는 약한 학습자를 강한 학습자로 변환할 수 있는 알고리즘 계열을 말합니다. https://machinelearningmastery.com/strong-learners-vs-weak-learners-for-ensemble-learning/
AIF 문제 8
Waterfall의 접근 방식 중 AI 프로젝트의 납품 실패로 이어질 가능성이 가장 큰 요인은 무엇입니까?
정답: D
설명 폭포수 접근 방식은 다음 단계를 시작하기 전에 개발의 각 단계를 완료해야 하는 순차적 설계 프로세스입니다. 즉, 한 단계가 완료되면 프로젝트를 변경하면 다른 모든 단계에 잠재적으로 영향을 미칠 수 있으므로 돌아가서 변경하기가 어렵습니다. 결과적으로 폭포수 접근 방식은 변화하는 고객 요구 사항에 적응하거나 새로운 기술에 적응하기 어렵게 만들 수 있습니다. 이것은 궁극적으로 AI 프로젝트의 실패로 이어질 수 있습니다. 참조: [1] BCS Foundation Certificate In Artificial Intelligence Study Guide, 페이지 번호 19 [2] APMG International, "What is a Waterfall Model?", https://apmg-international.com/en/blog/what-is- a-waterfall-model/ [3] EXIN, "워터폴 모델이란?", https://www.exin.com/blog/what-is-the-waterfall-model/
TensorFlow는 기계 학습을 위한 엔드 투 엔드 오픈 소스 플랫폼입니다. 포괄적이고 유연한 도구, 라이브러리 및 커뮤니티 리소스의 에코시스템을 갖추고 있어 연구원은 최신 ML을 추진하고 개발자는 ML 기반 애플리케이션을 쉽게 구축 및 배포할 수 있습니다. https://www.tensorflow.org/#:~:text=TensorFlow%20is%20an%20end%2Dto,and%20deploy%20ML%20powered%20applications.
