You learn about the most important machine learning algorithms, some of which are exactly what's being used in large AI or large tech companies today, and you get a sense of what is the state-of-the-art in AI.

最も重要な機械学習アルゴリズムについて学び、そのいくつかはまさに今日の大規模なAIや大規模なハイテク企業で使用されているものであり、AIの最先端が何であるかを知ることができる。

Beyond learning the algorithms though, in this class, you also learn all the important practical tips and tricks for making them perform well, and you get to implement them and see how they work for yourself.

しかし、このクラスでは、アルゴリズムを学ぶだけでなく、それらをうまく機能させるための重要な実践的なヒントやトリックもすべて学び、実際にそれらを実装して、それがどのように機能するかを自分の目で確かめることができる。

Why is machine learning so widely used today?

機械学習が今日これほど広く使われているのはなぜか？

Machine learning had grown up as a subfield of AI or artificial intelligence.

機械学習はAI（人工知能）の一分野として発展してきた。

We wanted to build intelligent machines, and it turns out that there are few basic things that we could program a machine to do such as how to find the shortest path from A to B like in your GPS.

私たちは知的な機械を作りたかった。そして、GPSのようにAからBへの最短経路を見つける方法など、機械にプログラムできる基本的なことはほとんどないことがわかった。

But for the most part, we just did not know how to write an explicit program to do many of the more interesting things, such as perform web search, recognize human speech, diagnose diseases from X-rays, or build a self-driving car.

しかしほとんどの場合、ウェブ検索、音声認識、X線からの病気の診断、自動運転車の構築など、より興味深いことの多くを実行するための明示的なプログラムの書き方を知らなかった。

The only way we knew how to do these things was to have a machine learn to do it by itself.

私たちが知っている唯一の方法は、機械に自分で学習させることだった。

For me, when I founded and was leading the Google Brain team, I worked on problems like speech recognition, computer vision for Google Maps, Street View images, and advertising.

私の場合、グーグル・ブレイン・チームを設立し率いていたとき、音声認識、グーグルマップのコンピュータービジョン、ストリートビュー画像、広告などの問題に取り組んでいた。

Or leading AI at Baidu, I worked on everything from AI for augmented reality to combating payment fraud to leading a self-driving car team.

あるいはバイドゥでAIを率い、拡張現実のAIから決済詐欺対策、自動運転車チームのリーダーまで、あらゆることに取り組んだ。

Most recently, at Landing AI, AI Fund at Stanford University, I've been getting to work on AI applications in manufacturing, large-scale agriculture, healthcare, e-commerce, and other problems.

最近では、スタンフォード大学のLanding AI, AI Fundで、製造業、大規模農業、ヘルスケア、eコマースなどの問題におけるAIの応用に取り組んでいる。

Today, there are hundreds of thousands, perhaps millions of people working on machine learning applications who could tell you similar stories about their work with machine learning.

今日、機械学習アプリケーションに取り組んでいる何十万人、何百万人もの人々が、機械学習の仕事について同じような話をしてくれるだろう。

When you've learned these skills, I hope that you too will find it great fun to dabble in exciting different applications and maybe even different industries.

これらのスキルを身につけたら、エキサイティングなさまざまなアプリケーションや、もしかしたら異業種に手を出してみるのも、とても楽しいことだと感じてほしい。

In fact, I find it hard to think of any industry that machine learning is unlikely to touch in a significant way now or in the near future.

実際、機械学習が現在、あるいは近い将来、重要な形で触れそうもない業界を思い浮かべるのは難しい。

Looking even further into the future, many people, including me, are excited about the AI dream of someday building machines as intelligent as you or me.

さらに先の未来に目を向けると、私を含め多くの人々が、いつの日かあなたや私と同じくらい知的なマシンを作るというAIの夢に胸を躍らせている。

This is sometimes called Artificial General Intelligence or AGI.

これは人工知能（Artificial General Intelligence、AGI）と呼ばれることもある。

I think AGI has been overhyped and we're still a long way away from that goal.

AGIは誇張されすぎていると思うし、その目標にはまだほど遠い。

I don't know if it'll take 50 years or 500 years or longer to get there, but most AI researchers believe that the best way to get closer to what that goal is by using learning algorithms, maybe ones that take some inspiration from how the human brain works.

そこに到達するのに50年かかるのか、500年かかるのか、あるいはそれ以上かかるのかはわからないが、ほとんどのAI研究者は、そのゴールに近づくための最善の方法は、学習アルゴリズム、おそらく人間の脳の働きからヒントを得たものを使うことだと考えている。

You'll also hear a little more about this quest for AGI later in this course.

AGIの追求については、このコースの後半でもう少し詳しく説明する。

According to a study by McKinsey, AI and machine learning is estimated to create an additional US$13 trillion of value annually by the year 2030.

マッキンゼーの調査によると、AIと機械学習は2030年までに年間13兆米ドルの付加価値を生み出すと推定されている。

Even though machine learning is already creating tremendous amounts of value in the software industry, I think there could be even vastly greater value that is yet to be created outside the software industry in sectors such as retail, travel, transportation, automotive, materials manufacturing, and so on.

機械学習はすでにソフトウェア産業で膨大な価値を生み出しているが、ソフトウェア産業以外でも、小売、旅行、輸送、自動車、素材製造などの分野で、まだまだ膨大な価値が生み出される可能性があると思う。

Because of the massive untapped opportunities across so many different sectors, today there is a vast unfulfilled demand for this skill set.

さまざまな分野で未開拓の機会が大量にあるため、今日、このスキルセットに対する膨大な需要が満たされていない。

That's why this is such a great time to be learning about machine learning.

だからこそ、今こそ機械学習について学ぶ絶好の機会なのだ。

If you find machine learning applications exciting, I hope you stick with me through this course.

もしあなたが機械学習の応用をエキサイティングだと感じるなら、このコースにお付き合いいただきたい。

I can almost guarantee that you'll find mastering these skills worthwhile.

これらのスキルをマスターすることに価値があることは、ほぼ保証できる。

In the next video, we'll look at a more formal definition of what is machine learning, and we'll begin to talk about the main types of machine learning problems and algorithms.

次のビデオでは、機械学習とは何かのより正式な定義を見て、機械学習の問題とアルゴリズムの主な種類について話し始める。

You pick up some of the main machine learning terminology and start to get a sense of what are the different algorithms and when each one might be appropriate.

機械学習の主な用語をいくつか覚え、どのようなアルゴリズムがあり、それぞれがどのような場合に適切なのか、感覚をつかみ始める。

Let's go on to the next video.

次のビデオに行こう。