Name: #第5回 機械学習専門【コース1 第1週 第2課 (#5 Machine Learning Specialization [Course 1, Week 1, Lesson 2])
Uploaded: 2024-12-31T04:01:24.000Z
Duration: 7 min 17 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

So supervised learning algorithms learn to predict input-output or x-to-y mappings.

つまり、教師あり学習アルゴリズムは、入力と出力、あるいはXとYのマッピングを予測するように学習する。

関係詞節（制限と非制限）

And in the last video, you saw that regression algorithms, which is a type of supervised learning algorithm, learns to predict numbers out of infinitely many possible numbers.

前回のビデオでは、教師あり学習アルゴリズムの一種である回帰アルゴリズムが、無限にあり得る数字の中から数字を予測することを学習することを見た。

There's a second major type of supervised learning algorithm called a classification algorithm.

教師あり学習アルゴリズムには、分類アルゴリズムと呼ばれる2番目の主要なタイプがある。

これが何を意味するのかを見てみよう。

Take breast cancer detection as an example of a classification problem.

乳がんの検出を分類問題の例としよう。

Say you're building a machine learning system so that doctors can have a diagnostic tool to detect breast cancer.

例えば、医師が乳がんを発見するための診断ツールを提供するために、機械学習システムを構築しているとしよう。

This is important because early detection could potentially save a patient's life.

早期発見が患者の命を救う可能性があるのだから。

Using a patient's medical records, your machine learning system tries to figure out if a tumor, that is a lump, is malignant, meaning cancerous or dangerous, or if that tumor, that lump, is benign, meaning that it's just a lump that isn't cancerous and isn't that dangerous.

機械学習システムは、患者の医療記録を使って、腫瘍、つまりしこりが悪性、つまりがん化したり危険なものなのか、あるいは腫瘍、しこりが良性、つまりがん化したり危険なものではないただのしこりなのかを見極めようとする。

Some of my friends have actually been working on this specific problem.

私の友人の何人かは、実際にこの特定の問題に取り組んでいる。

So maybe your dataset has tumors of various sizes, and these tumors are labeled as either benign, which I will designate in this example with a zero, or malignant, which I'll designate in this example with a one.

つまり、あなたのデータセットにはさまざまな大きさの腫瘍があり、これらの腫瘍は良性（この例では0）か悪性（この例では1）としてラベル付けされている。

You can then plot your data on a graph like this, where the horizontal axis represents the size of the tumor, and the vertical axis takes on only two values, zero or one, depending on whether the tumor is benign, zero, or malignant, one.

横軸は腫瘍の大きさを表し、縦軸は腫瘍が良性（0）か悪性（1）かによって0か1の2つの値しかとらない。

One reason that this is different from regression is that we're trying to predict only a small number of possible outputs or categories.

これが回帰と異なる理由のひとつは、少数の可能性のある出力やカテゴリーだけを予測しようとしていることだ。

In this case, two possible outputs, zero or one, benign or malignant.

この場合、出力は0か1か、良性か悪性かの2通りの可能性がある。

This is different from regression, which tries to predict any number out of an infinitely many number of possible numbers.

これは、無限にあり得る数の中から任意の数を予測しようとする回帰とは異なる。

So the fact that there are only two possible outputs is what makes this classification.

つまり、可能な出力が2つしかないという事実が、この分類を成り立たせているのだ。

Because there are only two possible outputs or two possible categories in this example, you can also plot this dataset on a line like this, where now I'm going to use two different symbols to denote the category, using a circle or an O to denote the benign examples, and a cross to denote the malignant examples.

この例では、可能な出力は2つだけ、あるいは可能なカテゴリーも2つだけなので、このデータセットをこのように線上にプロットすることもできます。ここでは、カテゴリーを示すために2つの異なる記号を使い、良性の例を示す丸またはO、悪性の例を示す十字を使います。

If a new patient walks in for a diagnosis and they have a lump that is this size, then the question is, will your system classify this tumor as benign or malignant?

新患が診断のために来院し、この大きさのしこりがあった場合、問題はこの腫瘍をシステムが良性と悪性のどちらに分類するかということだ。

It turns out that in classification problems, you can also have more than two possible output categories.

分類問題では、2つ以上の可能な出力カテゴリーを持つこともできる。

Maybe your learning algorithm can output multiple types of cancer diagnoses if it turns out to be malignant.

もしかしたら、あなたの学習アルゴリズムは、悪性であることが判明した場合、複数の種類のがん診断を出力できるかもしれない。

So let's call two different types of cancer, type 1 and type 2.

そこで、2つの異なるタイプのがんを1型と2型と呼ぶことにしよう。

In this case, the algorithm would have three possible output categories it could predict.

この場合、アルゴリズムは予測可能な3つの出力カテゴリーを持つことになる。

By the way, in classification, the terms output classes and output categories are often used interchangeably.

ところで、分類においては、出力クラスと出力カテゴリーという用語はしばしば同じ意味で使われる。

So when I say class or category, when referring to the output, it means the same thing.

だから、私がクラスやカテゴリーと言ったとしても、アウトプットを指す場合は同じ意味だ。

So to summarize, classification algorithms predict categories.

つまり要約すると、分類アルゴリズムはカテゴリーを予測する。

Categories don't have to be numbers, it could be non-numeric.

カテゴリーは数字である必要はない。

For example, it can predict whether a picture is that of a cat or a dog, and it can predict if a tumor is benign or malignant.

たとえば、写真が猫か犬かを予測したり、腫瘍が良性か悪性かを予測したりできる。

Categories can also be numbers like 0 or 1 or 0 or 1 or 2.

カテゴリーには、0や1、0や1、2といった数字を入れることもできる。

But what makes classification different from regression when you're interpreting the numbers is that classification predicts a small, finite, limited set of possible output categories such as 0, 1, and 2, but not all possible numbers in between like 0.5 or 1.7.

しかし、数字を解釈する際に分類が回帰と異なるのは、分類が0、1、2といった、小さく有限で限られた可能性のある出力カテゴリーを予測するのであって、0.5や1.7といった、その間にある可能性のあるすべての数字を予測するわけではないということだ。

In the example of supervised learning that we've been looking at, we had only one input value, the size of the tumor.

これまで見てきた教師あり学習の例では、入力値は腫瘍の大きさだけだった。

But you can also use more than one input value to predict an output.

しかし、出力を予測するために複数の入力値を使うこともできる。

Instead of just knowing the tumor size, say you also have each patient's age in years.

腫瘍の大きさだけを知るのではなく、各患者の年齢（年）も知っているとします。

Your new dataset now has two inputs, age and tumor size.

新しいデータセットには、年齢と腫瘍サイズの2つの入力があります。

Plotting this new dataset, we're going to use circles to show patients whose tumors are benign, and crosses to show the patients with a tumor that was malignant.

この新しいデータセットをプロットして、腫瘍が良性の患者を丸で示し、腫瘍が悪性の患者を十字で示すことにする。

So when a new patient comes in, the doctor can measure the patient's tumor size, and also record the patient's age.

そのため、新患が来院すると、医師は患者の腫瘍の大きさを測定し、患者の年齢も記録することができる。

So given this, how can we predict if this patient's tumor is benign or malignant?

それでは、この患者の腫瘍が良性なのか悪性なのか、どうすれば予測できるのでしょうか？

Well, given a dataset like this, what the learning algorithm might do is find some boundary that separates out the malignant tumors from the benign ones.

さて、このようなデータセットが与えられた場合、学習アルゴリズムが行うのは、悪性腫瘍と良性腫瘍を分ける境界を見つけることだろう。

So the learning algorithm has to decide how to fit a boundary line to this data.

そこで学習アルゴリズムは、このデータに境界線をどのように当てはめるかを決めなければならない。

The boundary line found by the learning algorithm would help the doctor with the diagnosis.

学習アルゴリズムによって発見された境界線は、医師の診断に役立つだろう。

In this case, the tumor is more likely to be benign.

この場合、腫瘍は良性の可能性が高い。

From this example, we've seen how two inputs, the patient's age and tumor size, can be used.

この例から、患者の年齢と腫瘍の大きさという2つの入力がどのように使われるかを見てきた。

In other machine learning problems, often many more input values are required.

他の機械学習問題では、多くの入力値が必要になることが多い。

My friends who worked on breast cancer detection use many additional inputs like the thickness of the tumor clump, uniformity of the cell size, uniformity of the cell shape, and so on.

乳がんの検出に取り組んでいる私の友人たちは、腫瘍の塊の厚さ、細胞の大きさの均一性、細胞の形の均一性など、多くの追加入力を使っている。

So to recap, supervised learning maps input X to output Y, where the learning algorithm learns from the quote, right answers.

つまり、教師あり学習は入力Xを出力Yにマッピングし、学習アルゴリズムは引用された正しい答えから学習する。

The two major types of supervised learning are regression and classification.

教師あり学習の2つの主要なタイプは回帰と分類である。

In a regression application, like predicting prices of houses, the learning algorithm has to predict numbers from infinitely many possible output numbers, whereas in classification, the learning algorithm has to make a prediction of a category out of a small set of possible outputs.

回帰アプリケーション、例えば住宅の価格を予測するような場合、学習アルゴリズムは無限の可能性のある出力数値から数値を予測しなければならないが、分類の場合、学習アルゴリズムは小さな可能性のある出力集合からカテゴリーを予測しなければならない。

So you now know what is supervised learning, including both regression and classification.

これで、回帰と分類の両方を含む教師あり学習とは何かがわかっただろう。

Next, there's a second major type of machine learning called unsupervised learning.

次に、教師なし学習と呼ばれる機械学習の2番目の主要なタイプがある。

 Let's go on to the next video to see what that is.

それが何なのか、次のビデオで見てみよう。

字幕リスト動画再生

#第5回機械学習専門【コース1 第1週第2課 (#5 Machine Learning Specialization [Course 1, Week 1, Lesson 2])

specific

figure

multiple

recap

#第5回 機械学習専門【コース1 第1週 第2課 (#5 Machine Learning Specialization [Course 1, Week 1, Lesson 2])

specific

figure

multiple

recap

#第5回機械学習専門【コース1 第1週第2課 (#5 Machine Learning Specialization [Course 1, Week 1, Lesson 2])