Let's give a slightly more formal definition of unsupervised learning and take a quick look at some other types of unsupervised learning other than clustering.

教師なし学習をもう少し正式に定義し、クラスタリング以外の教師なし学習の種類を簡単に見てみよう。

Whereas in supervised learning, the data comes with both inputs x and output labels y, in unsupervised learning, the data comes only with inputs x but not output labels y, and the algorithm has to find some structure or some pattern or something interesting in the data.

教師あり学習では、データは入力xと出力ラベルyの両方を持つが、教師なし学習では、データは入力xのみを持ち、出力ラベルyは持たない。

We've seen just one example of unsupervised learning called a clustering algorithm, which groups similar data points together.

ここまで、クラスタリング・アルゴリズムと呼ばれる教師なし学習の一例を見てきた。

In this specialization, you learn about clustering as well as two other types of unsupervised learning.

この専門分野では、クラスタリングと他の2種類の教師なし学習について学びます。

One is called anomaly detection, which is used to detect unusual events.

ひとつは異常検知と呼ばれるもので、異常な出来事を検知するために使われる。

This turns out to be really important for fraud detection in the financial system, where unusual events, unusual transactions could be a sign of fraud and for many other applications.

これは、異常な出来事や異常な取引が不正の兆候である可能性がある金融システムにおける不正検知や、その他多くのアプリケーションにとって本当に重要であることがわかった。

You also learn about dimensionality reduction.

次元削減についても学ぶ。

This lets you take a big dataset and almost magically compress it to a much smaller dataset while losing as little information as possible.

これにより、大きなデータセットを、可能な限り情報を失うことなく、ほとんど魔法のように小さなデータセットに圧縮することができる。

In case anomaly detection and dimensionality reduction don't seem to make too much sense to you yet, don't worry about it.

万が一、異常検知や次元削減がまだあまり意味をなさないように見えても、心配する必要はない。

We'll get to this later in this specialization.

これについては、このスペシャリテの後半で触れることにしよう。

Now, I'd like to ask you another question to help you check your understanding.

さて、理解度を確認するためにもうひとつ質問したい。

No pressure, if you don't get it right on the first try, it's totally fine.

プレッシャーはない。もし最初のトライでうまくいかなくても、まったく問題ない。

Please select any of the following that you think are examples of unsupervised learning.

教師なし学習の例と思われるものを選んでください。

Two are unsupervised examples and two are supervised learning examples.

2つは教師なしの例で、2つは教師あり学習の例である。

Please take a look.

どうぞご覧ください。

Maybe you remember the spam filtering problem.

もしかしたら、スパムフィルターの問題を覚えているかもしれない。

If you have labeled data, labeled as spam or non-spam e-mail, you can treat this as a supervised learning problem.

スパムメールかそうでないかラベル付けされたデータがあれば、これを教師あり学習問題として扱うことができる。

The second example, the news story example, that's exactly the Google News and Tandem example that you saw in the last video.

つ目の例、ニュース記事の例は、前回のビデオで見たGoogle NewsとTandemの例とまったく同じです。

You can approach that using a clustering algorithm to group news articles together.

ニュース記事をグループ化するクラスタリング・アルゴリズムを使ってアプローチすることができる。

That would use unsupervised learning.

教師なし学習を使うことになる。

The market segmentation example that I talked about a little bit earlier, you can do that as an unsupervised learning problem as well, because you can give your algorithm some data and ask it to discover market segments automatically.

先ほど少しお話しした市場セグメンテーションの例も、教師なし学習の問題として行うことができる。なぜなら、アルゴリズムにデータを与えて、自動的に市場セグメントを発見するよう求めることができるからだ。

The final example on diagnosing diabetes.

糖尿病の診断に関する最後の例。

Well, actually, that's a lot like our breast cancer example from the supervised learning videos.

まあ、実際、これは教師あり学習のビデオで見た乳がんの例とよく似ている。

Only instead of benign or malignant tumors, we instead have diabetes or not diabetes.

良性腫瘍や悪性腫瘍の代わりに、糖尿病があるかないかだけだ。

You can approach this as a supervised learning problem, just like we did for the breast tumor classification problem.

乳腺腫瘍の分類問題でやったように、教師あり学習問題としてアプローチすることができる。

Even though in this and the last video, we've talked mainly about clustering, in later videos in this specialization, we'll dive much more deeply into anomaly detection and dimensionality reduction as well.

このビデオと前回のビデオでは、主にクラスタリングについて話してきましたが、この専門分野の後のビデオでは、異常検知と次元削減についてももっと深く掘り下げます。

That's unsupervised learning.

それが教師なし学習だ。

Before we wrap up this section, I want to share with you something that I find really exciting and useful, which is the use of Jupyter Notebooks in machine learning.

このセクションを終える前に、私が本当にエキサイティングで役に立つと思うものを紹介したい。

Let's take a look at that in the next video.

次のビデオでそれを見てみよう。