Let's take a look at what that means.

その意味を考えてみよう。

We've talked about supervised learning, and this video is about unsupervised learning.

教師あり学習について話してきたが、このビデオは教師なし学習についてだ。

But don't let the name unsupervised fool you.

しかし、監督なしという名前に惑わされてはいけない。

Unsupervised learning is, I think, just as super as supervised learning.

教師なし学習は、教師あり学習と同じくらいスーパーだと思う。

When we're looking at supervised learning in the last video, recall that it looks something like this.

前回のビデオで教師あり学習を見ているとき、次のように見えることを思い出してほしい。

In the case of a classification problem, each example was associated with an output label Y, such as benign or malignant, designated by the O's and crosses.

分類問題の場合、各例は、Oと十字で指定された良性または悪性などの出力ラベルYに関連付けられていた。

In unsupervised learning, we're given data that isn't associated with any output labels Y.

教師なし学習では、出力ラベルYと関連付けられていないデータが与えられる。

Say you're given data on patients and their tumor size and the patient's age, but not whether the tumor was benign or malignant.

患者のデータと腫瘍の大きさ、患者の年齢が与えられ、腫瘍が良性か悪性かはわからないとします。

So the dataset looks like this on the right.

データセットは右のようになる。

We're not asked to diagnose whether the tumor is benign or malignant because we're not given any labels Y in the dataset.

データセットにはYというラベルが与えられていないので、腫瘍が良性か悪性かを診断することは求められていない。

Instead, our job is to find some structure or some pattern or just find something interesting in the data.

その代わりに、私たちの仕事は、何らかの構造やパターンを見つけること、あるいはデータの中から興味深いものを見つけることだ。

This is unsupervised learning.

これが教師なし学習だ。

We call it unsupervised because we're not trying to supervise the algorithm to give some, quote, right answer for every input.

私たちはこれを "教師なし "と呼んでいるが、これはアルゴリズムがすべての入力に対して正しい答えを出すように監督しようとしているわけではないからだ。

Instead, we ask the algorithm to figure out all by itself what's interesting or what patterns or structures there might be in this data.

その代わりに、何が面白いのか、このデータにはどんなパターンや構造があるのかを、アルゴリズムが自分で見つけ出すようにする。

With this particular dataset, an unsupervised learning algorithm might decide that the data can be assigned to two different groups or two different clusters.

この特定のデータセットでは、教師なし学習アルゴリズムが、データを2つの異なるグループまたは2つの異なるクラスタに割り当てることができると判断するかもしれない。

It might decide that there's one cluster or group over here, and there's another cluster or group over here.

こっちにはこっちのクラスターやグループがあり、こっちにはこっちのクラスターやグループがあると判断するかもしれない。

This is a particular type of unsupervised learning called a clustering algorithm because it places the unlabeled data into different clusters, and this turns out to be used in many applications.

これは、ラベル付けされていないデータを異なるクラスタに分類することから、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特殊なタイプであり、多くのアプリケーションで使用されている。

For example, clustering is used in Google News.

例えば、Google Newsではクラスタリングが使われている。

What Google News does is, every day it goes and looks at hundreds of thousands of news articles on the Internet and groups related stories together.

グーグルニュースが行っているのは、毎日、インターネット上の何十万ものニュース記事を調べ、関連する記事をグループ分けすることだ。

For example, here's a sample from Google News, where the headline of the top article is, giant panda gives birth to rear twin cubs at Japan's oldest zoo.

例えば、Googleニュースのトップ記事の見出しは「ジャイアントパンダ、日本最古の動物園で双子の子供を出産」である。

This article had actually caught my eye because my daughter loves pandas and so there are a lot of stuffed panda toys and watching of panda videos in my house.

というのも、私の娘はパンダが大好きで、我が家にはパンダのぬいぐるみやパンダのビデオがたくさんあるからだ。

Looking at this, you might notice that below this are other related articles.

これを見ると、この下に他の関連記事があることに気づくかもしれない。

Maybe from the headlines alone, you can start to guess what clustering might be doing.

見出しだけで、クラスタリングが何をしているのか想像がつくかもしれない。

Notice that the word panda appears here, here, here, here, and here.

パンダという単語がここ、ここ、ここ、ここ、そしてここに出てくることに注目してほしい。

Notice that the word twin also appears in all five articles, and the word zoo also appears in all of these articles.

双子という言葉は5つの記事すべてに登場し、動物園という言葉もこれらの記事すべてに登場していることに注目してほしい。

The clustering algorithm is finding articles, all of all the hundreds of thousands of news articles on the Internet that day, finding the articles that mention similar words and grouping them into clusters.

クラスタリング・アルゴリズムは、その日インターネット上にある何十万ものニュース記事すべてから、似たような単語に言及している記事を見つけ出し、それらをクラスタにグループ分けする。

Now, what's cool is that this clustering algorithm figures out on its own which words suggest that certain articles are in the same group.

さて、このクラスタリング・アルゴリズムがクールなのは、ある記事が同じグループであることを示唆する単語を自分で見つけ出すことだ。

What I mean is, there isn't an employee at Google News who's telling the algorithm to find articles that the word panda and twins and zoo to put them into the same cluster.

つまり、パンダと双子と動物園という単語が含まれる記事を同じクラスタに入れるようにアルゴリズムに指示しているGoogleニュースの社員はいないということだ。

The news topics change every day and there are so many news stories, it just isn't feasible to have people doing this every single day for all the topics the news covers.

ニュースのトピックは毎日変わるし、ニュースの数も多いから、ニュースが扱うすべてのトピックを毎日担当するのは不可能なんだ。

Instead, the algorithm has to figure out on its own without supervision, what are the clusters of news articles today.

その代わり、アルゴリズムは監視なしに、今日のニュース記事のクラスタが何であるかを自分で考えなければならない。

That's why this clustering algorithm is a type of unsupervised learning algorithm.

そのため、このクラスタリング・アルゴリズムは教師なし学習アルゴリズムの一種である。

Let's look at a second example of unsupervised learning applied to clustering genetic or DNA data.

教師なし学習を遺伝子やDNAデータのクラスタリングに応用した2つ目の例を見てみよう。

This image shows a picture of DNA microarray data.

この画像はDNAマイクロアレイデータの写真である。

These look like tiny grids of a spreadsheet and each tiny column represents the genetic or DNA activity of one person.

これは表計算ソフトの小さなグリッドのようなもので、それぞれの小さな列が一人の人間の遺伝子やDNAの活動を表している。

For example, this entire column here is from one person's DNA, and this other column is of another person.

例えば、この列全体がある人のDNAで、この別の列は別の人のものだ。

Each row represents a particular gene.

各行は特定の遺伝子を表す。

Just as an example, perhaps this row here might represent a gene that affects eye color, or this row here is a gene that affects how tall someone is.

例えば、この列は目の色に影響する遺伝子、この列は背の高さに影響する遺伝子といった具合だ。

Researchers have even found a genetic link to whether someone dislikes certain vegetables such as broccoli or Brussels sprouts or asparagus.

研究者たちは、ブロッコリーや芽キャベツ、アスパラガスなど、特定の野菜が嫌いかどうかに遺伝的なつながりがあることさえ発見している。

Next time someone asks you, why didn't you finish your salad?

今度誰かに、どうしてサラダを食べ終わらなかったの？

You can tell them, maybe it's genetic.

もしかしたら遺伝かもしれない。

For DNA microarrays, the idea is to measure how much certain genes are expressed for each individual person.

DNAマイクロアレイの場合、ある遺伝子が個人個人でどれだけ発現しているかを測定することである。

These colors, red, green, gray, and so on, show the degree to which different individuals do or do not have a specific gene active.

これらの色、赤、緑、灰色などは、個体によって特定の遺伝子が活性化している、あるいは活性化していない度合いを示している。

What you can do is then run a clustering algorithm to group individuals into different categories or different types of people.

そして、クラスタリング・アルゴリズムを実行して、個人を異なるカテゴリーや異なるタイプの人々にグループ分けすることができる。

Like maybe these individuals are grouped together, and let's just call this type 1.

例えば、こういう人たちをまとめてタイプ1と呼ぶことにしよう。

These people are grouped into type 2, and these people are grouped as type 3.

このような人々はタイプ2、このような人々はタイプ3に分類される。

This is unsupervised learning because we're not telling the algorithm in advance that there is a type 1 person with certain characteristics or a type 2 person with certain characteristics.

これは教師なし学習であり、特定の特徴を持つタイプ1の人間や、特定の特徴を持つタイプ2の人間がいることを、あらかじめアルゴリズムに教えているわけではない。

Instead, what we're saying is, here's a bunch of data.

その代わり、我々が言いたいのは、ここにたくさんのデータがあるということだ。

I don't know what the different types of people are, but can you automatically find structure in the data, and automatically figure out what are the major types of individuals?

人々のタイプがどのようなものかわからないが、データから自動的に構造を見つけ出し、主要な個人のタイプを自動的に把握することはできるのか？

Since we're not giving the algorithm the right answer for the examples in advance, this is unsupervised learning.

あらかじめアルゴリズムに例に対する正しい答えを与えているわけではないので、これは教師なし学習である。

Here's a third example.

三つ目の例を挙げよう。

Many companies have huge databases of customer information.

多くの企業は顧客情報の膨大なデータベースを持っている。

Given this data, can you automatically group your customers into different market segments so that you can more efficiently serve your customers?

このデータがあれば、顧客をさまざまな市場セグメントに自動的にグループ分けし、より効率的に顧客にサービスを提供することができるのではないでしょうか？

Quite briefly, the deeplearning.ai team did some research to better understand the deeplearning.ai community and why different individuals take these classes, subscribe to the batch weekly newsletter, or attend our pioneer events.

簡単に説明すると、deeplearning.aiチームは、deeplearning.aiのコミュニティをよりよく理解するために、さまざまな人がこれらのクラスを受講したり、週刊ニュースレターを一括購読したり、パイオニアイベントに参加したりする理由を調査しました。

Let's visualize the deeplearning.ai community as this collection of people, running clustering, that is market segmentation, found a few distinct groups of individuals.

deeplearning.aiのコミュニティをこのような人々の集まりとして視覚化してみよう。クラスタリング、つまり市場のセグメンテーションを実行すると、いくつかの明確な個人のグループが見つかった。

One group's primary motivation is seeking knowledge to grow their skills.

あるグループの主な動機は、スキルを伸ばすために知識を求めることだ。

Perhaps this is you, and if so, that's great.

もしそうなら、それは素晴らしいことだ。

A second group's primary motivation is looking for a way to develop their career.

もう1つのグループの主な動機は、キャリアを発展させる方法を探していることだ。

Maybe you want to get a promotion or a new job or make some career progression.

昇進や転職、キャリアアップを望んでいるのかもしれない。

If this describes you, that's great too.

もしこれがあなたに当てはまるなら、それも素晴らしいことだ。

And yet another group wants to stay updated on how AI impacts their field of work.

さらに別のグループは、AIが自分たちの仕事の分野にどのような影響を与えるのか、常に最新情報を得たいと考えている。

Perhaps this is you.

もしかしたら、これがあなたかもしれない。

That's great too.

それも素晴らしいことだ。

This is a clustering that our team use to try to better serve our community as we're trying to figure out what are the major categories of learners in the deeplearning.ai community.

これは、deeplearning.aiコミュニティの学習者の主なカテゴリーを把握するために、私たちのチームがコミュニティにより良いサービスを提供するために使用しているクラスタリングです。

So if any of these is your top motivation for learning, that's great.

だから、もしこれらのどれかがあなたの学習の一番の動機になるのであれば、それは素晴らしいことだ。

And I hope I'll be able to help you on your journey.

そして、あなたの旅の手助けができればと願っている。

Or in case this is you and you want something totally different than the other three categories, that's fine too.

あるいは、他の3つのカテゴリーとはまったく違うものを求める場合も、それはそれで構わない。

And I want you to know I love you all the same.

そして、私が同じようにあなたを愛していることを知ってほしい。

So to summarize, a clustering algorithm, which is a type of unsupervised learning algorithm, takes data without labels and tries to automatically group them into clusters.

つまり要約すると、教師なし学習アルゴリズムの一種であるクラスタリングアルゴリズムは、ラベルのないデータを受け取り、それらを自動的にクラスタにグループ化しようとする。

And so maybe the next time you see or think of a panda, maybe you think of clustering as well.

だから、次にパンダを見たり思い浮かべたりするときは、クラスタリングも思い浮かべるかもしれない。

And besides clustering, there are other types of unsupervised learning as well.

また、クラスタリング以外にも教師なし学習の種類がある。

Let's go on to the next video to take a look at some other types of unsupervised learning algorithms.

次のビデオでは、教師なし学習アルゴリズムの他のタイプを見てみよう。