Name: #第9回 機械学習専門【コース1 第1週 第3課 (#9 Machine Learning Specialization [Course 1, Week 1, Lesson 3])
Uploaded: 2024-12-31T04:05:14.000Z
Duration: 10 min 27 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：

In this video, we'll look at what the overall process of supervised learning is like.

このビデオでは、教師あり学習の全体的なプロセスがどのようなものかを見ていく。

様態の副詞

Specifically, you see the first model of this course, a linear regression model.

具体的には、このコースの最初のモデルである線形回帰モデルをご覧いただきたい。

程度の副詞

That just means fitting a straight line to your data.

それは、データに直線を当てはめることを意味する。

It's probably the most widely used learning algorithm in the world today.

現在、世界で最も広く使われている学習アルゴリズムだろう。

As you get familiar with linear regression, many of the concepts you see here will also apply to other machine learning models, models that you'll see later in this specialization.

線形回帰に慣れてくると、ここで見るコンセプトの多くは、他の機械学習モデルにも適用できるようになる。

Let's start with a problem that you can address using linear regression.

線形回帰を使って対処できる問題から始めよう。

Say you want to predict the price of a house based on the size of a house.

家の大きさから家の価格を予測したいとする。

This is the example we've seen earlier this week.

We're going to use a dataset on house sizes and prices from Portland, a city in the United States.

アメリカの都市ポートランドの家の大きさと価格に関するデータセットを使おう。

Here we have a graph where the horizontal axis is the size of a house in square feet and the vertical axis is the price of house in thousands of dollars.

横軸が家の大きさ（平方フィート）、縦軸が家の価格（千ドル）である。

Let's go ahead and plot the data points for various houses in the dataset.

それでは、データセットに含まれるさまざまな家屋のデータ点をプロットしてみよう。

Here at each data point, each of these little crosses is a house with a size and a price that it most recently was sold for.

各データ・ポイントにおいて、この小さな十字はそれぞれ、直近に販売されたサイズと価格を持つ家である。

Now, let's say you're a real estate agent in Portland, and you're helping a client sell her house.

さて、あなたがポートランドの不動産業者で、クライアントの家売却を手伝っているとしましょう。

She's asking you, how much do you think you're going to get for this house?

この家、いくらで売れると思う？

This dataset might help you estimate the price she could get for it.

このデータセットは、彼女がその車を買える価格を見積もるのに役立つかもしれない。

You start by measuring the size of the house, and it turns out that her house is 1,250 square feet.

まず家の大きさを測り、彼女の家は1,250平方フィートであることがわかった。

How much do you think this house could sell for?

この家はいくらで売れると思いますか？

One thing you could do is you can build a linear regression model from this dataset.

ひとつは、このデータセットから線形回帰モデルを構築することだ。

Your model will fit a straight line to the data which might look like this.

あなたのモデルは、次のようなデータに直線を当てはめます。

Based on this straight line fit to the data, you can see that if a house is 1,250 square feet, it will intersect the best fit line over here.

このデータへの直線フィットに基づくと、1,250平方フィートの家であれば、ここにあるベストフィットの直線と交差することがわかる。

If you trace that to the vertical axis on the left, you can see the price is maybe around here, say about $220,000.

左の縦軸をなぞると、価格はこのあたり、つまり約22万ドルであることがわかる。

This is an example of what's called a supervised learning model.

これはいわゆる教師あり学習モデルの例だ。

We call this supervised learning because you are first training your model by giving a data that has the right answers.

これを教師あり学習と呼ぶのは、まず正しい答えを持つデータを与えてモデルを訓練するからだ。

Because you give the model examples of houses with both the size of the house, as well as the price that the model should predict for each house.

というのも、モデルには、家の大きさと、それぞれの家についてモデルが予測すべき価格の両方が示されているからです。

Well, here are the prices that is the right answers are given for every house in the dataset.

さて、ここにデータセットのすべての家について正しい答えが与えられている価格がある。

This linear regression model is a particular type of supervised learning model.

この線形回帰モデルは、教師あり学習モデルの特殊なタイプである。

It's called a regression model because it predicts numbers as the output like prices and dollars.

回帰モデルと呼ばれるのは、価格やドルなどの数値を出力として予測するからだ。

Any supervised learning model that predicts a number such as 220,000 or 1.5 or negative 33.2, is addressing what's called a regression problem.

22万や1.5やマイナス33.2といった数値を予測する教師あり学習モデルは、回帰問題と呼ばれるものに取り組んでいる。

Linear regression is one example of a regression model, but there are other models for addressing regression problems too.

線形回帰は回帰モデルの一例ですが、回帰問題に対処するための他のモデルもあります。

We'll see some of those later in course 2 of this specialization.

コース2の後半でそのいくつかを紹介する。

Just to remind you, in contrast with the regression model, the other most common type of supervised learning model is called a classification model.

念のために言っておくが、回帰モデルとは対照的に、教師あり学習モデルのもう1つの最も一般的なタイプは分類モデルと呼ばれる。

A classification model predicts categories or discrete categories, such as predicting if a picture is of a cat, meow, or a dog, woof.

分類モデルは、ある写真が猫のニャーなのか犬のワンなのかを予測するように、カテゴリーや個別のカテゴリーを予測する。

Or if given a medical record, it has to predict if a patient has a particular disease.

あるいは、医療記録があれば、患者が特定の病気にかかっているかどうかを予測しなければならない。

You'll see more about classification models later in this course as well.

分類モデルについては、このコースの後半でも詳しく説明する。

As a reminder about the difference between classification and regression, in classification, there are only a small number of possible outputs.

分類と回帰の違いについて思い出してほしいのだが、分類では、可能な出力は少数である。

If your model is recognizing cats versus dogs, that's two possible outputs.

猫か犬かを認識するモデルなら、2つの出力が考えられる。

Or maybe you're trying to recognize any of 10 possible medical conditions in a patient.

あるいは、患者の10の病状の可能性のどれかを認識しようとしているのかもしれない。

There's a discrete finite set of possible outputs.

可能な出力の離散的な有限集合がある。

私たちはこれを分類問題と呼んでいる。

Whereas in regression, there are infinitely many possible numbers that the model could output.

一方、回帰では、モデルが出力しうる数値は無限にある。

In addition to visualizing this data as a plot here on the left, there's one other way of looking at the data that would be useful, and that's a data table here on the right.

このデータを左のプロットとして視覚化することに加えて、もうひとつ有用なデータの見方がある。

データは一連の入力からなる。

This would be the size of the house, which is this column here.

You're trying to predict the price, which is this column here.

あなたは価格を予測しようとしている。

Notice that the horizontal and vertical axes correspond to these two columns, the size and the price.

横軸と縦軸がこの2つの列、つまりサイズと価格に対応していることに注目してほしい。

If you have, say, 47 rows in this data table, then there are 47 of these lower crosses on the plot of the left, each cross corresponding to one row of the table.

このデータ表に例えば47行があるとすると、左のプロットにはこの下側の十字が47個あり、それぞれの十字は表の1行に対応する。

For example, the first row of the table is a house with size 2,104 square feet.

たとえば、表の最初の行は、広さ2,104平方フィートの家である。

This house sold for $400,000, which is around here.

This first row of the table is plotted as this data point over here.

この表の最初の行は、このデータポイントとしてプロットされている。

Now, let's look at some notation for describing the data.

では、データを記述するための表記法を見てみよう。

This is notation that you find useful throughout your journey in machine learning.

これは、機械学習の旅を通して役に立つ表記法である。

As you increasingly get familiar with machine learning terminology, this would be terminology they can use to talk about machine learning concepts with others as well, since a lot of this is quite standard across AI.

機械学習の用語に慣れてくれば、機械学習の概念について他の人と話すときに使える用語になるだろう。

You'll be seeing this notation multiple times in this specialization, so it's okay if you don't remember everything the first time through.

この専門分野ではこの表記を何度も目にすることになるので、初回にすべてを覚えていなくても大丈夫だ。

It will naturally become more familiar over time.

時間が経てば自然と馴染んでくる。

The dataset that you just saw and that is used to train the model is called a training set.

モデルを訓練するために使われるデータセットを訓練セットと呼ぶ。

Note that your client's house is not in this dataset because it's not yet sold, so no one knows what its price is.

あなたのクライアントの家はこのデータセットに含まれていない。

To predict the price of your client's house, you first train your model to learn from the training set, and that model can then predict your client's house's price.

顧客の家の価格を予測するには、まずモデルをトレーニングセットから学習させ、そのモデルが顧客の家の価格を予測できるようにする。

In machine learning, the standard notation to denote the input here is lowercase x, and we call this the input variable.

機械学習では、ここで入力を表す標準的な表記は小文字のxで、これを入力変数と呼ぶ。

It's also called a feature or an input feature.

フィーチャーとかインプットフィーチャーとも呼ばれる。

For example, for the first house in your training set, x is the size of the house, so x equals 2,104.

例えば、トレーニングセットの最初の家の場合、xは家の大きさなので、xは2,104に等しい。

The standard notation to denote the output variable, which you're trying to predict, which is also sometimes called the target variable, is lowercase y.

予測しようとしている出力変数（ターゲット変数と呼ばれることもある）を表す標準的な表記は、小文字のyである。

So here, y is the price of the house, and for the first training example, this is equal to 400, so y equals 400.

ここで、yは家の価格であり、最初のトレーニングの例では、これは400に等しいので、yは400に等しい。

So the dataset has one row for each house, and in this particular training set, there are 47 rows with each row representing a different training example.

つまり、データセットには各家ごとに1行があり、この特定のトレーニングセットでは47行あり、各行が異なるトレーニング例を表している。

We're going to use lowercase m to refer to the total number of training examples, and so here, m is equal to 47.

ここでは、小文字のmを使ってトレーニング例の総数を示すことにする。

To indicate a single training example, we're going to use the notation parentheses x,y.

ひとつの訓練例を示すために、括弧x,yという表記を使う。

So for the first training example, x,y, this pair of numbers is 2,104,400.

つまり、最初のトレーニング例であるx,yの場合、この数字の組は2,104,400となる。

Now, we have a lot of different training examples.

さて、私たちはさまざまなトレーニング例を持っている。

So to refer to a specific training example, this will correspond to a specific row in this table on the left.

つまり、特定のトレーニング例を参照するには、左の表の特定の行に対応することになる。

I'm going to use the notation x superscript in parentheses, i,y superscript in parentheses, i.

xの上付き添え字を括弧で囲んでi、yの上付き添え字を括弧で囲んでiと表記する。

The superscript tells us that this is the i-th training example, such as the first, second, or third up to the 47th training example.

上付き添え字は、これがi番目の学習例であることを示し、例えば1番目、2番目、3番目から47番目までの学習例であることを示す。

I here refers to a specific row in the table.

ここでは、テーブルの特定の行を指している。

So for instance, here is the first example when i equals 1 in the training set.

例えば、トレーニング・セットでiが1に等しい場合の最初の例である。

So x superscript 1 is equal to 2,104, and y superscript 1 is equal to 400.

つまり、xの上付き添え字1は2,104に等しく、yの上付き添え字1は400に等しい。

Let's add the superscript 1 here as well.

ここにも上付きの1を付けよう。

Just a note, this superscript i in parentheses is not exponentiation.

注意点として、この括弧内の上付きiは指数関数ではない。

So when I write this, this is not x squared, this is not x to the power of 2.

つまり、これを書くとき、これはxの2乗ではなく、xの2乗でもない。

It just refers to the second training example.

これは2つ目のトレーニング例を指しているだけだ。

So this i is just an index in the training set, and refers to row i in the table.

つまり、このiはトレーニングセットのインデックスに過ぎず、テーブルのi行目を指す。

In this video, you saw what a training set is like, as well as the standard notation for describing this training set.

このビデオでは、トレーニングセットがどのようなものか、またこのトレーニングセットを記述するための標準的な表記法をご覧いただきました。

In the next video, let's look at what it'll take to take this training set that you just saw and feed it to a learning algorithm so that the algorithm can learn from this data.

次のビデオでは、先ほどのトレーニング・セットを学習アルゴリズムに与え、アルゴリズムがこのデータから学習できるようにするために何が必要かを見てみよう。

字幕リスト動画再生

#第9回機械学習専門【コース1 第1週第3課 (#9 Machine Learning Specialization [Course 1, Week 1, Lesson 3])

specific

recognize

multiple

straight

#第9回 機械学習専門【コース1 第1週 第3課 (#9 Machine Learning Specialization [Course 1, Week 1, Lesson 3])

specific

recognize

multiple

straight

#第9回機械学習専門【コース1 第1週第3課 (#9 Machine Learning Specialization [Course 1, Week 1, Lesson 3])