Supervised learning algorithm will input a data set and then what exactly does it do and what does it output?

教師あり学習アルゴリズムはデータセットを入力し、それから具体的に何を行い、何を出力するのか？

Let's find out in this video.

このビデオで確かめてみよう。

Recall that a training set in supervised learning includes both the input features such as the size of the holes, and also the output targets such as the price of the holes.

教師あり学習における訓練セットには、穴の大きさなどの入力特徴と、穴の値段などの出力目標の両方が含まれることを思い出してほしい。

The output targets are the right answers that the model will learn from.

出力目標は、モデルが学習する正しい答えである。

To train the model, you feed the training set, both the input features and the output targets to your learning algorithm.

モデルを訓練するには、訓練セット、入力特徴と出力ターゲットの両方を学習アルゴリズムに与える。

Then your supervised learning algorithm will produce some function.

そして、教師あり学習アルゴリズムは、ある関数を生成する。

We'll write this function as lowercase f, where f stands for function.

この関数を小文字のfと書くことにする。fは関数を意味する。

Historically, this function used to be called a hypothesis, but I'm just going to call it a function f in this class.

歴史的には、この関数は仮説と呼ばれてきたが、このクラスでは単に関数fと呼ぶことにする。

The job of f is to take a new input x and output an estimate or prediction, which I'm going to call y-hat, and is written like the variable y, with this little hat symbol on top.

fの仕事は、新たな入力xを受け取り、推定値または予測値を出力することで、これをy-hatと呼ぶことにする。

In machine learning, the convention is that y-hat is the estimate or the prediction for y.

機械学習では、y-hatはyの推定値または予測値であるという慣例がある。

The function f is called the model. x is called the input or the input feature, and the output of the model is the prediction y-hat.

関数fをモデルと呼び、xを入力または入力特徴量と呼び、モデルの出力を予測値y-hatと呼ぶ。

The model's prediction is the estimated value of y.

モデルの予測値はyの推定値である。

When the symbol is just a letter y, then that refers to the target, which is the actual true value in the training set.

記号が単なる文字yの場合、それはターゲットを指し、トレーニングセットにおける実際の真の値である。

In contrast, y-hat is an estimate.

一方、y-hatは推定値である。

It may or may not be the actual true value.

それは実際の真の値かもしれないし、そうでないかもしれない。

Well, if you're helping your client to sell their house, well, the true price of the house is unknown until they sell it.

まあ、もしあなたがクライアントの家を売る手伝いをしているのなら、家の本当の値段は売るまでわからない。

So your model f, given the size, outputs a price which is the estimated, that is the prediction of what the true price will be.

つまり、あなたのモデルfは、サイズが与えられれば、推定価格、つまり本当の価格がどうなるかを予測した価格を出力する。

Now, when we design a learning algorithm, a key question is, how are we going to represent the function f?

さて、学習アルゴリズムを設計する際に重要なのは、関数fをどのように表現するかということだ。

Or in other words, what is the math formula we're going to use to compute f?

言い換えれば、fを計算するのに使う数式は何なのか？

For now, let's stick with f being a straight line.

とりあえず、fが直線であることにこだわってみよう。

So your function can be written as f subscript w comma b of x equals, I'm going to use w times x plus b.

つまり、あなたの関数は、fの添え字wとxのコンマbが等しいと書くことができる。

I'll define w and b soon, but for now, just know that w and b are numbers, and the values chosen for w and b will determine the prediction y-hat based on the input feature x.

wとbはすぐに定義するが、今はwとbが数値であり、wとbに選択された値が、入力特徴xに基づく予測値y-hatを決定するということだけ知っておいてほしい。

So this f w b of x means f is a function that takes x's input, and depending on the values of w and b, f will output some value of a prediction y-hat.

つまり、このxのf w bは、fがxを入力とする関数であり、wとbの値によって、fはある予測値y-hatを出力することを意味する。

As an alternative to writing this f w comma b of x, I'll sometimes just write f of x without explicitly including w and b in the subscript.

x の f w コンマ b と書く代わりに、w と b を明示的に添え字に含めずに x の f と書くこともある。

It's just a simpler notation, but means exactly the same thing as f w b of x.

よりシンプルな表記になっただけで、xのf w bとまったく同じ意味である。

Let's plot the training set on the graph, where the input feature x is on the horizontal axis, and the output target y is on the vertical axis.

横軸を入力特徴x、縦軸を出力対象yとして、トレーニングセットをグラフにプロットしてみよう。

Remember, the algorithm learns from this data and generates a best fit line, like maybe this one here.

アルゴリズムはこのデータから学習し、このようにベストフィットの線を生成する。

This straight line is the linear function f w b of x equals w times x plus b.

この直線は、xの一次関数f w bイコールw×x＋bである。

Or more simply, we can drop w and b and just write f of x equals wx plus b.

もっと簡単に言えば、wとbを捨てて、xのfはwxにbを足したものに等しいと書くこともできる。

Here's what this function is doing.

この関数がやっていることはこうだ。

It's making predictions for the value of y using a straight line function of x.

xの直線関数を使ってyの値を予測するのだ。

So you may ask, why are we choosing a linear function where linear function is just a fancy term for a straight line, instead of some non-linear function like a curve or a parabola?

では、なぜ曲線や放物線のような非線形の関数ではなく、一次関数（一次関数とは直線を意味する洒落た言葉に過ぎない）を選ぶのか？

Well, sometimes you want to fit more complex non-linear functions as well, like a curve like this.

まあ、もっと複雑な非線形関数、たとえばこんな曲線をフィッティングしたい場合もあるだろう。

But since this linear function is relatively simple and easy to work with, let's use a line as a foundation that will eventually help you to get to more complex models that are non-linear.

しかし、この一次関数は比較的単純で扱いやすいので、最終的には非線形のより複雑なモデルへの助けとなる基礎として線を使おう。

This particular model has a name.

この特別なモデルには名前がある。

It's called linear regression.

線形回帰と呼ばれるものだ。

More specifically, this is linear regression with one variable, where the phrase one variable means that there's a single input variable or feature x, namely the size of the house.

より具体的には、これは1変数による線形回帰であり、1変数という表現は、1つの入力変数または特徴x、すなわち家の大きさがあることを意味する。

Another name for a linear model with one input variable is univariate linear regression, where uni means one in Latin and where variate means variable.

1つの入力変数を持つ線形モデルのもう1つの名前は、univariate linear regressionで、uniはラテン語で1つ、variateは変数を意味する。

So univariate is just a fancy way of saying one variable.

つまり、一変量というのは、単に1つの変数という意味の洒落た言い方なのだ。

In a later video, you'll also see a variation of regression where you want to make a prediction based not just on the size of a house, but on a bunch of other things that you may know about the house, such as the number of bedrooms and other features.

後のビデオでは、家の大きさだけでなく、寝室の数やその他の特徴など、その家について知っている他の多くの事柄に基づいて予測を行う回帰のバリエーションも紹介します。

And by the way, when you're done with this video, there is another optional lab.

ところで、このビデオを見終わったら、もうひとつオプションのラボがある。

You don't need to write any code.

コードを書く必要はない。

Just review it, run the code, and see what it does.

ただ、それを見直し、コードを実行し、それが何をするのかを見るだけでいい。

That will show you how to define in Python a straight line function.

これはPythonで直線関数を定義する方法を示している。

And the lab will let you choose the values of W and B to try to fit the training data.

このラボでは、WとBの値を選択し、トレーニングデータに適合させることができる。

You don't have to do the lab if you don't want to, but I hope you play with it when you're done watching this video.

やりたくなければラボをやる必要はないが、このビデオを見終わったらぜひ遊んでみてほしい。

So that's linear regression.

これが線形回帰だ。

In order for you to make this work, one of the most important things you have to do is construct a cost function.

これを実現するために、最も重要なことのひとつは、コスト関数を構築することだ。

The idea of a cost function is one of the most universal and important ideas in machine learning and is used in both linear regression and in training many of the most advanced AI models in the world.

コスト関数の考え方は、機械学習において最も普遍的で重要な考え方のひとつであり、線形回帰や、世界で最も先進的なAIモデルの多くをトレーニングする際に使用されている。

So let's go on to the next video and take a look at how you can construct a cost function.

それでは次のビデオで、コスト関数の作り方を見てみよう。