目標

  • scikit-learnを用いて、MLに関する基本的な操作ができるようになる。データセットは既存のものを用いてもいい
  • 次に、データセットを独自で用意するかカスタマイズした上で同様の操作を行えるようになる
  • これらの学習を通して、MLの概観について改めて（ある程度エンジニアリングに素養がある人に対して）話せるレベルで理解する
  • ついでに英語力も高まるとなおよし

まずは公式ないし公式を元にしたものから記事収集

手順

https://www.jetbrains.com/ja-jp/dataspell/

こちらのIDEの早期アクセスを使ってJupyter Notebook上で動かしてみる。早期アクセスが終わったら、VSCを使うか課金する。これらのNotebookはGitHubに置いておく。

チュートリアル和訳＆コーディング

https://scikit-learn.org/stable/tutorial/basic/tutorial.html

Machine learning: the problem setting¶

機械学習：問題の設定

In general, a learning problem considers a set of n samples of data and then tries to predict properties of unknown data. If each sample is more than a single number and, for instance, a multi-dimensional entry (aka multivariate data), it is said to have several attributes or features.

一般的に学習問題は、n個のサンプルデータの集合を考え、未知のデータの特性を予測しようとするものです。各サンプルが単一の数値以上で、例えば多次元の項目（別名：多変量データ）であれば、いくつかの属性や特徴を持っていると言われます。

entryを項目って訳すんですね。multivariate dataという単語は覚えておいて損なさそう。2文目はIf節が長くて訳しにくかったが、SVを意識して読むとわかりやすいかも。1文目はand thenが間にあるので、スムーズに前から訳して良いパターンでした。

Learning problems fall into a few categories:

学習問題はいくつかのカテゴリーに分類されます。

fall intoって分類されるという意味なのか。勉強になる。

supervised learning, in which the data comes with additional attributes that we want to predict (Click here to go to the scikit-learn supervised learning page).This problem can be either:

教師付き学習では、データに予測したい属性が付加されています（ここをクリックすると、scikit-learnの教師付き学習のページに移動します）。

教師あり学習のほうが有名な和訳だが、DeepLなのでしかたない。脳内で読み替えていこう

classification: samples belong to two or more classes and we want to learn from already labeled data how to predict the class of unlabeled data. An example of a classification problem would be handwritten digit recognition, in which the aim is to assign each input vector to one of a finite number of discrete categories. Another way to think of classification is as a discrete (as opposed to continuous) form of supervised learning where one has a limited number of categories and for each of the n samples provided, one is to try to label them with the correct category or class.

自分の和訳：サンプルが2つ以上のクラスに属していて、すでにラベルを振ってあるデータからどうやってまだラベルの無いデータを予測するか学びたいとき。たとえば手書きの数字認識が分類問題の一例です。その目的はそれぞれの入力を有限の離散したカテゴリに割り当てることです。他に分類問題について考える方法は、有限個数のカテゴリとそれぞれにN個のサンプルが当てられたものと、もう一方に正しいカテゴリやクラスをラベルとしてあてがうことを教師あり学習することです。

分類：サンプルが2つ以上のクラスに属し、すでにラベル付けされたデータから、ラベル付けされていないデータのクラスを予測する方法を学習したい場合。分類問題の例としては、手書きの数字の認識があります。この問題では、各入力ベクトルを有限個の離散的なカテゴリーの1つに割り当てることが目的です。分類問題を別の方法で考えると、（連続的ではなく）離散的な形態の教師付き学習で、限られた数のカテゴリーがあり、与えられたn個のサンプルのそれぞれについて、正しいカテゴリーまたはクラスにラベル付けしようとするものです。

ちょっと文法がダメすぎるというか、長い文章になると主語述語が読み取れなくて辛い。学びなおしかなぁ

regression: if the desired output consists of one or more continuous variables, then the task is called regression. An example of a regression problem would be the prediction of the length of a salmon as a function of its age and weight.

自分の和訳：回帰：望んでいる出力が一つまたはそれ以上の連続した値で構成されている場合、そのタスクを回帰と呼びます。回帰問題の一例として、鮭の年齢と重さからその長さを予想する問題があります。

回帰：目的の出力が1つ以上の連続変数で構成されている場合、その作業は回帰と呼ばれます。回帰問題の例としては、サケの体長を年齢と体重の関数として予測することが挙げられる。

unsupervised learning, in which the training data consists of a set of input vectors x without any corresponding target values. The goal in such problems may be to discover groups of similar examples within the data, where it is called clustering, or to determine the distribution of data within the input space, known as density estimation, or to project the data from a high-dimensional space down to two or three dimensions for the purpose of visualization (Click here to go to the Scikit-Learn unsupervised learning page).

教師なし学習：このような問題では、学習データが、対応する目標値のない入力ベクトルxのセットで構成されています。このような問題の目的は，データの中から類似した例のグループを発見すること（クラスタリングと呼ばれます），入力空間内のデータの分布を決定すること（密度推定と呼ばれます），データを高次元空間から2次元または3次元に投影して可視化することなどがあります（ここをクリックすると，Scikit-Learnの教師なし学習のページが表示されます）．