ol-openedx-course-translations 0.1.0__py3-none-any.whl → 0.3.0__py3-none-any.whl

ol_openedx_course_translations/glossaries/machine_learning/es.txt

@@ -0,0 +1,175 @@
+# ES HINTS
+## TERM MAPPINGS
+These are preferred terminology choices for this language. Use them whenever they sound natural; adapt freely if context requires.
+
+- 'accuracy' -> 'exactitud'
+- 'activation function' -> 'función de activación'
+- 'artificial intelligence' -> 'inteligencia artificial'
+- 'AUC' -> 'AUC'
+- 'AUC (Area under the ROC curve)' -> 'AUC (área bajo la curva ROC)'
+- 'backpropagation' -> 'propagación inversa'
+- 'batch' -> 'lote'
+- 'batch size' -> 'tamaño del lote'
+- 'bias (ethics/fairness)' -> 'sesgo (ética/equidad)'
+- 'bias (math) or bias term' -> 'ordenada al origen (matemática) o término de sesgo'
+- 'bias in ethics and fairness' -> 'sesgo en ética y equidad'
+- 'bias term' -> 'término de sesgo'
+- 'binary classification' -> 'Clasificación binaria'
+- 'bucketing' -> 'Agrupamiento'
+- 'categorical' -> 'categórico'
+- 'categorical data' -> 'datos categóricos'
+- 'class' -> 'clase'
+- 'class-imbalanced dataset' -> 'conjunto de datos con desequilibrio de clases'
+- 'class-imbalanced datasets' -> 'conjuntos de datos con desequilibrio de clases'
+- 'classification' -> 'clasificación'
+- 'classification model' -> 'modelo de clasificación'
+- 'classification threshold' -> 'umbral de clasificación'
+- 'classifier' -> 'clasificador'
+- 'clipping' -> 'recorte'
+- 'confusion matrix' -> 'matriz de confusión'
+- 'continuous feature' -> 'atributo continuo'
+- 'convergence' -> 'convergencia'
+- 'data set or dataset' -> 'conjunto de datos (data set o dataset)'
+- 'DataFrame' -> 'DataFrame'
+- 'dataset' -> 'conjunto de datos'
+- 'deep learning' -> 'aprendizaje profundo'
+- 'deep model' -> 'modelo profundo'
+- 'dense feature' -> 'atributo denso'
+- 'depth' -> 'depth'
+- 'discrete feature' -> 'atributo discreto'
+- 'discrete features' -> 'atributos discretos'
+- 'dynamic' -> 'dinámico'
+- 'dynamic model' -> 'modelo dinámico'
+- 'early stopping' -> 'Interrupción anticipada'
+- 'embedding layer' -> 'Capa de embedding'
+- 'embedding layers' -> 'capas de incorporación'
+- 'epoch' -> 'época'
+- 'example' -> 'ejemplo'
+- 'false negative (FN)' -> 'falso negativo (FN)'
+- 'false negatives' -> 'falsos negativos'
+- 'false positive (FP)' -> 'Falso positivo (FP)'
+- 'false positive rate' -> 'tasa de falsos positivos'
+- 'false positive rate (FPR)' -> 'tasa de falsos positivos (FPR)'
+- 'false positives' -> 'falsos positivos'
+- 'feature' -> 'función'
+- 'feature cross' -> 'combinación de atributos'
+- 'feature crosses' -> 'combinaciones de atributos'
+- 'feature engineering' -> 'ingeniería de atributos.'
+- 'feature set' -> 'conjunto de atributos'
+- 'feature vector' -> 'vector de atributos'
+- 'feedback loop' -> 'ciclo de retroalimentación'
+- 'generalization' -> 'generalización'
+- 'generalization curve' -> 'Curva de generalización'
+- 'gradient descent' -> 'descenso de gradientes'
+- 'ground truth' -> 'Verdad fundamental'
+- 'hidden layer' -> 'Capa oculta'
+- 'hidden layer(s)' -> 'capas ocultas'
+- 'hyperparameter' -> 'hiperparámetro'
+- 'independently and identically distributed (i.i.d)' -> 'independiente e idénticamente distribuido (i.i.d.)'
+- 'inference' -> 'Inferencia'
+- 'input layer' -> 'capa de entrada'
+- 'interpretability' -> 'interpretabilidad'
+- 'iteration' -> 'iteración'
+- 'L0regularization' -> 'Regularización L0'
+- 'L1loss' -> 'pérdida L1'
+- 'L1regularization' -> 'regularización L1'
+- 'L2loss' -> 'pérdida L2'
+- 'L2regularization' -> 'regularización L2'
+- 'label' -> 'etiqueta'
+- 'labeled example' -> 'ejemplo etiquetado'
+- 'lambda' -> 'lambda'
+- 'layer' -> 'oculta'
+- 'learning rate' -> 'Tasa de aprendizaje'
+- 'linear' -> 'linear'
+- 'linear model' -> 'modelo lineal'
+- 'linear models' -> 'modelos lineales'
+- 'linear regression' -> 'regresión lineal'
+- 'Log Loss' -> 'pérdida logística'
+- 'log-odds' -> 'Logaritmo de probabilidad'
+- 'logistic regression' -> 'regresión logística'
+- 'loss' -> 'pérdida'
+- 'loss curve' -> 'Curva de pérdida'
+- 'loss function' -> 'función de pérdida'
+- 'machine learning' -> 'aprendizaje automático'
+- 'majority class' -> 'clase mayoritaria'
+- 'mini-batch' -> 'minilote'
+- 'minority class' -> 'clase minoritaria'
+- 'model' -> 'modelo'
+- 'multi-class classification' -> 'clasificación de clases múltiples'
+- 'negative class' -> 'clase negativa'
+- 'negative classes' -> 'clases negativas'
+- 'neural network' -> 'neuronal prealimentada'
+- 'neural networks' -> 'redes neuronales'
+- 'neuron' -> 'neurona'
+- 'node (neural network)' -> 'nodo (red neuronal)'
+- 'nonlinear' -> 'no lineal'
+- 'nonstationarity' -> 'no estacionariedad'
+- 'normalization' -> 'Normalización'
+- 'numerical data' -> 'datos numéricos'
+- 'offline' -> 'Sin conexión'
+- 'offline inference' -> 'inferencia sin conexión'
+- 'one-hot encoding' -> 'codificación one-hot'
+- 'one-hot vector' -> 'vector de un solo 1'
+- 'one-vs.-all' -> 'uno frente a todos'
+- 'online' -> 'en línea'
+- 'online inference' -> 'inferencia en línea'
+- 'output layer' -> 'capa de salida'
+- 'output layers' -> 'capas de salida'
+- 'overfitting' -> 'sobreajuste'
+- 'pandas' -> 'pandas'
+- 'parameter' -> 'parámetro'
+- 'positive class' -> 'clase positiva'
+- 'positive classes' -> 'clases positivas'
+- 'post-processing' -> 'posprocesamiento'
+- 'precision' -> 'precision'
+- 'prediction' -> 'predicción'
+- 'proxy labels' -> 'etiquetas de proxy'
+- 'RAG' -> 'RAG'
+- 'rater' -> 'evaluador'
+- 'recall' -> 'recall'
+- 'Rectified Linear Unit (ReLU)' -> 'Unidad lineal rectificada (ReLU)'
+- 'regression model' -> 'modelo de regresión'
+- 'regularization' -> 'regularización'
+- 'regularization rate' -> 'tasa de regularización'
+- 'ReLU' -> 'ReLU'
+- 'retrieval-augmented generation' -> 'generación aumentada por recuperación'
+- 'retrieval-augmented generation (RAG)' -> 'Generación mejorada por recuperación (RAG)'
+- 'ROC (receiver operating characteristic) Curve' -> 'Curva ROC (característica operativa del receptor)'
+- 'ROC curve' -> 'curva ROC'
+- 'Root Mean Squared Error (RMSE)' -> 'Raíz cuadrada del error cuadrático medio (RMSE)'
+- 'sigmoid function' -> 'función sigmoidea'
+- 'softmax' -> 'softmax'
+- 'sparse feature' -> 'atributo disperso'
+- 'sparse representation' -> 'representación dispersa'
+- 'sparse vector' -> 'vector disperso'
+- 'squared loss' -> 'Pérdida al cuadrado'
+- 'static' -> 'static'
+- 'static inference' -> 'Inferencia estática'
+- 'static model' -> 'modelo estático'
+- 'stationarity' -> 'Estacionariedad'
+- 'Stochastic Gradient Descent (SGD)' -> 'Descenso de gradientes estocástico (SGD)'
+- 'supervised learning' -> 'aprendizaje supervisado'
+- 'supervised machine learning' -> 'aprendizaje automático supervisado'
+- 'synthetic feature' -> 'atributo sintético'
+- 'synthetic features' -> 'atributos sintéticos'
+- 'test loss' -> 'Pérdida de prueba'
+- 'training' -> 'entrenamiento'
+- 'training loss' -> 'Pérdida de entrenamiento'
+- 'training set' -> 'conjunto de entrenamiento'
+- 'training-serving skew' -> 'Sesgo entre el entrenamiento y la entrega'
+- 'true negative (TN)' -> 'verdadero negativo (VN)'
+- 'true negatives' -> 'verdaderos negativos'
+- 'true positive (TP)' -> 'verdadero positivo (VP)'
+- 'true positive rate' -> 'tasa de verdaderos positivos'
+- 'true positive rate (TPR)' -> 'tasa de verdaderos positivos (TVP)'
+- 'true positives' -> 'verdaderos positivos'
+- 'underfitting' -> 'Subajuste'
+- 'unlabeled example' -> 'ejemplo sin etiqueta'
+- 'unsupervised machine learning' -> 'aprendizaje automático no supervisado'
+- 'validation' -> 'validación'
+- 'validation dataset' -> 'conjunto de datos de validación'
+- 'validation loss' -> 'Pérdida de validación'
+- 'validation set' -> 'conjunto de validación'
+- 'weight' -> 'peso'
+- 'weighted sum' -> 'suma ponderada'
+- 'Z-score normalization' -> 'normalización de la puntuación Z'

ol_openedx_course_translations/glossaries/machine_learning/fr.txt

@@ -0,0 +1,175 @@
+# FR HINTS
+## TERM MAPPINGS
+These are preferred terminology choices for this language. Use them whenever they sound natural; adapt freely if context requires.
+
+- 'accuracy' -> 'accuracy'
+- 'activation function' -> 'fonction d'activation'
+- 'artificial intelligence' -> 'intelligence artificielle'
+- 'AUC' -> 'AUC'
+- 'AUC (Area under the ROC curve)' -> 'AUC (aire sous la courbe ROC)'
+- 'backpropagation' -> 'rétropropagation'
+- 'batch' -> 'lot'
+- 'batch size' -> 'taille du lot'
+- 'bias (ethics/fairness)' -> 'biais (éthique/équité) (bias (ethics/fairness))'
+- 'bias (math) or bias term' -> 'biais (mathématiques) ou terme de biais'
+- 'bias in ethics and fairness' -> 'biais en matière d'éthique et d'équité'
+- 'bias term' -> 'biais'
+- 'binary classification' -> 'classification binaire'
+- 'bucketing' -> 'le binning'
+- 'categorical' -> 'catégorielle'
+- 'categorical data' -> 'données catégorielles'
+- 'class' -> 'classe'
+- 'class-imbalanced dataset' -> 'ensemble de données avec déséquilibre des classes'
+- 'class-imbalanced datasets' -> 'ensembles de données déséquilibrés en termes de classes'
+- 'classification' -> 'classification'
+- 'classification model' -> 'modèle de classification'
+- 'classification threshold' -> 'seuil de classification'
+- 'classifier' -> 'classificateur'
+- 'clipping' -> 'écrêtage'
+- 'confusion matrix' -> 'matrice de confusion'
+- 'continuous feature' -> 'caractéristique continue'
+- 'convergence' -> 'convergence'
+- 'data set or dataset' -> 'ensemble de données (data set ou dataset)'
+- 'DataFrame' -> 'DataFrame'
+- 'dataset' -> 'ensemble de données'
+- 'deep learning' -> 'deep learning'
+- 'deep model' -> 'modèle deep learning'
+- 'dense feature' -> 'caractéristique dense'
+- 'depth' -> 'profondeur'
+- 'discrete feature' -> 'caractéristique discrète'
+- 'discrete features' -> 'caractéristiques discrètes'
+- 'dynamic' -> 'dynamic'
+- 'dynamic model' -> 'modèle dynamique'
+- 'early stopping' -> 'arrêt prématuré'
+- 'embedding layer' -> 'couche d'embedding'
+- 'embedding layers' -> 'couches d'embedding'
+- 'epoch' -> 'epoch'
+- 'example' -> 'exemple'
+- 'false negative (FN)' -> 'Faux négatif (FN)'
+- 'false negatives' -> 'faux négatifs'
+- 'false positive (FP)' -> 'Faux positif (FP)'
+- 'false positive rate' -> 'taux de faux positifs'
+- 'false positive rate (FPR)' -> 'taux de faux positifs (TFP) (false positive rate (FPR))'
+- 'false positives' -> 'faux positifs'
+- 'feature' -> 'fonctionnalité'
+- 'feature cross' -> 'croisement de caractéristiques'
+- 'feature crosses' -> 'caractéristiques croisées'
+- 'feature engineering' -> 'l'ingénierie des caractéristiques.'
+- 'feature set' -> 'ensemble de fonctionnalités'
+- 'feature vector' -> 'vecteur de caractéristiques'
+- 'feedback loop' -> 'boucle de rétroaction'
+- 'generalization' -> 'généralisation'
+- 'generalization curve' -> 'courbe de généralisation'
+- 'gradient descent' -> 'descente de gradient'
+- 'ground truth' -> 'vérité terrain'
+- 'hidden layer' -> 'couche cachée'
+- 'hidden layer(s)' -> 'couches cachées'
+- 'hyperparameter' -> 'hyperparamètre'
+- 'independently and identically distributed (i.i.d)' -> 'variables indépendantes et identiquement distribuées (i.i.d)'
+- 'inference' -> 'inférence'
+- 'input layer' -> 'couche d'entrée'
+- 'interpretability' -> 'interprétabilité'
+- 'iteration' -> 'itération'
+- 'L0regularization' -> 'Régularisation L0'
+- 'L1loss' -> 'perte L1'
+- 'L1regularization' -> 'régularisationL1'
+- 'L2loss' -> 'perte L2'
+- 'L2regularization' -> 'régularisationL2'
+- 'label' -> 'étiquette'
+- 'labeled example' -> 'exemple étiqueté'
+- 'lambda' -> 'lambda'
+- 'layer' -> 'cachée)'
+- 'learning rate' -> 'taux d'apprentissage'
+- 'linear' -> 'linear'
+- 'linear model' -> 'modèle linéaire'
+- 'linear models' -> 'modèles linéaires'
+- 'linear regression' -> 'régression linéaire'
+- 'Log Loss' -> 'perte logistique'
+- 'log-odds' -> 'logarithme de cote'
+- 'logistic regression' -> 'régression logistique'
+- 'loss' -> 'perte'
+- 'loss curve' -> 'courbe de perte'
+- 'loss function' -> 'fonction de perte'
+- 'machine learning' -> 'machine learning'
+- 'majority class' -> 'classe majoritaire'
+- 'mini-batch' -> 'mini-lot'
+- 'minority class' -> 'classe minoritaire'
+- 'model' -> 'modèle'
+- 'multi-class classification' -> 'classification à classes multiples'
+- 'negative class' -> 'classe négative'
+- 'negative classes' -> 'classes négatives'
+- 'neural network' -> 'neurones feedforward'
+- 'neural networks' -> 'réseaux de neurones'
+- 'neuron' -> 'neurone'
+- 'node (neural network)' -> 'nœud (réseau de neurones)'
+- 'nonlinear' -> 'non linéaire'
+- 'nonstationarity' -> 'non-stationnarité'
+- 'normalization' -> 'normalisation'
+- 'numerical data' -> 'données numériques'
+- 'offline' -> 'Hors connexion'
+- 'offline inference' -> 'inférence hors connexion'
+- 'one-hot encoding' -> 'Encodage one-hot'
+- 'one-hot vector' -> 'vecteur one-hot'
+- 'one-vs.-all' -> 'un contre tous'
+- 'online' -> 'online'
+- 'online inference' -> 'inférence en ligne'
+- 'output layer' -> 'couche de sortie'
+- 'output layers' -> 'couches de sortie'
+- 'overfitting' -> 'surapprentissage'
+- 'pandas' -> 'pandas'
+- 'parameter' -> 'paramètre'
+- 'positive class' -> 'classe positive'
+- 'positive classes' -> 'classes positives'
+- 'post-processing' -> 'post-traitement'
+- 'precision' -> 'precision'
+- 'prediction' -> 'prédiction'
+- 'proxy labels' -> 'étiquettes de substitution'
+- 'RAG' -> 'RAG'
+- 'rater' -> 'évaluateur'
+- 'recall' -> 'recall (rappel)'
+- 'Rectified Linear Unit (ReLU)' -> 'Unité de rectification linéaire (ReLU)'
+- 'regression model' -> 'modèle de régression'
+- 'regularization' -> 'régularisation'
+- 'regularization rate' -> 'taux de régularisation'
+- 'ReLU' -> 'ReLU'
+- 'retrieval-augmented generation' -> 'génération augmentée par récupération'
+- 'retrieval-augmented generation (RAG)' -> 'génération augmentée par récupération (RAG)'
+- 'ROC (receiver operating characteristic) Curve' -> 'Courbe ROC (receiver operating characteristic)'
+- 'ROC curve' -> 'courbe ROC'
+- 'Root Mean Squared Error (RMSE)' -> 'la racine carrée de l'erreur quadratique moyenne (RMSE, Root Mean Squared Error)'
+- 'sigmoid function' -> 'fonction sigmoïde'
+- 'softmax' -> 'softmax'
+- 'sparse feature' -> 'caractéristique creuse'
+- 'sparse representation' -> 'représentation creuse'
+- 'sparse vector' -> 'vecteur creux'
+- 'squared loss' -> 'perte quadratique'
+- 'static' -> 'static'
+- 'static inference' -> 'inférence statique'
+- 'static model' -> 'modèle statique'
+- 'stationarity' -> 'stationnarité'
+- 'Stochastic Gradient Descent (SGD)' -> 'Descente de gradient stochastique (SGD, Stochastic Gradient Descent)'
+- 'supervised learning' -> 'apprentissage supervisé'
+- 'supervised machine learning' -> 'machine learning supervisé'
+- 'synthetic feature' -> 'caractéristique synthétique'
+- 'synthetic features' -> 'caractéristiques synthétiques'
+- 'test loss' -> 'perte de test'
+- 'training' -> 'entraînement'
+- 'training loss' -> 'perte d'entraînement'
+- 'training set' -> 'ensemble d'entraînement'
+- 'training-serving skew' -> 'décalage entraînement/mise en service'
+- 'true negative (TN)' -> 'vrai négatif (VN)'
+- 'true negatives' -> 'vrais négatifs'
+- 'true positive (TP)' -> 'vrai positif (VP)'
+- 'true positive rate' -> 'taux de vrais positifs'
+- 'true positive rate (TPR)' -> 'taux de vrais positifs (TVP)'
+- 'true positives' -> 'vrais positifs'
+- 'underfitting' -> 'sous-ajustement'
+- 'unlabeled example' -> 'exemple sans étiquette'
+- 'unsupervised machine learning' -> 'machine learning non supervisé'
+- 'validation' -> 'validation'
+- 'validation dataset' -> 'ensemble de données de validation'
+- 'validation loss' -> 'perte de validation'
+- 'validation set' -> 'ensemble de validation'
+- 'weight' -> 'weight'
+- 'weighted sum' -> 'Somme pondérée'
+- 'Z-score normalization' -> 'Normalisation du score Z'

ol_openedx_course_translations/glossaries/machine_learning/ja.txt

@@ -0,0 +1,175 @@
+# JA HINTS
+## TERM MAPPINGS
+These are preferred terminology choices for this language. Use them whenever they sound natural; adapt freely if context requires.
+
+- 'accuracy' -> 「accuracy」
+- 'activation function' -> 「活性化関数」
+- 'artificial intelligence' -> 「AI」
+- 'AUC' -> 「AUC」
+- 'AUC (Area under the ROC curve)' -> 「AUC（ROC 曲線の下の面積）」
+- 'backpropagation' -> 「バックプロパゲーション」
+- 'batch' -> 「Batch」
+- 'batch size' -> 「バッチサイズ」
+- 'bias (ethics/fairness)' -> 「バイアス（倫理/公平性）」
+- 'bias (math) or bias term' -> 「バイアス（数学）またはバイアス項」
+- 'bias in ethics and fairness' -> 「倫理と公平性のバイアス」
+- 'bias term' -> 「バイアス項」
+- 'binary classification' -> 「バイナリ分類」
+- 'bucketing' -> 「バケット化、」
+- 'categorical' -> 「カテゴリカル」
+- 'categorical data' -> 「カテゴリデータ」
+- 'class' -> 「クラス」
+- 'class-imbalanced dataset' -> 「クラスの不均衡なデータセット」
+- 'class-imbalanced datasets' -> 「クラス不均衡データセット」
+- 'classification' -> 「分類」
+- 'classification model' -> 「分類モデル」
+- 'classification threshold' -> 「分類しきい値」
+- 'classifier' -> 「分類器」
+- 'clipping' -> 「クリッピング」
+- 'confusion matrix' -> 「混同行列」
+- 'continuous feature' -> 「連続特徴」
+- 'convergence' -> 「収束」
+- 'data set or dataset' -> 「データセット」
+- 'DataFrame' -> 「DataFrame」
+- 'dataset' -> 「データセット」
+- 'deep learning' -> 「ディープ ラーニング」
+- 'deep model' -> 「ディープモデル」
+- 'dense feature' -> 「密な特徴」
+- 'depth' -> 「深さ」
+- 'discrete feature' -> 「離散特徴」
+- 'discrete features' -> 「離散特徴」
+- 'dynamic' -> 「動的」
+- 'dynamic model' -> 「動的モデル」
+- 'early stopping' -> 「早期停止」
+- 'embedding layer' -> 「エンベディング レイヤ」
+- 'embedding layers' -> 「エンベディング レイヤ」
+- 'epoch' -> 「エポック」
+- 'example' -> 「例」
+- 'false negative (FN)' -> 「偽陰性（FN）」
+- 'false negatives' -> 「偽陰性」
+- 'false positive (FP)' -> 「偽陽性（FP）」
+- 'false positive rate' -> 「偽陽性率」
+- 'false positive rate (FPR)' -> 「偽陽性率（FPR）」
+- 'false positives' -> 「偽陽性」
+- 'feature' -> 「機能」
+- 'feature cross' -> 「特徴クロス」
+- 'feature crosses' -> 「特徴交差」
+- 'feature engineering' -> 「２つのステップが含まれます」
+- 'feature set' -> 「機能セット」
+- 'feature vector' -> 「特徴ベクトル」
+- 'feedback loop' -> 「フィードバック ループ」
+- 'generalization' -> 「一般化」
+- 'generalization curve' -> 「汎化曲線」
+- 'gradient descent' -> 「勾配降下法」
+- 'ground truth' -> 「グラウンド トゥルース」
+- 'hidden layer' -> 「隠れ層」
+- 'hidden layer(s)' -> 「隠れ層」
+- 'hyperparameter' -> 「ハイパーパラメータ」
+- 'independently and identically distributed (i.i.d)' -> 「独立同分布（i.i.d）」
+- 'inference' -> 「推論」
+- 'input layer' -> 「入力レイヤ」
+- 'interpretability' -> 「解釈可能性」
+- 'iteration' -> 「繰り返し」
+- 'L0regularization' -> 「L0正規化」
+- 'L1loss' -> 「L1損失」
+- 'L1regularization' -> 「L1正則化」
+- 'L2loss' -> 「L2損失」
+- 'L2regularization' -> 「L2正則化」
+- 'label' -> 「ラベル」
+- 'labeled example' -> 「ラベル付きの例」
+- 'lambda' -> 「lambda」
+- 'layer' -> 「レイヤ」
+- 'learning rate' -> 「学習率」
+- 'linear' -> 「線形」
+- 'linear model' -> 「線形モデル」
+- 'linear models' -> 「線形モデル」
+- 'linear regression' -> 「線形回帰」
+- 'Log Loss' -> 「対数損失」
+- 'log-odds' -> 「対数オッズ」
+- 'logistic regression' -> 「ロジスティック回帰」
+- 'loss' -> 「損失」
+- 'loss curve' -> 「損失曲線」
+- 'loss function' -> 「損失関数」
+- 'machine learning' -> 「機械学習」
+- 'majority class' -> 「多数派クラス」
+- 'mini-batch' -> 「ミニバッチ」
+- 'minority class' -> 「少数派クラス」
+- 'model' -> 「モデル」
+- 'multi-class classification' -> 「マルチクラス分類」
+- 'negative class' -> 「陰性クラス」
+- 'negative classes' -> 「陰性クラス」
+- 'neural network' -> 「ニューラル ネットワークの」
+- 'neural networks' -> 「ニューラル ネットワーク」
+- 'neuron' -> 「ニューロン」
+- 'node (neural network)' -> 「ノード（ニューラル ネットワーク）」
+- 'nonlinear' -> 「非線形」
+- 'nonstationarity' -> 「非定常性」
+- 'normalization' -> 「正規化」
+- 'numerical data' -> 「数値データ」
+- 'offline' -> 「オフライン」
+- 'offline inference' -> 「オフライン推論」
+- 'one-hot encoding' -> 「ワンホット エンコード」
+- 'one-hot vector' -> 「ワンホット ベクトル」
+- 'one-vs.-all' -> 「1 対すべて」
+- 'online' -> 「オンライン」
+- 'online inference' -> 「オンライン推論」
+- 'output layer' -> 「出力レイヤ」
+- 'output layers' -> 「出力レイヤ」
+- 'overfitting' -> 「過学習」
+- 'pandas' -> 「pandas」
+- 'parameter' -> 「パラメータ」
+- 'positive class' -> 「陽性クラス」
+- 'positive classes' -> 「陽性クラス」
+- 'post-processing' -> 「後処理」
+- 'precision' -> 「precision」
+- 'prediction' -> 「予測」
+- 'proxy labels' -> 「プロキシラベル」
+- 'RAG' -> 「RAG」
+- 'rater' -> 「rater」
+- 'recall' -> 「recall」
+- 'Rectified Linear Unit (ReLU)' -> 「正規化線形ユニット（ReLU）」
+- 'regression model' -> 「回帰モデル」
+- 'regularization' -> 「正則化」
+- 'regularization rate' -> 「正則化率」
+- 'ReLU' -> 「ReLU」
+- 'retrieval-augmented generation' -> 「検索拡張生成」
+- 'retrieval-augmented generation (RAG)' -> 「検索拡張生成（RAG）」
+- 'ROC (receiver operating characteristic) Curve' -> 「ROC（受信者操作特性）曲線」
+- 'ROC curve' -> 「ROC 曲線」
+- 'Root Mean Squared Error (RMSE)' -> 「二乗平均平方根誤差（RMSE）」
+- 'sigmoid function' -> 「シグモイド関数」
+- 'softmax' -> 「Softmax」
+- 'sparse feature' -> 「スパース特徴」
+- 'sparse representation' -> 「スパース表現」
+- 'sparse vector' -> 「スパース ベクトル」
+- 'squared loss' -> 「二乗損失」
+- 'static' -> 「static」
+- 'static inference' -> 「静的推論」
+- 'static model' -> 「静的モデル」
+- 'stationarity' -> 「定常性」
+- 'Stochastic Gradient Descent (SGD)' -> 「確率的勾配降下法（SGD）」
+- 'supervised learning' -> 「教師あり学習」
+- 'supervised machine learning' -> 「教師あり機械学習」
+- 'synthetic feature' -> 「合成特徴」
+- 'synthetic features' -> 「合成特徴」
+- 'test loss' -> 「テスト損失」
+- 'training' -> 「トレーニング」
+- 'training loss' -> 「トレーニングの損失」
+- 'training set' -> 「トレーニング セット」
+- 'training-serving skew' -> 「トレーニング サービング スキュー」
+- 'true negative (TN)' -> 「真陰性（TN）」
+- 'true negatives' -> 「真陰性」
+- 'true positive (TP)' -> 「真陽性（TP）」
+- 'true positive rate' -> 「真陽性率」
+- 'true positive rate (TPR)' -> 「真陽性率（TPR）」
+- 'true positives' -> 「真陽性」
+- 'underfitting' -> 「アンダーフィット」
+- 'unlabeled example' -> 「ラベルのない例」
+- 'unsupervised machine learning' -> 「教師なし機械学習」
+- 'validation' -> 「検証」
+- 'validation dataset' -> 「検証データセット」
+- 'validation loss' -> 「検証損失」
+- 'validation set' -> 「検証セット」
+- 'weight' -> 「weight」
+- 'weighted sum' -> 「加重合計」
+- 'Z-score normalization' -> 「Z スコアの正規化」