Trajectory ML 01: 観測から隠れた状態へ
細胞分化とキャラクター会話を共通の問いで学ぶ。観測、状態、経路、動力学、結果を区別し、12講共通の合成実験を始める。
Machine Learning
Trajectory ML 09: 状態が次に動く方向を学ぶ
観測ペアからベクトル場を推定し、1ステップ予測と経路全体の予測の違いを検証する。
Trajectory ML 10: 最適輸送で集団の移動を考える
周辺分布の制約を満たす輸送計画を求め、個体追跡との違いとSinkhorn正則化の役割を理解する。
Trajectory ML 11: 連続ダイナミクスとFlow Matching
Neural ODE、SDE、Flow Matchingをつなぎ、生成経路と実際の時間発展を区別する。
Trajectory ML 12: 帰結の予測、生存分析、因果推論
打ち切りを扱い、初期状態から結末を予測し、予測上の関連と介入の効果を区別する。
K-means, GMM, EM：クラスタリングの三重マトリョーシカ
K-meansは実はGMMの極端なケースであり、GMMはEMアルゴリズムの代表的な応用である。三つがどのように一つのフレームワークで繋がるのか、そして情報幾何学がこの関係をどう説明するのかを直感的に解説する。
情報幾何学：AIはどのように「最も効率的に」学ぶのか
ニュートンのF=maが物理世界を説明するように、情報幾何学はAIの学習過程を説明します。初心者向けの直感的な解説。