Trajectory ML 01: 관측값에서 숨은 상태로
세포 분화와 캐릭터 대화를 하나의 질문으로 연결한다. 관측, 상태, 경로, 동역학, 결과를 구분하고 12강 동안 사용할 합성 데이터의 실험 원칙을 세운다.
Trajectory ML
Trajectory ML 02: PCA로 만드는 첫 번째 잠재 공간
분산을 최대화하는 관점과 복원 오차를 최소화하는 관점에서 PCA를 유도하고, 공분산 고유벡터와 SVD를 연결해 평가 세션에서 압축을 검증한다.
Trajectory ML 03: Autoencoder와 VAE, 좋은 상태란 무엇인가
PCA, 오토인코더, VAE를 같은 데이터에 학습시킨다. ELBO와 재매개변수화를 이해하고, 복원을 잘하는 것과 의미 있는 상태를 찾는 것을 구분한다.
Trajectory ML 04: 이웃에서 시작하는 매니폴드 학습
Swiss roll에서 직선 거리와 곡면 거리를 구분하고, kNN 그래프와 Isomap, UMAP을 연결한다. 보기 좋은 지도와 검증된 시간축의 차이를 배운다.
Trajectory ML 12: 최종 결과, 생존분석, 인과추론
오른쪽 검열을 다루고, 경로의 앞부분만으로 결과를 예측하며, 무작위 처치의 효과를 추정한다. 예측에 실패한 실험도 숨기지 않고 읽는 마지막 강의.
Trajectory ML 5강: Diffusion Map과 Spectral Geometry
가까운 이웃으로 만든 랜덤 워크의 느린 움직임을 이용해 데이터 전체의 구조를 찾는다.
Trajectory ML 6강: Clustering과 Community로 상태 구분하기
거리 기반 군집과 그래프 커뮤니티를 비교하고, 발견한 집단을 상태로 해석할 때 필요한 증거를 배운다.
Trajectory ML 7강: 점에서 경로와 Branch 복원하기
MST baseline에서 principal curve와 PAGA까지 연결하고, pseudotime이 측정하는 것과 측정하지 못하는 것을 구분한다.
Trajectory ML 8강: Markov Model에서 HMM과 State Space Model까지
실제 관측 순서로 전이를 추정하고, 불확실한 숨은 상태를 복원하며, filtering과 smoothing을 구분한다.
Trajectory ML: 12강 안내와 공통 실습
고차원 관측에서 숨은 상태와 경로를 복원하는 12강. PCA에서 Flow Matching, 생존분석과 인과추론까지 하나의 합성 데이터로 연결한다.