しっかり基本を押さえて・・・．
データサイエンティストだけど，統計学と確率論をしっかり理解している，ということって前提でしょうよ．だけど，基礎から積み上げるのって膨大で・・・．
とりあえず，推定のことを扱うのにスパース性を考える，というのって機械学習では大切でしょうよ．
だけど，推定で制約を入れるというのって，個人的には経験ベイズとの関わりで考える，という捉え方でもあって・・・．統計学の推定論では基本の理論とも絡むので，掘り下げて理解を整理しないと，ちょっと気持ちが落ち着かない，そんなこと．
ココイラのお勉強を含めて，スパース性の理論をきっちり押さえないと巷にある妙な解説みたいな理解になってしまって・・・．
そう言えば，数理統計学の推定論のことを丁寧に解説している，例の竹村先生のご著書だけど，新装改訂版が出たみたいで・・・．創文社から出でいた「現代数理統計学」のことで，院生の頃は懸命に・・・．
企業の方々にちょこっと教えさせて戴いた，ということをしたのだけど，やはり使っている理論のエッセンスをきっちり理解して戴くのが良いかと思い，固有値と固有ベクトルを導いて計算に使うことを説明，ということに．
ただし，最適化とラグランジュ未定乗数法のことを省いたので，厳密ではなくて，逆にこのことが気になって・・・．
データサイエンスおよび機械学習で使う線形代数をきっちり教えたい，そんなことを感じていて・・・．だけど，最適化とは表裏のようでもあって・・・．
経済・経営系だけど，同定と予測ってやはり重要で，要はモデル創成に基づくビジネス・アナリティクスおよびシミュレーション，そんなこと．
だけど，経済・経営系の現象が絶え間なく変化を続ける，ということを考えると，機械学習を使うことが有用で，ココイラの方法論そのものを創り出す，そんなことから積み上げて・・・．
もちろん，モデリングできるセンスの良さって必須で，ココイラって非凡さも必要，ということでしょうよ．