그냥 말 그대로 일을 할때는 e가 어떤 컨텍스트에서 나온지 알필요가 없다는거임


e를 \lim_{x\to \infty} (1+1/x)^x 로 정의하는지

\sum_{i=1}^\infty \frac{1}{n!} 가 성립하는지 알필요가 없다고

진짜 끽해봐야 glm 돌리고 있어서 logistic regression하면 coefficient가 logit에 대한 거라서 해석할때 조심해야된다 정도겠지


mle도 마찬가지임 수업에서야 log likelihood 열심히 계산하고 미분해보고 convex인지 확인해보고 하겠지

통계이론이든 수통이든 결국엔 마지막에 하는게 mle의 consistency랑 asymptotic normality 증명이기도 하고

근데 사실 일을 할때는 mle인지 least square estimator인지 걔네의 이론적인 성질이 뭔지가 생각보다 덜 중요하다고

걍 mle를 썼더니 퍼포먼스가 어떻게 되고 glm을 썼더니 퍼포먼스가 어떻게 됐다까지가 끝이지

이게 canonical 링크라 어쩌구가 안중요함 걍 어떻게든 결과가 나왔고 퍼포먼스가 좋은면 장땡이지


나도 대기업은 아니지만 이 분야 사람들은 이름 무조건 들어봤을 회사에 잠깐 있는데
뭐 존나 큰 회사는 뭐가 다를지 모르겠는데 

아예 raw data 밑바닥부터는 아니어도 어느정도 데이터 전처리도 해야되고, 

model evaluation하고 visualization해서 문과생들이랑 커뮤니케이션하는게 일의 큰 부분중 하나인데

이런거 할때는 수학적 지식을 쓸일은 엥간하면 잘 없음 걍 문제해결 능력이지


이론공부가 잘 쓰일수 있는건 예를 들어서 ml context에서 모델이 어떻게 바뀌면 mle를 쓰고 싶으면 loss가 어떻게 바껴야하는지 이런거 계산할때 쓰는거지

다른쪽에 포커스를 두고 있는 사람들은 저런걸 알 필요는 없다고


뭐 '진짜 데이터 사이언티스트'는 그런거 안하고 수학적 모델링해야죠~ 라고 말하면 나도 어느정도는 공감하는데 

그냥 여기서 데싸라고 하고 월급 말도 안되게 받는 사람들이 애초에 저런 지식을 잘 안쓴다고 ㅋㅋ 내가 본 현실은 그럼


그리고 당연히 그렇다고 통계 전공인데 이런걸 몰라도 된다고 하는게 아님 통계/수학 전공인데 e가 뭔지 모르면 당연히 그 말 듣자마자 탈락이지

강한 통계 백그라운드가 장점이 되는것도 맞아서 당연히 데싸 취업하고 싶으면 공부하는게 유리한건 맞는데 

강한 코딩 백그라운드나 특정업계 경력처럼 걍 장점이지 필요조건은 아닌거 같다고 말하고 싶었음