GPUの理解とディープラーニング

CUDAの仕掛けをアレコレと理解，そんな試みをしている，という状態．結局，Cを使って性能評価をしっかり確認できるくらいの力量って大切，そんなことかと．

Jetson Nanoで遊んでいる，という師走の日々なの．

トランジスタ技術，2019年9月号を手に入れて，アレコレとお勉強，そんなことでもあって，詳しく解説して戴いて助かる，という思い．余りに自分がNVIDIAのGPUのこと知らな過ぎて・・・．

ディープラーニングだけど，計算の実装手段と捉えて，ベイズ推論のアルゴリムを組むのに巧みにココイラを使う，そんなことが必要で・・・．

そう言えば，恩師の教えでは，機械であっても電子に強く，ということだったかと．そうそう，元々は機械なの，それと制御もで．正確には舶用が付くけど．

テキストマイニング

アレコレと・・・．ココイラもビジネス・アナリティクスでは，何しろ重要．

AR,VR and Personalization

アプリケーションの創成だけど，ビジネス・アナリティクスと絡むことでもあって，ココイラのこともアレコレと・・・．それと，品質経営の範疇でしょうし．

AR,VR and Personalizationに関しては，この先，サービスの要になっていくでしょうし，やはり探求って大切．

そう言えば，CPU＆GPUを使ったコンピュータの展開だけど，ビジネスを大きく変えていく，ということになって，AR,VR and Personalizationのアプリケーション創成もさらに発展して・・・

経営数学およに経営統計学，そしてファイナンスのAI

ファイナンスにおける学習推論のアルゴリズムだけど，ココイラを身につけるには，経営数学と経営統計学を地道に積み上げるお勉強を続ける，ということって必須でしょうよ．あくまでも，経営の学生さん向けのやり口，となるけど．

だけど，ビジネス・アナリティクスとして，ということが前提なので，アナリストとしての力量も同時に必要，ということでしょうよ．

そう言えば，ウチの大学だけど，全体を俯瞰すると，計算科学およびその応用に関しては，今後の展開の勢いってもう止められない，そんなことでしょうよ．個人的には，ビジネス・アナリティクスの基盤を大切にする，そんなことでもあって・・・．要は，ビジネス・スクールにおける位置づけを・・・．

IoTによるサービス品質のマネジメント技法，および機械学習

ビジネス・アナリティクス絡みのアルゴリズム開発だけど，ビジネスそのものの発展でもあって，かつハードのイノベーションも促す，そんなことに．

エッジとクラウドを使ったIoTに基づく製品信頼性のモニタリングのアタリて，サービスとしての品質向上が要でもあって，かつビジネスを創る，そんなことでのデザイン構成って必須でしょうよ．

この分野って社会安全の基盤にもなるし，CSVでもあって・・・．

品質・信頼性・安全性だけど，何しろ新しい概念で全体をまとめ直して様々な企業さまにご理解戴く，ということが個人的な使命かと．

情報数理物理とビジネス

横断的に展開する情報産業だけど，より高度な情報知能のアルゴリズムを開発し続ける，そんなことって必須でしょうよ．

ビジネスが基盤，そんなこともこの先ずっと崩れないこと，という気がしているの．

情報科学系とビジネスの融合って，何しろ重要で・・・．

そう言えば，信頼性・保全性絡みのエンジニアリングだけど，情報知能やデータサイエンスと融合して経営実績の向上に繋げる，というのって，実は経営の理論も必要なの．機械学習の適用だけじゃない，ということでもあって・・・．

個人的には，ディープラーニングのエッジ処理の開発を・・・．それと，ビジネスモデルおよび戦略も考究して・・・．

機械学習への興味，そして自習

データサイエンスおよび機械学習なんだけど，学部の学生さんからのご質問，そんなことがあって，アレコレと余計なことも言いつつ，回答させて戴いた，そんなこと．

Pythonの自習をされている，ということのようで，自分で調べながら取り組まれている，ということかと．コンピュータ関連だけど，結局，独りでも学べる，そんな素養がまずは必要でしょうよ．もちろん，たった独りで全てを理解するのって無理でしょうけど，やはり下地の才能が無いと・・・．

先行き，データと自動化でビジネスが大きく変化する，ということって間違った見通しでなく，多くの方々が変化を感じている，そんなことかと．経営の学部の学生さんだけど，兆しを読み取って，きっちり能力を伸ばす，ということを自身で意識して行っている，ということでしょうよ．

新たなビジネスを創成できる，そんなことに繋がって欲しい，という期待を捨てずに，やはりこの分野の教育を続けていくのって大切でしょうよ．

極値分布

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・・・．

スパース性

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・・・．

固有値，固有ベクトル

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・・・．