살아낸 자의 솔직한 소회 - 세이노의 가르침

솔직해서 너무 좋았다. 뭐랄까, 삶에 대해서 전체적으로 조망하지 않고, 흐리멍텅한 말투로 "현재의 나"가 계속 지속될 것처럼 말하는 사람이나 말투가 너무 싫었다. 그런 측면에서 저자인 세이노님은 정치적인 부분은 차치하고 나서라도 마음에 와닿는 부분이 참 많았다. 오히려 내가 부끄러운 부분이 너무 많았다.

부자가 되려면 미래 방정식에 지금의 처지를 대입하면 절대, 절대, 절대, 절대 안 된다.

책에 군데군데 남겨져있는 그의 어렸을 적 모습을 보면 그는 여기까지 올라오는데 있어 상당한 고생을 겪었을 것으로 보인다. 하지만 동시에 뭐랄까 이빨 단단히 물고 헤쳐나가는 모습도 함께 보였다. 다른 것보다 돈에 솔직한 태도가 너무 좋았다. 돈을 추앙하는 그런 게 아니라, 삶을 헤쳐나가기 위한 본질적인 욕망을 인정하고 이를 위해서 다양한 경험을 받아들이는 그의 태도는 내 복잡한 생각을 단숨에 뚫고 가 정리해 주었다.

당신에게는 업계에 친구가 많다고? 적이 없다고? 그것을 자랑하지 말라. 그것은 곧 모든 사람들이 당신을 대단치 않게 여긴다는 뜻일 수도 있고, 경쟁 대상도 안 되는 만만한 사람이라는 뜻일 수도 있다. 내가 어느 직원을 “사람 하나는 좋다”고 말한다면 그가 일은 지독히 못한다는 뜻이다.

그리고 위에 대한 내용은 특히 많이 찔렸다. 항상 삶에서 사람은 오직 스승과 선생만이 존재한 뿐이고, 회복탄력성을 제일로 가졌던 나에게, 이러한 모습들이 최종적으로 도달해야 하는 부분, 그리고 망각한 부분이었던 "삶은 또 하나의 전쟁터"를 상기시켜주면서 한 아이의 아버지로 살아가야 하는 입장을 다시 한 번 인지하도록 해주었다.

은 크게 세 개의 파트로 나눠져있다.

  1. 아무것도 가진 게 없다고 느껴질 때
  2. 부자로 가는 길목에서
  3. 삶의 전반에 조언이 필요할 때

은 한 번에 읽기보다는 두고두고 조금씩 읽으면 좋을 것같다. 신수정 KT 부사장님이 쓰신  통찰의 시간처럼 다양한 생각을 그 때 그 때 고민하면서 남겨놓은 글이기 때문이다. 그래서인지 한 편 한 편에서 다시 한 번 내 삶에서 짚어볼 만한 내용이 가득하였다.

최근에 함께하는 독서모임에서 웰씽킹이라는 책을 읽은 적이 있다. 제목과 표지를 보았을 때 리디셀렉트로 돈을 거의 내지 않고 본 것이 얼마나 감사했는지 모른다. 책의 저자 분을 뭐라고 한다기 보다는, 너무 이상적인 모습을 저자에게 하나의 신념을 심어주듯이 강요해서 실제 힘든 삶의 모습이 잘 드러나지 않아서 가식적으로 보이기도 했었다. 그에 반해서 이 책은 너무 신랄하게 이야기하고 있어서 뭐랄까 중화작용이 발생해서 더 재미있게 읽은 것같다.

이제 남은 것은 실행 뿐이다.

Read more

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P- Value * Bayesian P-Value는 **모델의 적합도(goodness-of-fit)**를 평가하는 데 사용됩니다. * 사후 분포(posterior distribution)를 이용하여 실제 데이터와 모델이 생성한 예상 데이터를 비교함으로써, 관측된 데이터가 모델에 의해 얼마나 잘 설명되는지를 평가합니다. * 빈도주의 p-값은 "관찰된 데이터보다 극단적인 데이터가 나올 확률"을 계산하지만, Bayesian P-Value는 "모델이 실제

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non Identifiability * Non-Identifiability는 주어진 데이터와 모델에 대해 특정 파라미터를 고유하게 식별할 수 없는 상황을 의미합니다. 즉, 여러 파라미터 값들이 동일한 데이터를 생성할 수 있으며, 이로 인해 특정 파라미터 값을 확정적으로 추정하기 어렵게 됩니다. * 베이지안 추론에서 Non-Identifiability는 사후 분포가 특정 파라미터 값에 대해 명확하게 수렴하지 않고, 여러 값들에 대해 비슷한 확률을

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram * 히스토그램의 변형으로 데이터가 비정규적이거나 큰 분산을 가지는 경우, 정확한 분포를 파악하기 위해 사용됩니다. * 일반적으로 히스토그램은 데이터의 빈도를 직접적으로 나타내기 때문에, 큰 값이 빈번하게 발생하는 경우 상대적으로 작은 값을 잘 드러내지 못하는 경향이 있습니다. 반면, Rootgram은 빈도를 제곱근 형태로 변환하여, 데이터 분포의 차이를 더 잘 시각화할 수 있도록 돕습니다 * 여기서