Alfredo Canziani

Softer Perceptron의 경사 하강법 학습 원리와 이진 교차 엔트로피에서 소프트맥스로 이어지는 다중 클래스 분류 메커니즘이 핵심이다.

퍼셉트론의 가중치를 최적화하기 위해 손실 함수의 기울기를 따라가는 경사 하강법의 기본 개념을 설명합니다.

NYU 2025년 딥러닝 강의의 첫 시간으로, 인공지능의 역사와 딥러닝을 구성하는 데이터, 아키텍처, 손실 함수의 핵심 원리를 다룬다.

퍼셉트론의 한계를 극복하기 위해 로지스틱 시그모이드를 도입하고, 이진 분류를 위한 이진 교차 엔트로피 손실 함수를 수학적으로 유도한다.

NYU의 딥러닝 연구 강의로, 강의 운영 방식과 1943년 McCulloch-Pitts 뉴런의 논리적 구조 및 수학적 모델을 다룹니다.

Perceptron 모델에 Bias를 도입하는 방법과 수렴 조건을 수학적으로 증명하고, 다중 클래스 확장을 위한 가중치 업데이트 메커니즘을 다룹니다.

이진 퍼셉트론의 결정론적 한계를 극복하기 위해 로지스틱 시그모이드 함수를 도입하여 확률적 분류 모델을 구축하고, 최대 우도 추정(MLE)을 통해 최적의 파라미터를 찾는 과정을 수학적으로 증명합니다.