---
id: OPT-GRAD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, [[Optimization|Optimization]], mathematics, gradient-descent, machine-learning]
last_reinforced: 2026-04-26
---

# Gradient Descent Foundations (경사 하강법 기초)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "어둠 속에서 지형의 기울기만을 느끼며 가장 낮은 골짜기를 향해 끈기 있게 내려가라" — 모델의 예측값과 실제값 사이의 오차(Loss)를 정의하고, 이 오차를 최소화하는 방향으로 파라미터를 점진적으로 수정해 나가는 인공지능 학습의 근본 알고리즘.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 목적 함수의 미분값(Gradient)이 가리키는 방향의 반대 방향으로 학습률(Learning Rate)만큼 파라미터를 업데이트하여, 오차라는 산맥의 최저점을 찾는 반복적 최적화 패턴.
- **핵심 요소:**
    - **Learning Rate ($\eta$):** 한 번에 얼마나 멀리 이동할지 결정. 너무 크면 발산하고, 너무 작으면 학습이 느림.
    - **Partial Derivative:** 각 파라미터가 오차에 미치는 영향력을 개별적으로 계산.
    - **Step:** 현재 위치에서 기울기가 가장 가파른 방향의 반대로 이동하는 한 단계의 연산.
- **주요 변형:**
    - **[[stochastic gradient descent|stochastic gradient descent]] (SGD):** 하나의 데이터만 보고 즉시 업데이트. 빠르지만 요동이 심함.
    - **Mini-batch SGD:** 적절한 묶음 데이터를 사용하여 속도와 안정성의 균형을 맞춤. 현대 딥러닝의 표준.
- **의의:** 복잡한 신경망의 수백만 개 파라미터를 학습시킬 수 있는 유일하고 실질적인 방법.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 기울기만 따라가던 방식에서, 이제는 관성(Momentum)과 가변 학습률(Adam, RMSProp)을 더해 훨씬 효율적으로 최저점을 찾는 방식으로 진화.
- [[Global-vs-Local-Optima|Global-vs-Local-Optima]] 문서와 연계하여, 지역 최적해의 함정을 피하는 것이 경사 하강법 운영의 핵심 기술임.

## 🔗 지식 연결 (Graph)
- [[Backpropagation|Backpropagation]], [[Global-vs-Local-Optima|Global-vs-Local-Optima]], [[Deep-Learning|Deep-Learning]]-Foundations, Mathematics-for-AI
- **Raw Source:** 10_Wiki/Topics/AI/Gradient-Descent.md