Chapter 36. 1차 미분 행렬: 야코비안(Jacobian) 행렬의 벡터 공간 변환 Chapter 36. 1차 미분 행렬: 야코비안(Jacobian) 행렬의 벡터 공간 변환 36.1벡터 값 함수(Vector-Valued Function)의 정의와 표기법 36.2벡터 값 함수의 편미분과 성분별(Component-wise) 미분 36.3야코비안 행렬(Jacobian Matrix)의 형식적 정의 36.4야코비안 행렬의 차원 구조: 입력 차원과 출력 차원의 관계 36.5야코비안 행렬의 기하학적 해석: 국소 선형 근사(Local Linear Approximation) 36.6야코비안 행렬과 전미분(Total Derivative)의 동치성 36.7야코비안 행렬을 통한 접선 공간(Tangent Space) 매핑 36.8스칼라 함수의 야코비안: 기울기 벡터(Gradient)의 전치와의 관계 36.9선형 변환의 야코비안: 변환 행렬 자체와의 동치성 36.10아핀 변환(Affine Transformation)의 야코비안 계산 36.11원소별 함수(Element-wise Function)의 야코비안: 대각 행렬 구조 36.12합성함수의 야코비안: 연쇄 법칙에 의한 행렬 곱셈 36.13다중 합성의 야코비안: 행렬 곱의 연쇄적 전개 36.14야코비안 행렬식(Jacobian Determinant)의 정의와 부피 변환 해석 36.15야코비안 행렬식의 부호와 방향 보존/역전의 기하학적 의미 36.16좌표 변환(Coordinate Transformation)에서의 야코비안 행렬의 역할 36.17극좌표 변환의 야코비안 계산과 적분 변수 치환 36.18다변수 적분에서의 야코비안 행렬식에 의한 미소 체적 요소 변환 36.19역함수 정리(Inverse Function Theorem)와 야코비안의 가역성 조건 36.20음함수 정리(Implicit Function Theorem)와 야코비안의 적용 36.21야코비안 행렬의 특이값과 국소적 팽창/수축률 분석 36.22야코비안 행렬의 조건수(Condition Number)와 수치적 민감도 36.23신경망 층(Layer)의 야코비안: 가중치, 편향, 활성화 함수의 미분 36.24완전 연결 층(Fully Connected Layer)의 야코비안 행렬 유도 36.25활성화 함수(Activation Function)의 야코비안: ReLU, Sigmoid, Tanh 36.26소프트맥스(Softmax) 함수의 야코비안 행렬 계산 36.27배치 정규화(Batch Normalization) 층의 야코비안 유도 36.28합성곱 층(Convolutional Layer)의 야코비안 구조와 희소성 36.29역전파에서의 야코비안 전치(Jacobian Transpose)의 역할 36.30야코비안-벡터 곱(Jacobian-Vector Product, JVP)의 정의와 전방향 모드 36.31벡터-야코비안 곱(Vector-Jacobian Product, VJP)의 정의와 역방향 모드 36.32JVP와 VJP의 계산 비용 비교와 딥러닝에서의 VJP 선호 이유 36.33야코비안 행렬의 명시적 구성 없이 곱을 계산하는 효율적 기법 36.34야코비안 스펙트럼 분석과 기울기 폭발/소실 문제의 수학적 진단 36.35야코비안의 특이값 정규화와 신경망 학습 안정화 전략 36.36피셔 정보 행렬(Fisher Information Matrix)과 야코비안의 관계 36.37자연 기울기(Natural Gradient)와 야코비안 기반 매개변수 공간 기하학 36.38야코비안 행렬의 이론적 의의와 현대 딥러닝 최적화에서의 활용 전망