딥러닝은 처음 보면 낯선 용어들의 숲처럼 느껴집니다. 가중치, 손실 함수, 경사하강법, 역전파, CNN, RNN, Attention, Transformer, LLM까지—각각은 들어본 적 있어도 하나의 길로 이어지지 않으면 금세 막막해집니다. 이 책은 그 길을 처음부터 끝까지 차근차근 연결해 줍니다.
출발점은 아주 작습니다. 입력이 들어오고, 가중치와 편향을 거쳐 예측이 만들어지고, 손실을 계산한 뒤, 역전파와 경사하강법으로 모델이 조금씩 고쳐지는 과정에서 시작합니다. 이 단순한 반복을 이해하면 딥러닝은 더 이상 검은 상자가 아니라 '예측하고, 틀리고, 고치는' 학습 가능한 계산 구조로 보이기 시작합니다.
이 책은 개념 설명에 머물지 않습니다. NumPy로 작은 신경망을 직접 따라가고, PyTorch의 텐서와 자동 미분, 데이터로더, 학습 루프를 익힌 뒤, MLP·CNN·RNN·텍스트 분류·임베딩 모델을 만들어 봅니다. 이어서 과적합, 드롭아웃, 배치 정규화, 하이퍼파라미터 튜닝, GPU 활용, 모델 디버깅까지 실전에서 꼭 필요한 감각을 다집니다.
마지막에는 RNN의 한계에서 Attention이 왜 등장했는지, Self-Attention이 문맥을 어떻게 계산하는지, Transformer 블록이 어떤 부품으로 구성되는지 살펴봅니다. 그리고 그 위에 LLM이 어떻게 세워지는지 큰 그림을 정리합니다. 이 책을 덮을 때쯤이면 독자는 신경망의 작은 계산과 거대한 언어 모델 사이에 놓인 다리를 자신의 언어로 설명할 수 있게 될 것입니다.
