[제시문]
눈은 살아 있다. / 떨어진 눈은 살아 있다. / 마당 위에 떨어진 눈은 살아 있다.

기침을 하자. / 젊은 시인이여 기침을 하자. / 눈 위에 대고 기침을 하자. / 눈더러 보라고 마음 놓고 마음 놓고 / 기침을 하자.

눈은 살아 있다. / 죽음을 잊어버린 영혼과 육체를 위하여 / 눈은 새벽이 지나도록 살아 있다.

기침을 하자. / 젊은 시인이여 기침을 하자. / 눈을 바라보며 / 밤새도록 고인 가슴의 가래라도 / 마음껏 뱉자.

[제시문]
이 몸 삼기실 제 님을 조차 삼기시니, 한ᄉᆡᆼ 연분(緣分)이며 하ᄂᆞᆯ 모ᄅᆞᆯ 일이런가.
나 ᄒᆞ나 ᄌᆞᆯ마 잇고 님 ᄒᆞ나 날 괴시니, 이 ᄆᆞᄋᆞᆷ 이 ᄉᆞ랑 견졸 ᄃᆡ 노여 업다.
평ᄉᆡᆼ(平生)애 원(願)ᄒᆞ요ᄃᆡ ᄒᆞᆫᄃᆡ 녜쟈 ᄒᆞ얏더니, 늘거야 므ᄉᆞ 일로 외오 두고 그리ᄂᆞᆫ고.
엊그제 님을 뫼셔 광한뎐(廣寒殿)의 올낫더니, 그 더ᄃᆡ 엇디ᄒᆞ야 하계(下界)의 ᄂᆞ려오니...

[제시문]
계약은 당사자 간의 대립하는 의사표시의 합치(청약과 승낙)에 의해 유효하게 성립하며, 계약이 성립하면 일방은 급부를 이행할 채무를, 상대방은 이를 청구할 채권이라는 법적 구속력을 갖게 된다. 그러나 채무자가 정당한 이유 없이 계약의 내용에 따른 급부를 실현하지 않는 경우를 '채무불이행'이라 부른다. 민법상 채무불이행은 크게 세 가지 유형으로 구분된다. 첫째, 채무의 이행기가 도래했음에도 이행이 가능함에도 채무자의 귀책사유로 지체하는 '이행지체'이다. 둘째, 채권 성립 후 채무자의 고의나 과실로 인해 급부의 실현이 물리적 또는 사회통념상 영구히 불가능해진 '이행불능'이다. 셋째, 이행 행위는 있었으나 급부의 내용에 결함이 있거나 불완전한 '불완전이행'이다.

채무불이행이 발생하면 채권자는 강제이행 청구뿐만 아니라 계약의 구속력에서 벗어나기 위해 '계약해제권'을 행사할 수 있다. 계약해제권은 당사자의 약정에 의해 유보되는 '약정해제권'과 법률의 규정에 의해 당연히 발생하는 '법정해제권'으로 나뉜다. 이행지체의 경우 채권자는 상당한 기간을 정하여 이행을 '최고(催告, 독촉)'한 후 그 기간 내에 불이행이 지속되어야 비로소 해제권이 발생한다. 반면 이행불능의 경우에는 이행의 독촉이 무의미하므로 채권자는 최고 없이 곧바로 계약을 해제할 수 있다.

해제권은 권리자의 일방적인 의사표시만으로 계약 관계를 소급하여 소멸시키는 '형성권(形成權)'의 일종이다. 따라서 상대방의 동의나 승낙을 필요로 하지 않으며, 해제의 의사표시가 상대방에게 도달하는 즉시 효력이 발생한다. 계약이 해제되면 양 당사자는 계약 체결 이전의 상태로 되돌려야 하는 '원상회복의무'를 부담하게 되며, 이는 부당이득 반환의 성질을 갖되 반환 범위가 이익의 현존 여부를 불문하고 받은 이익 전부에 이자를 가산하여 반환해야 한다. 또한 민법은 계약의 해제와 손해배상의 청구가 양립할 수 있음을 규정하여, 채권자는 계약을 해제하여 원상회복을 청구하는 동시에 채무불이행으로 입은 손해에 대한 배상을 병과하여 청구할 수 있도록 두터운 법적 보호를 부여하고 있다.

[제시문]
인공신경망(Artificial Neural Network)은 다수의 인공 뉴런들이 시냅스 가중치(Weight)로 연결된 층(Layer)을 이루어 복잡한 입력 데이터를 추상화하는 기계학습 모델이다. 신경망의 학습 과정은 입력 데이터를 받아 각 층의 가중치와 편향을 곱하고 활성화 함수를 통과시켜 예측값을 산출하는 '순전파(Forward Propagation)'로부터 출발한다. 출력층에서 계산된 예측값은 실제 정답과의 차이를 나타내는 '손실 함수(Loss Function)'를 통해 오차값으로 수치화된다. 회귀 문제에서는 평균제곱오차(MSE)가, 분류 문제에서는 교차 엔트로피(Cross Entropy)가 주로 활용된다. 학습의 궁극적 목표는 이 손실 함수의 값을 최소화하는 가중치 벡터의 최적점을 찾는 것이다.

이를 해결하는 핵심 최적화 알고리즘이 '경사하강법(Gradient Descent)'이다. 다변수 함수인 손실 함수에서 각 가중치에 대한 편미분값들로 구성된 벡터를 '그래디언트(Gradient, 기울기)'라 부른다. 수학적으로 그래디언트 벡터는 함수값이 가장 가파르게 증가하는 방향을 가리키므로, 그 반대 방향(-Gradient)으로 가중치를 조금씩 갱신하면 손실 함수의 최솟값에 도달할 수 있다. 이때 한 번에 이동하는 보폭의 크기를 조절하는 하이퍼파라미터를 '학습률(Learning Rate, $\eta$)'이라 한다.

기존의 '배치 경사하강법(BGD)'은 전체 학습 데이터를 모두 검토한 후 평균 기울기를 계산하므로 안정적이지만, 빅데이터 환경에서는 연산 비용이 막대하고 국소 최솟값(Local Minimum)이나 기울기가 0인 안장점(Saddle Point)에 갇히면 학습이 영구히 정체되는 치명적 한계를 지닌다. 이를 극복하기 위해 제안된 것이 '확률적 경사하강법(SGD, Stochastic Gradient Descent)'이다. SGD는 매 반복마다 전체 데이터 대신 무작위로 추출한 1개의 표본(또는 미니배치)만을 사용하여 기울기를 추정하고 가중치를 즉시 갱신한다. 이로 인해 손실 함수 공간에서 진동(Fluctuation)과 불규칙한 요동이 발생하지만, 바로 이 무작위 요동 덕분에 국소 최솟값이나 평탄한 안장점의 함정에서 튕겨 나와 더 우수한 전역 최솟값(Global Minimum)으로 탈출할 수 있는 강력한 탐색 동역학을 획득하게 된다.