الانحدار التدرجي العشوائي (SGD)
الانحدار التدرجي العشوائي (SGD) هو خوارزمية تحسين تكرارية من الرتبة الأولى، متجذرة في إطار التقريب العشوائي الذي قدمه روبنز ومونرو عام 1951، وتهدف إلى تقليل دالة الهدف عن طريق تحديث معلمات النموذج باستخدام التدرج المحسوب على مثال تدريب واحد مختار عشوائيًا (أو دفعة صغيرة) في كل خطوة. إنه محرك التحسين الأساسي وراء التعلم الآلي الحديث والتعلم العميق، مما يتيح تدريب النماذج على مجموعات بيانات كبيرة جدًا بحيث لا تتسع في الذاكرة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Robbins, H. & Monro, S. (1951). A Stochastic Approximation Method. The Annals of Mathematical Statistics, 22(3), 400–407. DOI: 10.1214/aoms/1177729586 ↗
- Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning (Ch. 8). MIT Press. ISBN: 978-0-262-03561-3
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/ar/machine-learning/stochastic-gradient-descent
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- الانحدار اللوجستيإحصاء البحث↔ compare
- الغابات العشوائيةتعلم الآلة↔ compare
- XGBoostتعلم الآلة↔ compare