স্টোকাস্টিক গ্রেডিয়েন্ট ডিসেন্ট (SGD)
স্টোকাস্টিক গ্রেডিয়েন্ট ডিসেন্ট (SGD) হলো একটি প্রথম-ক্রমের পুনরাবৃত্তিমূলক অপ্টিমাইজেশন অ্যালগরিদম, যা ১৯৫১ সালে রবিন্স এবং মনরো কর্তৃক প্রবর্তিত স্টোকাস্টিক অ্যাপ্রক্সিমেশন কাঠামোর উপর ভিত্তি করে তৈরি। এটি প্রতিটি ধাপে একটি এলোমেলোভাবে নির্বাচিত প্রশিক্ষণ উদাহরণ (বা একটি ছোট মিনি-ব্যাচ) থেকে প্রাপ্ত গ্রেডিয়েন্টের সাহায্যে মডেল প্যারামিটার আপডেট করে একটি উদ্দেশ্য ফাংশন (objective function) হ্রাস করে। এটি আধুনিক মেশিন লার্নিং এবং ডিপ লার্নিংয়ের মূল অপ্টিমাইজেশন ইঞ্জিন, যা মেমরিতে ধারণ করার চেয়ে বড় ডেটাসেটের উপর মডেল প্রশিক্ষণ সক্ষম করে।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
উৎস
- 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
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/bn/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.
- লজিস্টিক রিগ্রেশনগবেষণা পরিসংখ্যান↔ compare
- Random Forestযন্ত্র শিখন↔ compare
- XGBoostযন্ত্র শিখন↔ compare
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →