Descens de Gradient Estocàstic (SGD)
El Descens de Gradient Estocàstic (SGD) és un algorisme iteratiu d'optimització de primer ordre, arrelat en el marc d'aproximació estocàstica introduït per Robbins i Monro el 1951, que minimitza una funció objectiu actualitzant els paràmetres del model utilitzant el gradient calculat sobre un únic exemple d'entrenament seleccionat aleatòriament (o un petit mini-batch) a cada pas. És el motor d'optimització central darrere de l'aprenentatge automàtic i l'aprenentatge profund moderns, permetent l'entrenament de models en conjunts de dades massa grans per cabre en memòria.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/ca/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.
- Regressió LogísticaEstadística per a la recerca↔ compare
- Random ForestAprenentatge automàtic↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →