Stochastický gradientní sestup (SGD)
Stochastický gradientní sestup (SGD) je iterační optimalizační algoritmus prvního řádu, zakořeněný ve rámci stochastické aproximace zavedené Robbinsem a Monroem v roce 1951, který minimalizuje účelovou funkci aktualizací parametrů modelu pomocí gradientu vypočítaného na jednom náhodně vybraném trénovacím příkladu (nebo malé mini-dávce) v každém kroku. Je to hlavní optimalizační motor moderního strojového učení a hlubokého učení, který umožňuje trénování modelů na datových sadách příliš velkých na to, aby se vešly do paměti.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/cs/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.
- Logistická regreseStatistika ve výzkumu↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →