Στοχαστική Κάθοδος Κλίσης (SGD)
Η Στοχαστική Κάθοδος Κλίσης (SGD) είναι ένας αλγόριθμος επαναληπτικής βελτιστοποίησης πρώτης τάξης, ριζωμένος στο πλαίσιο της στοχαστικής προσέγγισης που εισήχθη από τους Robbins και Monro το 1951, ο οποίος ελαχιστοποιεί μια συνάρτηση στόχο ενημερώνοντας τις παραμέτρους του μοντέλου χρησιμοποιώντας την κλίση που υπολογίζεται σε ένα μόνο τυχαία επιλεγμένο παράδειγμα εκπαίδευσης (ή ένα μικρό μίνι-παρτίδα) σε κάθε βήμα. Είναι ο πυρήνας της μηχανικής μάθησης και της βαθιάς μάθησης, επιτρέποντας την εκπαίδευση μοντέλων σε σύνολα δεδομένων πολύ μεγάλα για να χωρέσουν στη μνήμη.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/el/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.
- Λογιστική ΠαλινδρόμησηΕρευνητική Στατιστική↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →