Stochastic Gradient Descent (SGD)
Stochastic Gradient Descent (SGD) je iterativni optimizacijski algoritam prve vrste, ukorijenjen u okviru stohastičke aproksimacije koju su uveli Robbins i Monro 1951. godine, a koji minimizira ciljnu funkciju ažuriranjem parametara modela pomoću gradijenta izračunatog na pojedinačnom, slučajno odabranom podatku za treniranje (ili maloj mini-grupi) u svakom koraku. To je ključni optimizacijski mehanizam modernog strojnog učenja i dubokog učenja, koji omogućuje treniranje modela na skupovima podataka prevelikim da stanu u memoriju.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/hr/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.
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →