Discesa del Gradiente Stocastico (SGD)
La Discesa del Gradiente Stocastico (SGD) è un algoritmo iterativo di ottimizzazione del primo ordine, radicato nel quadro dell'approssimazione stocastica introdotto da Robbins e Monro nel 1951, che minimizza una funzione obiettivo aggiornando i parametri del modello utilizzando il gradiente calcolato su un singolo esempio di addestramento selezionato casualmente (o un piccolo mini-batch) ad ogni passo. È il motore di ottimizzazione centrale dietro il machine learning moderno e il deep learning, consentendo l'addestramento di modelli su dataset troppo grandi per essere contenuti nella memoria.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/it/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.
- Regressione LogisticaStatistica per la ricerca↔ compare
- Random ForestApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →