Registro de evidência do método

Stochastic Gradient Descent

Stochastic Gradient Descent (SGD) is a first-order iterative optimization algorithm, rooted in the stochastic approximation framework introduced by Robbins and Monro in 1951, that minimizes an objective function by updating model parameters using the gradient computed on a single randomly selected training example (or a small mini-batch) at each step. It is the core optimization engine behind modern machine learning and deep learning, enabling the training of models on datasets too large to fit in memory.

Sources recorded, not reviewed

Registro de origem

Citações copiadas literalmente do registro de origem do método. Nenhuma verificação em nível de alegação é inferida delas.

Stochastic Gradient Descent (SGD) Optimization Algorithm

Registro de método taxonômico · ml-model / machine-learning

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

Abrir método completo

Alegações curadas

Alegações persistidas no livro-razão de evidências, cada uma com sua própria avaliação.

Ainda não há alegações curadas

Esta visualização não inventa uma avaliação de alegação quando o livro-razão não a possui.

Métodos relacionados

Gerado a partir do grafo de métodos e mostrado como relações sugeridas por máquina — nenhuma alegação de evidência é inferida.