Descrierea algoritmului de optimizare Gradient Descent Stocastic (SGD)
Gradient Descent Stocastic (SGD) este un algoritm iterativ de optimizare de prim ordin, înrădăcinat în cadrul de aproximare stocastică introdus de Robbins și Monro în 1951, care minimizează o funcție obiectiv prin actualizarea parametrilor modelului utilizând gradientul calculat pe un singur exemplu de antrenament selectat aleatoriu (sau un mini-lot mic) la fiecare pas. Este motorul principal de optimizare din spatele învățării automate moderne și a învățării profunde, permițând antrenarea modelelor pe seturi de date prea mari pentru a încăpea în memorie.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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
Cum se citează această pagină
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/ro/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.
- Regresia LogisticăStatistică pentru cercetare↔ compare
- Pădurea Aleatoare (Random Forest)Învățare automată↔ compare
- XGBoostÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →