Stochastický gradientný zostup (SGD)
Stochastický gradientný zostup (SGD) je iteračný optimalizačný algoritmus prvého rádu, zakorenený v rámci stochastickej aproximácie, ktorú v roku 1951 zaviedli Robbins a Monro. Minimalizuje účelovú funkciu aktualizáciou parametrov modelu pomocou gradientu vypočítaného na jednom náhodne vybranom trénovacom príklade (alebo malom mini-dávke) v každom kroku. Je to kľúčový optimalizačný mechanizmus v pozadí moderného strojového učenia a hlbokého učenia, ktorý umožňuje trénovanie modelov na dátových súboroch príliš veľkých na to, aby sa zmestili do pamäte.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Ako citovať túto stránku
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/sk/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.
- Logistická regresiaŠtatistika vo výskume↔ compare
- Náhodný lesStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →