Zbjarja e Gradientit Stokastik (SGD)
Mësimi Stokastik i Gradientit (SGD) është një algoritëm përsëritës optimizimi i rendit të parë, rrënjosur në kuadrin e përafërt stokastik të prezantuar nga Robbins dhe Monro në 1951, i cili minimizon një funksion objektiv duke përditësuar parametrat e modelit duke përdorur gradientin e llogaritur në një shembull të vetëm trajnimi të zgjedhur rastësisht (ose një mini-batch i vogël) në çdo hap. Ai është motori kryesor i optimizimit pas mësimit modern të makinerive dhe thellësisë, duke mundësuar trajnimin e modeleve në grupe të dhënash shumë të mëdha për t'u përshtatur në memorie.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/sq/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.
- Regresioni logjistikStatistika e hulumtimit↔ compare
- Pylli i RastësishëmMësimi i makinës↔ compare
- XGBoostMësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →