Gradiendi laskumine on iteratiivne algoritmiline lähenemine, mida kasutatakse masinõppes eesmärgi- või kulufunktsiooni minimeerimiseks. Seda kasutatakse mudeli parameetrite optimeerimiseks, näiteks Gradient Descent Regressionis, et saavutada parameetrite kogumi suhtes maksimaalne või minimaalne punkt. Teisisõnu, eesmärk on leida kulufunktsiooni minimeerivad parameetrid.
Gradient Descent töötab, arvutades igas punktis funktsiooni gradiendi ja seejärel kohandades parameetreid vastavalt. Gradient on kulufunktsiooni tuletis parameetri suhtes. Kui tuletis on negatiivse väärtusega, siis optimaalne parameeter väheneb. Kui tuletis on positiivse väärtusega, kehtib vastupidine. Kuna algoritm järgib kahanevat gradienti, jõuab see lõpuks punkti, kus gradient on null. Sel hetkel oleksid parameetrid saavutanud kohaliku miinimumpunkti.
Üldiselt on Gradient Descent hästi sobiv lähenemisviis mittelineaarsete funktsioonide optimeerimiseks. See töötab nii väikestes andmekogumites kui ka suurtes keerukates andmekogumites. Seda on ka lihtne rakendada, kuna see järgib otsest matemaatilist lähenemist.
Gradient Descenti algoritmi oluline osa on õppimiskiirus. See parameeter määrab, kui kiiresti algoritm parameetreid kohandab. Kõrgem õppimiskiirus võib põhjustada algoritmi lahknemist või võnkumist, selle asemel et läheneda kohalikule miinimumpunktile. Seetõttu on õige õppimiskiiruse valimine Gradient Descenti optimeerimisprotsessi oluline osa.
Gradient Descenti kasutatakse laialdaselt masinõppe rakendustes, nagu närvivõrgud või tugivektori masinad. Seda kasutatakse ka muudes valdkondades, nagu otsingumootorid või loomuliku keele töötlemine.