IA y Machine Learning · revisado en julio de 2026
Descenso de gradiente
El descenso de gradiente (gradient descent) es un algoritmo de optimización que ajusta iterativamente los parámetros de un modelo en la dirección que más reduce su error, calculada a partir del gradiente (la pendiente) de una función de pérdida. Es el motor detrás del entrenamiento de la mayoría de los modelos de machine learning y redes neuronales.
Preguntas frecuentes
¿Qué es la tasa de aprendizaje?
Es el tamaño del paso que da el algoritmo en cada iteración. Una tasa muy alta puede hacer que el algoritmo se pase del mínimo y no converja; una muy baja hace que el entrenamiento sea innecesariamente lento.
¿Qué es el descenso de gradiente estocástico?
Es una variante que actualiza los parámetros usando solo un lote pequeño de datos (o un solo ejemplo) en cada paso, en lugar del conjunto de datos completo, lo que lo hace mucho más rápido en datasets grandes.
¿El descenso de gradiente siempre encuentra la mejor solución posible?
No siempre. Puede quedar atrapado en un mínimo local en funciones de pérdida complejas, aunque en la práctica, para muchos modelos, encuentra soluciones suficientemente buenas.