版权声明：本文为博主原创文章，未经博主同意不得转载。
https://blog.csdn.net/peghoty/article/details/28329603
在机器学习中，模型的训练是一个非常重要的过程，它一般是对一个目标函数进行优化。从而获取模型的參数。比較常见的优化算法包含梯度下降法、牛顿法与拟牛顿法等。但在大数据的背景下。尤其对于并行实现来说。优化算法一般是越简单越好，如坐标下降法（CD）和随机梯度下降法（SCG）就比較受欢迎。
本文是阅读完论文 Distributed Coordinate Descent Method for Learning with Big Data 后的一则笔记。主要介绍算法 Hydra （一种分布式坐标下降法）的算法框架、收敛性理论、參数选取和并行实现细节。
作者: peghoty
出处: http://blog.csdn.net/itplus/article/details/28329603
欢迎转载/分享, 但请务必声明文章出处.