Mejorar la efectividad de los métodos de agrupación siempre ha sido de gran interés. Por lo tanto, inspirados por el éxito del enfoque de descenso de gradiente en el aprendizaje supervisado en la investigación actual, propusimos un método de agrupación efectivo utilizando el enfoque de descenso de gradiente. Como un dispositivo complementario para mejoras adicionales, implementamos nuestro método propuesto utilizando una biblioteca de diferenciación automática para facilitar a los usuarios la aplicación de cualquier función de distancia diferenciable. Validamos empíricamente y comparamos el rendimiento de nuestro método propuesto con cuatro métodos de agrupación populares y efectivos de la literatura en 11 conjuntos de datos del mundo real y 720 conjuntos de datos sintéticos. Nuestros experimentos demostraron que nuestro método propuesto es válido y, en la mayoría de los casos, es más efectivo que los competidores.