Aşağıdaki öğrenme materyallerine başlamadan önce şunları yapmalısınız:
HTML, CSS ve JavaScript kullanarak tarayıcı programlama konusunda rahat olun
Node.js betiklerini çalıştırmak için komut satırını kullanma konusunda bilgi sahibi olun
Bu müfredat aşağıdakileri yapmak isteyenler içindir:
JavaScript'te ML modelleri oluşturma
Mevcut modelleri Javascript'in çalışabileceği her yerde çalıştırın
ML modellerini web tarayıcılarına dağıtma
TensorFlow.js, JavaScript'te ML modelleri geliştirmenize veya yürütmenize ve ML'yi doğrudan tarayıcı istemci tarafında, Node.js aracılığıyla sunucu tarafında, React Native aracılığıyla mobil yerelde, Electron aracılığıyla masaüstü yerelinde ve hatta Node.js aracılığıyla IoT cihazlarında kullanmanıza olanak tanır. Raspberry Pi'de. TensorFlow.js ve onunla neler yapılabileceği hakkında daha fazla bilgi edinmek için Google I/O'daki bu konuşmaya göz atın.
1. Adım: Tarayıcıda makine öğrenimiyle tanışın
JavaScript'te makine öğreniminin temelleri hakkında hızlı bir giriş yapmak için Edx'te hızınızı kendiniz belirleyebileceğiniz kursa katılın veya sizi ilk ilkelerden, mevcut önceden hazırlanmış modelleri kullanmaya ve hatta sınıflandırma için kendi sinir ağınızı oluşturmaya yönlendiren aşağıdaki videoları izleyin. Bu kavramların etkileşimli bir açıklaması için JavaScript Codelab'de akıllı bir web kamerası yapın'ı da deneyebilirsiniz.
TensorFlow.js'yi kullanarak web ML ile sıfırdan kahramana geçin. İstemci tarafında çalışabilen ve neredeyse her cihazda kullanılabilen yeni nesil web uygulamalarını nasıl oluşturacağınızı öğrenin.
TensorFlow.js'nin önceden eğitilmiş modellerinden (COCO-SSD) birini nasıl yükleyeceğinizi ve kullanacağınızı öğrenin ve eğitim aldığı ortak nesneleri tanımak için onu nasıl kullanacağınızı öğrenin.
Sinir ağlarının nasıl çalıştığına dair daha derin bir anlayışa ve bunların farklı problemlere nasıl uygulanacağına dair daha geniş bir anlayışa sahip olmak için elimizde iki kitap var.
TensorFlow.js'yi öğrenmek, genel olarak Tensörler ve Makine Öğrenimi konusunda yeniyseniz ancak JavaScript konusunda iyi bir anlayışa sahipseniz başlamak için harika bir yerdir. Bu kitap sizi, verileri Tensörlere nasıl dönüştüreceğinizi anlamak gibi temel bilgilerden gerçek dünya uygulamalarına hızla ilerlemeye kadar tüm yol boyunca götürür. Okuduktan sonra mevcut modelleri nasıl yükleyeceğinizi, onlara nasıl veri aktaracağınızı ve ortaya çıkan verileri nasıl yorumlayacağınızı anlayacaksınız.
JavaScript ile Derin Öğrenme de başlamak için harika bir yerdir. JavaScript'te makine öğrenimi ile çalışma pratiği yapabilmeniz için GitHub'dan çok sayıda örnek eklenmiştir.
Bu kitap, Evrişimli Sinir Ağları, Tekrarlayan Sinir Ağları gibi çok çeşitli sinir ağı mimarilerinin ve takviyeli öğrenme gibi ileri eğitim paradigmalarının nasıl kullanılacağını gösterecektir. Ayrıca eğitim sürecinde sinir ağında gerçekte neler olduğuna dair net açıklamalar sağlar.
Geniş bir teknik kitle için TensorFlow.js'nin temellerine uygulamalı, uçtan uca bir yaklaşım. Bu kitabı bitirdiğinizde TensorFlow.js ile üretime hazır derin öğrenme sistemlerini nasıl oluşturup dağıtacağınızı öğreneceksiniz.
Yazan: Shanqing Cai, Stanley Bileschi, Eric D. Nielsen ve Francois Chollet
TensorFlow kütüphanesinin ana yazarları tarafından yazılan bu kitap, tarayıcınızda veya Node.js'de JavaScript'te derin öğrenme uygulamaları için büyüleyici kullanım örnekleri ve derinlemesine talimatlar sağlar.
3. Adım: TensorFlow.js kullanarak örnekler üzerinde pratik yapın
Alıştırma mükemmelleştirir ve uygulamalı deneyim kazanmak, kavramlara odaklanmanın en iyi yoludur. Yaygın kullanım örneklerine yönelik bu adım adım kılavuzlarla bilginizi geliştirmek için TensorFlow.js codelab'lerine göz atın:
Sinir ağları bilginiz sayesinde TensorFlow ekibi tarafından oluşturulan açık kaynaklı örnekleri daha kolay keşfedebilirsiniz. Hepsi GitHub'da mevcuttur , böylece kodu derinlemesine inceleyebilir ve nasıl çalıştıklarını görebilirsiniz.
TensorFlow eğitimleri Jupyter not defterleri olarak yazılmıştır ve hiçbir kurulum gerektirmeyen, barındırılan bir not defteri ortamı olan Google Colab'da doğrudan çalıştırılır. Google Colab'da Çalıştır düğmesini tıklayın.
Bilginizi test ettikten ve TensorFlow.js örneklerinden bazılarıyla pratik yaptıktan sonra, kendi projelerinizi geliştirmeye hazır olmalısınız. Önceden eğitilmiş modellerimize göz atın ve dakikalar içinde bir uygulama oluşturmaya başlayın. Veya topladığınız verileri veya genel veri kümelerini kullanarak kendi modelinizi eğitebilirsiniz. Kaggle ve Google Veri Kümesi Arama, modelinizi eğitmek için açık veri kümeleri bulabileceğiniz harika yerlerdir.
Ayrıca sosyal medyada #MadeWithTFJS etiketini arayarak topluluğun en son katkılarını görebilirsiniz.
TensorFlow ile teorik ve gelişmiş makine öğrenimi
[null,null,[],[],[],null,["# Basics of TensorFlow for JavaScript development\n\n[TensorFlow](/tutorials) › [Resources](/resources/models-datasets) › [Learn ML](/resources/learn-ml) › [Guide](/resources/learn-ml/basics-of-tensorflow-for-js-development) › \n\nTensorFlow for JavaScript development\n=====================================\n\nBefore starting on the learning materials below, you should:\n\n1. Be comfortable with browser programming using HTML, CSS, \\& JavaScript\n\n2. Be familiar with using the command line to run Node.js scripts\n\nThis curriculum is for people who want to:\n\n1. Build ML models in JavaScript\n\n2. Run existing models anywhere Javascript can run\n\n3. Deploy ML models to web browsers\n\nTensorFlow.js lets you develop or execute ML models in JavaScript, and use ML directly in the browser client side, server side via Node.js, mobile native via React Native, desktop native via Electron, and even on IoT devices via Node.js on Raspberry Pi. To learn more about TensorFlow.js, and what can be done with it, check out [this talk](https://www.youtube.com/watch?v=uU-u-5Eo65g) at Google I/O. \n\nStep 1: Get introduced to machine learning in the browser\n---------------------------------------------------------\n\nTo get a quick introduction on basics for ML in JavaScript, take the self-paced [course on Edx](https://www.edx.org/course/google-ai-for-javascript-developers-with-tensorflowjs) or watch the videos below that take you from first principles, to using existing pre-made models, and even building your own neural network for classification. You can also try the [Make a smart webcam in JavaScript](https://codelabs.developers.google.com/codelabs/tensorflowjs-object-detection#0) Codelab for an interactive walkthrough of these concepts. \n\nSuperpowers for next gen web apps: Machine Learning \nThis high level intro to machine learning in JavaScript is for web developers looking to take their first steps with TensorFlow.js. \nFree\nWatch video\n\nCode \nTheory \n*close* \n[Google AI for JavaScript developers with TensorFlow.js](https://www.edx.org/course/google-ai-for-javascript-developers-with-tensorflowjs) \nGo from zero to hero with web ML using TensorFlow.js. Learn how to create next generation web apps that can run client side and be used on almost any device. \nFree [View course](https://www.edx.org/course/google-ai-for-javascript-developers-with-tensorflowjs) \nBuild \nCode \nTheory \nBuild \n[Make a smart webcam in JavaScript with a pre-trained model](https://codelabs.developers.google.com/codelabs/tensorflowjs-object-detection#0) \nLearn how to load and use one of the TensorFlow.js pre-trained models (COCO-SSD) and use it to recognize common objects it's been trained on. \nFree [See Codelab](https://codelabs.developers.google.com/codelabs/tensorflowjs-object-detection#0) \nTheory \nBuild \n\nStep 2: Dive deeper into Deep Learning\n--------------------------------------\n\nTo get a deeper understanding of how neural networks work, and a broader understanding of how to apply them to different problems, we have two books available.\n\n[Learning TensorFlow.js](https://www.oreilly.com/library/view/learning-tensorflowjs/9781492090786/) is a great place to start if you are new to Tensors and Machine Learning generally but have a good understanding of JavaScript. This book takes you all the way from the basics such as understanding how to manipulate data into Tensors, to quickly progressing to real world applications. After reading, you will understand how to load existing models, pass data to them, and interpret data that comes out.\n\n[Deep Learning with JavaScript](https://www.manning.com/books/deep-learning-with-javascript) is also a great place to start. It is accompanied by a large number of examples from GitHub so you can practice working with machine learning in JavaScript.\n\nThis book will demonstrate how to use a wide variety of neural network architectures, such as Convolutional Neural Networks, Recurrent Neural Networks, and advanced training paradigms such as reinforcement learning. It also provides clear explanations of what is actually happening with the neural network in the training process. \n[Learning TensorFlow.js](https://www.oreilly.com/library/view/learning-tensorflowjs/9781492090786/) \nby Gant Laborde \nA hands-on end-to-end approach to TensorFlow.js fundamentals for a broad technical audience. Once you finish this book, you'll know how to build and deploy production-ready deep learning systems with TensorFlow.js. \n[View book](https://www.oreilly.com/library/view/learning-tensorflowjs/9781492090786/) \nCode \nTheory \nBuild \n[Deep Learning with JavaScript](https://www.manning.com/books/deep-learning-with-javascript) \nby Shanqing Cai, Stanley Bileschi, Eric D. Nielsen with Francois Chollet \nWritten by the main authors of the TensorFlow library, this book provides fascinating use cases and in-depth instruction for deep learning apps in JavaScript in your browser or on Node. \n[View book](https://www.manning.com/books/deep-learning-with-javascript) \nCode \nTheory \nBuild \n\nStep 3: Practice with examples using TensorFlow.js\n--------------------------------------------------\n\nPractice makes perfect, and getting hands on experience is the best way to lock in the concepts. Check out the [TensorFlow.js](https://codelabs.developers.google.com/s/results?q=tensorflow.js) codelabs to further your knowledge with these step by step guides for common use cases:\n\n1. [Make your very own \"Teachable Machine\" from a blank canvas](https://codelabs.developers.google.com/codelabs/tensorflowjs-teachablemachine-codelab#0)\n\n2. [Handwritten digit recognition with Convolutional Neural Networks](https://codelabs.developers.google.com/codelabs/tfjs-training-classfication#0)\n\n3. [Make predictions from 2D data](https://codelabs.developers.google.com/codelabs/tfjs-training-regression#0)\n\n4. [Convert a Python SavedModel to TensorFlow.js format](https://codelabs.developers.google.com/codelabs/tensorflowjs-convert-python-savedmodel#0)\n\n5. [Use Firebase to deploy and host a TensorFlow.js model](https://codelabs.developers.google.com/codelabs/tensorflowjs-firebase-hosting-model#0)\n\n6. [Build a comment spam detection system](https://codelabs.developers.google.com/codelabs/tensorflowjs-comment-spam-detection#0)\n\n7. [Retrain a comment spam detection model to handle custom edge cases](https://codelabs.developers.google.com/tensorflow-retraining-comment-spam-detection#0)\n\n8. [Audio recognition using transfer learning](https://codelabs.developers.google.com/codelabs/tensorflowjs-audio-codelab#0)\n\nWith your knowledge of neural networks, you can more easily explore the [open sourced examples](https://github.com/tensorflow/tfjs-examples) created by the TensorFlow team. They are all [available on GitHub](https://github.com/tensorflow/tfjs-examples), so you can delve into the code and see how they work. \n[Examples built with TensorFlow.js](https://github.com/tensorflow/tfjs-examples) \nA repository on GitHub that contains a set of examples implemented in TensorFlow.js. Each example directory is standalone so the directory can be copied to another project. \nFree [Learn more](https://github.com/tensorflow/tfjs-examples) \nCode \nBuild \n[Explore our tutorials to learn how to get started with TensorFlow.js](/js/tutorials) \nThe TensorFlow tutorials are written as Jupyter notebooks and run directly in Google Colab---a hosted notebook environment that requires no setup. Click the Run in Google Colab button. \nFree [Learn more](/js/tutorials) \nCode \nBuild\n\nStep 4: Make something new!\n---------------------------\n\nOnce you've tested your knowledge, and practiced with some of the TensorFlow.js examples, you should be ready to start developing your own projects. Take a look at our [pretrained models](/js/models), and start building an app in minutes. Or you can train your own model using data you've collected, or by using public datasets. [Kaggle](https://www.kaggle.com/datasets) and [Google Dataset Search](https://toolbox.google.com/datasetsearch) are great places to find open datasets for training your model.\n\nIf you are looking for inspiration, check out our [Made With TensorFlow.js show and tell episodes](https://www.youtube.com/playlist?list=PLQY2H8rRoyvzSZZuF0qJpoJxZR1NgzcZw) from people all around the world who have used TensorFlow.js in their applications.\n\nYou can also see the latest contributions from the community by searching for the [#MadeWithTFJS](https://twitter.com/hashtag/MadeWithTFJS?src=hashtag_click&f=live) hashtag on social media. \n[Previous\nTheoretical and advanced machine learning with TensorFlow](/resources/learn-ml/theoretical-and-advanced-machine-learning) \n\nLearn, develop and build with TensorFlow\n----------------------------------------\n\n[Get started](/learn)"]]
