Sebelum memulai materi pembelajaran di bawah ini, sebaiknya Anda:
Merasa nyaman dengan pemrograman browser menggunakan HTML, CSS, & JavaScript
Pahami penggunaan baris perintah untuk menjalankan skrip Node.js
Kurikulum ini diperuntukkan bagi orang-orang yang ingin:
Membangun model ML dalam JavaScript
Jalankan model yang ada di mana pun Javascript dapat dijalankan
Terapkan model ML ke browser web
TensorFlow.js memungkinkan Anda mengembangkan atau mengeksekusi model ML dalam JavaScript, dan menggunakan ML secara langsung di sisi klien browser, sisi server melalui Node.js, mobile native melalui React Native, desktop native melalui Electron, dan bahkan pada perangkat IoT melalui Node.js pada Raspberry Pi. Untuk mempelajari lebih lanjut tentang TensorFlow.js, dan apa yang dapat dilakukan dengannya, lihat pembicaraan ini di Google I/O.
Langkah 1: Perkenalkan pembelajaran mesin di browser
Untuk mendapatkan pengenalan singkat tentang dasar-dasar ML dalam JavaScript, ikuti kursus mandiri di Edx atau tonton video di bawah yang akan membawa Anda mulai dari prinsip pertama, hingga menggunakan model siap pakai yang sudah ada, dan bahkan membuat jaringan saraf Anda sendiri untuk klasifikasi. Anda juga dapat mencoba Membuat webcam cerdas di Codelab JavaScript untuk panduan interaktif tentang konsep ini.
Pengantar pembelajaran mesin tingkat tinggi dalam JavaScript ini ditujukan untuk developer web yang ingin mengambil langkah pertama dengan TensorFlow.js.
Beralih dari nol menjadi pahlawan dengan web ML menggunakan TensorFlow.js. Pelajari cara membuat aplikasi web generasi berikutnya yang dapat berjalan di sisi klien dan digunakan di hampir semua perangkat.
Pelajari cara memuat dan menggunakan salah satu model terlatih TensorFlow.js (COCO-SSD) dan menggunakannya untuk mengenali objek umum yang telah dilatihnya.
Langkah 2: Selami Pembelajaran Mendalam lebih dalam
Untuk mendapatkan pemahaman yang lebih mendalam tentang cara kerja jaringan saraf, dan pemahaman yang lebih luas tentang cara menerapkannya pada berbagai masalah, kami memiliki dua buku yang tersedia.
Mempelajari TensorFlow.js adalah awal yang baik jika Anda umumnya baru mengenal Tensor dan Machine Learning, tetapi memiliki pemahaman yang baik tentang JavaScript. Buku ini akan membawa Anda mulai dari dasar-dasar seperti memahami cara memanipulasi data menjadi Tensor, hingga maju dengan cepat ke aplikasi dunia nyata. Setelah membaca, Anda akan memahami cara memuat model yang ada, meneruskan data ke model tersebut, dan menafsirkan data yang keluar.
Pembelajaran Mendalam dengan JavaScript juga merupakan tempat yang bagus untuk memulai. Hal ini disertai dengan sejumlah besar contoh dari GitHub sehingga Anda dapat berlatih bekerja dengan pembelajaran mesin dalam JavaScript.
Buku ini akan mendemonstrasikan cara menggunakan berbagai macam arsitektur jaringan saraf, seperti Jaringan Syaraf Konvolusional, Jaringan Syaraf Berulang, dan paradigma pelatihan lanjutan seperti pembelajaran penguatan. Ini juga memberikan penjelasan yang jelas tentang apa yang sebenarnya terjadi dengan jaringan saraf dalam proses pelatihan.
Pendekatan menyeluruh terhadap dasar-dasar TensorFlow.js untuk audiens teknis yang luas. Setelah menyelesaikan buku ini, Anda akan mengetahui cara membangun dan menerapkan sistem deep learning siap produksi dengan TensorFlow.js.
oleh Shanqing Cai, Stanley Bileschi, Eric D. Nielsen dengan Francois Chollet
Ditulis oleh penulis utama perpustakaan TensorFlow, buku ini memberikan kasus penggunaan menarik dan instruksi mendalam untuk aplikasi pembelajaran mendalam dalam JavaScript di browser Anda atau di Node.js.
Langkah 3: Berlatih dengan contoh menggunakan TensorFlow.js
Latihan menjadi sempurna, dan mendapatkan pengalaman langsung adalah cara terbaik untuk memahami konsep-konsep tersebut. Lihat codelab TensorFlow.js untuk memperluas pengetahuan Anda dengan panduan langkah demi langkah berikut untuk kasus penggunaan umum:
Dengan pengetahuan Anda tentang jaringan neural, Anda dapat lebih mudah menjelajahi contoh sumber terbuka yang dibuat oleh tim TensorFlow. Semuanya tersedia di GitHub , sehingga Anda dapat mempelajari kodenya dan melihat cara kerjanya.
Repositori di GitHub yang berisi serangkaian contoh yang diimplementasikan di TensorFlow.js. Setiap direktori contoh bersifat mandiri sehingga direktori tersebut dapat disalin ke proyek lain.
Tutorial TensorFlow ditulis sebagai notebook Jupyter dan dijalankan langsung di Google Colab—lingkungan notebook yang dihosting dan tidak memerlukan penyiapan. Klik tombol Jalankan di Google Colab.
Setelah menguji pengetahuan Anda dan berlatih dengan beberapa contoh TensorFlow.js, Anda harus siap untuk mulai mengembangkan proyek Anda sendiri. Lihatlah model kami yang telah dilatih sebelumnya , dan mulailah membuat aplikasi dalam hitungan menit. Atau Anda bisa melatih model Anda sendiri menggunakan data yang telah Anda kumpulkan, atau dengan menggunakan kumpulan data publik. Kaggle dan Pencarian Kumpulan Data Google adalah tempat yang bagus untuk menemukan kumpulan data terbuka untuk melatih model Anda.
Anda juga dapat melihat kontribusi terbaru dari komunitas dengan mencari hashtag #MadeWithTFJS di media sosial.
Pembelajaran mesin teoretis dan lanjutan dengan TensorFlow
[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)"]]
