Antes de comenzar con los materiales de aprendizaje a continuación, debe:
Siéntase cómodo con la programación del navegador utilizando HTML, CSS y JavaScript
Familiarícese con el uso de la línea de comando para ejecutar scripts de Node.js
Este plan de estudios es para personas que quieran:
Cree modelos de aprendizaje automático en JavaScript
Ejecute modelos existentes en cualquier lugar donde se pueda ejecutar Javascript
Implementar modelos de ML en navegadores web
TensorFlow.js le permite desarrollar o ejecutar modelos de ML en JavaScript y usar ML directamente en el lado del cliente del navegador, en el lado del servidor a través de Node.js, nativo móvil a través de React Native, nativo de escritorio a través de Electron e incluso en dispositivos IoT a través de Node.js. en Frambuesa Pi. Para obtener más información sobre TensorFlow.js y qué se puede hacer con él, consulte esta charla en Google I/O.
Paso 1: conozca el aprendizaje automático en el navegador
Para obtener una introducción rápida a los conceptos básicos de ML en JavaScript, realice el curso a su propio ritmo en Edx o mire los videos a continuación que lo llevarán desde los primeros principios hasta el uso de modelos prefabricados existentes e incluso la construcción de su propia red neuronal para la clasificación. También puede probar el Codelab Crear una cámara web inteligente en JavaScript para obtener un tutorial interactivo de estos conceptos.
Esta introducción de alto nivel al aprendizaje automático en JavaScript está dirigida a desarrolladores web que buscan dar sus primeros pasos con TensorFlow.js.
Pase de cero a héroe con web ML usando TensorFlow.js. Aprenda a crear aplicaciones web de próxima generación que puedan ejecutarse en el lado del cliente y usarse en casi cualquier dispositivo.
Aprenda a cargar y usar uno de los modelos previamente entrenados de TensorFlow.js (COCO-SSD) y usarlo para reconocer objetos comunes en los que se ha entrenado.
Para obtener una comprensión más profunda de cómo funcionan las redes neuronales y una comprensión más amplia de cómo aplicarlas a diferentes problemas, tenemos dos libros disponibles.
Aprender TensorFlow.js es un excelente lugar para comenzar si eres nuevo en los tensores y el aprendizaje automático en general, pero tienes un buen conocimiento de JavaScript. Este libro lo lleva desde los conceptos básicos, como comprender cómo manipular datos en tensores, hasta avanzar rápidamente hacia aplicaciones del mundo real. Después de leer, comprenderá cómo cargar modelos existentes, pasarles datos e interpretar los datos que surgen.
El aprendizaje profundo con JavaScript también es un excelente lugar para comenzar. Viene acompañado de una gran cantidad de ejemplos de GitHub para que puedas practicar el trabajo con aprendizaje automático en JavaScript.
Este libro demostrará cómo utilizar una amplia variedad de arquitecturas de redes neuronales, como redes neuronales convolucionales, redes neuronales recurrentes y paradigmas de entrenamiento avanzados como el aprendizaje por refuerzo. También proporciona explicaciones claras de lo que realmente sucede con la red neuronal en el proceso de entrenamiento.
Un enfoque práctico de extremo a extremo de los fundamentos de TensorFlow.js para una amplia audiencia técnica. Una vez que termine este libro, sabrá cómo crear e implementar sistemas de aprendizaje profundo listos para producción con TensorFlow.js.
por Shanqing Cai, Stanley Bileschi, Eric D. Nielsen con Francois Chollet
Escrito por los autores principales de la biblioteca TensorFlow, este libro proporciona casos de uso fascinantes e instrucciones detalladas para aplicaciones de aprendizaje profundo en JavaScript en su navegador o en Node.
Paso 3: practica con ejemplos usando TensorFlow.js
La práctica hace la perfección y adquirir experiencia práctica es la mejor manera de consolidar los conceptos. Consulte los codelabs de TensorFlow.js para ampliar sus conocimientos con estas guías paso a paso para casos de uso comunes:
Con su conocimiento de las redes neuronales, podrá explorar más fácilmente los ejemplos de código abierto creados por el equipo de TensorFlow. Todos están disponibles en GitHub , para que puedas profundizar en el código y ver cómo funcionan.
Un repositorio en GitHub que contiene un conjunto de ejemplos implementados en TensorFlow.js. Cada directorio de ejemplo es independiente, por lo que el directorio se puede copiar a otro proyecto.
Los tutoriales de TensorFlow están escritos como cuadernos de Jupyter y se ejecutan directamente en Google Colab, un entorno de cuaderno alojado que no requiere configuración. Haga clic en el botón Ejecutar en Google Colab.
Una vez que haya probado sus conocimientos y haya practicado con algunos de los ejemplos de TensorFlow.js, debería estar listo para comenzar a desarrollar sus propios proyectos. Eche un vistazo a nuestros modelos previamente entrenados y comience a crear una aplicación en minutos. O puede entrenar su propio modelo utilizando los datos que haya recopilado o utilizando conjuntos de datos públicos. Kaggle y Google Dataset Search son excelentes lugares para encontrar conjuntos de datos abiertos para entrenar su modelo.
También puede ver las últimas contribuciones de la comunidad buscando el hashtag #MadeWithTFJS en las redes sociales.
Aprendizaje automático teórico y avanzado con 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)"]]
