Zanim zaczniesz korzystać z poniższych materiałów edukacyjnych, powinieneś:
Naucz się programować w przeglądarce za pomocą HTML, CSS i JavaScript
Zapoznaj się z używaniem wiersza poleceń do uruchamiania skryptów Node.js
Ten program nauczania jest przeznaczony dla osób, które chcą:
Buduj modele ML w JavaScript
Uruchamiaj istniejące modele wszędzie tam, gdzie można uruchomić JavaScript
Wdrażaj modele uczenia maszynowego w przeglądarkach internetowych
TensorFlow.js umożliwia tworzenie lub wykonywanie modeli ML w JavaScript i używanie ML bezpośrednio po stronie klienta przeglądarki, po stronie serwera za pośrednictwem Node.js, natywnie na urządzenia mobilne za pośrednictwem React Native, natywnie na komputery stacjonarne za pośrednictwem Electron, a nawet na urządzeniach IoT za pośrednictwem Node.js na Raspberry Pi. Aby dowiedzieć się więcej o TensorFlow.js i tym, co można z nim zrobić, obejrzyj tę dyskusję na Google I/O.
Krok 1: Zapoznaj się z uczeniem maszynowym w przeglądarce
Aby uzyskać szybkie wprowadzenie do podstaw ML w JavaScript, weź udział w samodzielnym kursie na Edx lub obejrzyj poniższe filmy, które poprowadzą Cię od podstawowych zasad, do korzystania z istniejących, gotowych modeli, a nawet budowania własnej sieci neuronowej do klasyfikacji. Możesz także wypróbować opcję Utwórz inteligentną kamerę internetową w laboratorium JavaScript Codelab, aby uzyskać interaktywny przewodnik po tych koncepcjach.
To zaawansowane wprowadzenie do uczenia maszynowego w JavaScript jest przeznaczone dla twórców stron internetowych, którzy chcą postawić pierwsze kroki z TensorFlow.js.
Przejdź od zera do bohatera dzięki web ML przy użyciu TensorFlow.js. Dowiedz się, jak tworzyć aplikacje internetowe nowej generacji, które można uruchomić po stronie klienta i których można używać na prawie każdym urządzeniu.
Dowiedz się, jak załadować i używać jednego ze wstępnie wytrenowanych modeli TensorFlow.js (COCO-SSD) oraz używać go do rozpoznawania typowych obiektów, na których został przeszkolony.
Aby uzyskać głębsze zrozumienie działania sieci neuronowych i szersze zrozumienie tego, jak zastosować je do różnych problemów, mamy do dyspozycji dwie książki.
Nauka TensorFlow.js to świetne miejsce na rozpoczęcie, jeśli dopiero zaczynasz przygodę z Tensorami i uczeniem maszynowym, ale dobrze rozumiesz JavaScript. W tej książce znajdziesz wszystkie informacje, od podstaw, takich jak zrozumienie, jak manipulować danymi w tensory, po szybkie przejście do rzeczywistych zastosowań. Po przeczytaniu zrozumiesz, jak ładować istniejące modele, przekazywać do nich dane i interpretować uzyskane dane.
Głębokie uczenie się z JavaScriptem to także świetny początek. Towarzyszy mu duża liczba przykładów z GitHuba, dzięki czemu możesz poćwiczyć pracę z uczeniem maszynowym w JavaScript.
W tej książce zademonstrujemy, jak korzystać z szerokiej gamy architektur sieci neuronowych, takich jak konwolucyjne sieci neuronowe, rekurencyjne sieci neuronowe oraz zaawansowane paradygmaty szkoleniowe, takie jak uczenie się przez wzmacnianie. Zapewnia także jasne wyjaśnienie tego, co faktycznie dzieje się z siecią neuronową w procesie uczenia.
Praktyczne, kompleksowe podejście do podstaw TensorFlow.js dla szerokiego grona odbiorców technicznych. Po ukończeniu tej książki będziesz wiedział, jak budować i wdrażać gotowe do produkcji systemy głębokiego uczenia się za pomocą TensorFlow.js.
Shanqing Cai, Stanley Bileschi, Eric D. Nielsen i Francois Chollet
Książka ta, napisana przez głównych autorów biblioteki TensorFlow, zawiera fascynujące przypadki użycia i szczegółowe instrukcje dotyczące aplikacji do głębokiego uczenia się w języku JavaScript w przeglądarce lub na platformie Node.
Krok 3: Przećwicz przykłady z użyciem TensorFlow.js
Praktyka czyni mistrza, a zdobycie praktycznego doświadczenia to najlepszy sposób na utrwalenie koncepcji. Zapoznaj się z ćwiczeniami z kodowania TensorFlow.js , aby poszerzyć swoją wiedzę, korzystając z przewodników krok po kroku dotyczących typowych przypadków użycia:
Dzięki znajomości sieci neuronowych możesz łatwiej eksplorować przykłady open source stworzone przez zespół TensorFlow. Wszystkie są dostępne na GitHubie , więc możesz zagłębić się w kod i zobaczyć, jak działają.
Repozytorium na GitHubie zawierające zestaw przykładów zaimplementowanych w TensorFlow.js. Każdy przykładowy katalog jest samodzielny, więc można go skopiować do innego projektu.
Samouczki TensorFlow są napisane jako notatniki Jupyter i uruchamiane bezpośrednio w Google Colab — hostowanym środowisku notatników, które nie wymaga konfiguracji. Kliknij przycisk Uruchom w Google Colab.
Kiedy już sprawdzisz swoją wiedzę i przećwiczysz niektóre przykłady TensorFlow.js, powinieneś być gotowy do rozpoczęcia tworzenia własnych projektów. Zapoznaj się z naszymi wstępnie wyszkolonymi modelami i rozpocznij tworzenie aplikacji w ciągu kilku minut. Możesz też wytrenować własny model, korzystając z zebranych danych lub publicznych zestawów danych. Kaggle i Google Dataset Search to świetne miejsca do wyszukiwania otwartych zbiorów danych do trenowania modelu.
Najnowsze wpisy społeczności możesz także zobaczyć, wyszukując hashtag #MadeWithTFJS w mediach społecznościowych.
Teoretyczne i zaawansowane uczenie maszynowe z 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)"]]
