با برنامه نویسی مرورگر با استفاده از HTML، CSS و جاوا اسکریپت راحت باشید
با استفاده از خط فرمان برای اجرای اسکریپت های Node.js آشنا باشید
این برنامه آموزشی برای افرادی است که می خواهند:
ساخت مدل های ML در جاوا اسکریپت
مدل های موجود را در هر جایی که جاوا اسکریپت می تواند اجرا کند اجرا کنید
استقرار مدل های ML در مرورگرهای وب
TensorFlow.js به شما امکان می دهد مدل های ML را در جاوا اسکریپت توسعه یا اجرا کنید و از ML به طور مستقیم در سمت مشتری مرورگر، سمت سرور از طریق Node.js، بومی موبایل از طریق React Native، بومی دسکتاپ از طریق Electron و حتی در دستگاه های اینترنت اشیا از طریق Node.js استفاده کنید. در Raspberry Pi. برای کسب اطلاعات بیشتر در مورد TensorFlow.js، و کارهایی که می توان با آن انجام داد، این بحث را در Google I/O بررسی کنید.
مرحله 1: با یادگیری ماشین در مرورگر آشنا شوید
برای آشنایی سریع با اصول اولیه ML در جاوا اسکریپت، دوره آموزشی خود گام در Edx را بگذرانید یا ویدیوهای زیر را تماشا کنید که شما را از اصول اولیه، به استفاده از مدل های از پیش ساخته شده موجود و حتی ساخت شبکه عصبی خود برای طبقه بندی می برد. همچنین می‌توانید وب‌کم هوشمند را در JavaScript Codelab برای بررسی تعاملی این مفاهیم امتحان کنید.
با وب ML با استفاده از TensorFlow.js از صفر به قهرمان بروید. بیاموزید که چگونه برنامه های وب نسل بعدی ایجاد کنید که می توانند در سمت مشتری اجرا شوند و تقریباً در هر دستگاهی مورد استفاده قرار گیرند.
نحوه بارگیری و استفاده از یکی از مدل های از پیش آموزش دیده TensorFlow.js (COCO-SSD) را بیاموزید و از آن برای تشخیص اشیاء معمولی که روی آنها آموزش دیده است استفاده کنید.
برای دریافت درک عمیق تر از نحوه عملکرد شبکه های عصبی و درک گسترده تر از نحوه به کارگیری آنها در مسائل مختلف، دو کتاب در دسترس داریم.
یادگیری TensorFlow.js مکانی عالی برای شروع است اگر به طور کلی با Tensor و یادگیری ماشینی تازه کار هستید اما درک خوبی از جاوا اسکریپت دارید. این کتاب شما را از اصول اولیه مانند درک نحوه دستکاری داده‌ها در Tensor تا پیشرفت سریع به برنامه‌های کاربردی دنیای واقعی می‌برد. پس از خواندن، خواهید فهمید که چگونه مدل های موجود را بارگذاری کنید، داده ها را به آنها منتقل کنید و داده هایی را که بیرون می آیند تفسیر کنید.
یادگیری عمیق با جاوا اسکریپت نیز یک مکان عالی برای شروع است. با تعداد زیادی نمونه از GitHub همراه است تا بتوانید کار با یادگیری ماشین را در جاوا اسکریپت تمرین کنید.
این کتاب نحوه استفاده از طیف گسترده‌ای از معماری‌های شبکه‌های عصبی، مانند شبکه‌های عصبی کانولوشن، شبکه‌های عصبی تکراری، و الگوهای آموزشی پیشرفته مانند یادگیری تقویتی را نشان می‌دهد. همچنین توضیحات روشنی از آنچه در واقع با شبکه عصبی در فرآیند آموزش اتفاق می افتد ارائه می دهد.
یک رویکرد انتها به انتها به اصول TensorFlow.js برای مخاطبان فنی گسترده. پس از اتمام این کتاب، می‌دانید که چگونه با TensorFlow.js سیستم‌های یادگیری عمیق آماده تولید بسازید و به کار بگیرید.
توسط Shanqing Cai، Stanley Bileschi، Eric D. Nielsen با Francois Chollet
این کتاب که توسط نویسندگان اصلی کتابخانه TensorFlow نوشته شده است، موارد استفاده جذاب و دستورالعمل های عمیق را برای برنامه های یادگیری عمیق در جاوا اسکریپت در مرورگر شما یا در Node ارائه می دهد.
مرحله 3: با استفاده از TensorFlow.js با مثال‌ها تمرین کنید
تمرین باعث عالی می شود و دستیابی به تجربه بهترین راه برای قفل کردن مفاهیم است. برای افزایش دانش خود با این راهنمای گام به گام برای موارد استفاده رایج، کد لبه های TensorFlow.js را بررسی کنید:
با دانش خود در مورد شبکه های عصبی، می توانید نمونه های منبع باز ایجاد شده توسط تیم TensorFlow را راحت تر کشف کنید. همه آنها در GitHub در دسترس هستند، بنابراین می توانید کد را بررسی کنید و ببینید که چگونه کار می کنند.
یک مخزن در GitHub که شامل مجموعه ای از نمونه های پیاده سازی شده در TensorFlow.js است. هر دایرکتوری نمونه مستقل است، بنابراین دایرکتوری می تواند در پروژه دیگری کپی شود.
آموزشهای TensorFlow بهعنوان نوتبوک Jupyter نوشته شدهاند و مستقیماً در Google Colab اجرا میشوند—یک محیط نوتبوک میزبانیشده که نیازی به تنظیم ندارد. روی دکمه Run in Google Colab کلیک کنید.
هنگامی که دانش خود را آزمایش کردید و با برخی از نمونه های TensorFlow.js تمرین کردید، باید آماده شروع توسعه پروژه های خود باشید. به مدل های از پیش آموزش دیده ما نگاهی بیندازید و در عرض چند دقیقه شروع به ساختن یک برنامه کنید. یا می توانید مدل خود را با استفاده از داده هایی که جمع آوری کرده اید یا با استفاده از مجموعه داده های عمومی آموزش دهید. Kaggle و Google Dataset Search مکان‌های عالی برای یافتن مجموعه داده‌های باز برای آموزش مدل شما هستند.
همچنین می‌توانید با جستجوی هشتگ #MadeWithTFJS در شبکه‌های اجتماعی، آخرین مشارکت‌های انجمن را مشاهده کنید.
یادگیری ماشینی نظری و پیشرفته با 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)"]]
