TensorFlow Sumber Daya Pelajari ML Panduan _ _

TensorFlow untuk pengembangan JavaScript

Sebelum memulai materi pembelajaran di bawah ini, Anda harus:

  1. Nyaman dengan pemrograman browser menggunakan HTML, CSS, & JavaScript

  2. Biasakan menggunakan baris perintah untuk menjalankan skrip Node.js

Kurikulum ini untuk orang-orang yang ingin:

  1. Bangun model ML di JavaScript

  2. Jalankan model yang ada di mana saja Javascript dapat dijalankan

  3. Terapkan model ML ke browser web

TensorFlow.js memungkinkan Anda mengembangkan atau menjalankan model ML dalam JavaScript, dan menggunakan ML langsung di sisi klien browser, sisi server melalui Node.js, mobile native melalui React Native, native desktop 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 ini yang membawa Anda dari prinsip pertama, hingga menggunakan model yang sudah ada, dan bahkan membangun jaringan saraf Anda sendiri untuk klasifikasi. Anda juga dapat mencoba Make a smart webcam di JavaScript Codelab untuk panduan interaktif dari konsep-konsep ini.

Kekuatan super untuk aplikasi web generasi berikutnya: Pembelajaran Mesin

Pengantar pembelajaran mesin tingkat tinggi dalam JavaScript ini ditujukan untuk developer web yang ingin mengambil langkah pertama mereka dengan TensorFlow.js.

Google AI untuk pengembang JavaScript dengan TensorFlow.js

Berubah dari nol menjadi pahlawan dengan ML web menggunakan TensorFlow.js. Pelajari cara membuat aplikasi web generasi berikutnya yang dapat menjalankan sisi klien dan digunakan di hampir semua perangkat.

Buat webcam pintar dalam JavaScript dengan model yang sudah terlatih

Pelajari cara memuat dan menggunakan salah satu model pra-pelatihan TensorFlow.js (COCO-SSD) dan menggunakannya untuk mengenali objek umum tempat ia dilatih.

Langkah 2: Selami Deep Learning lebih dalam

Untuk mendapatkan pemahaman yang lebih dalam tentang cara kerja jaringan saraf, dan pemahaman yang lebih luas tentang bagaimana menerapkannya pada masalah yang berbeda, kami memiliki dua buku yang tersedia.

Mempelajari TensorFlow.js adalah tempat yang bagus untuk memulai jika Anda baru mengenal Tensor dan Pembelajaran Mesin secara umum tetapi memiliki pemahaman yang baik tentang JavaScript. Buku ini membawa Anda jauh dari dasar-dasar seperti memahami cara memanipulasi data ke dalam 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 menginterpretasikan data yang keluar.

Pembelajaran Mendalam dengan JavaScript juga merupakan tempat yang bagus untuk memulai. Itu disertai dengan sejumlah besar contoh dari GitHub sehingga Anda dapat berlatih bekerja dengan pembelajaran mesin di JavaScript.

Buku ini akan menunjukkan bagaimana menggunakan berbagai macam arsitektur jaringan saraf, seperti Jaringan Saraf Konvolusi, Jaringan Saraf 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.

Mempelajari TensorFlow.js
oleh Gant Laborde

Pendekatan end-to-end langsung ke dasar-dasar TensorFlow.js untuk audiens teknis yang luas. Setelah menyelesaikan buku ini, Anda akan mengetahui cara membuat dan menerapkan sistem deep learning siap produksi dengan TensorFlow.js.

Pembelajaran Mendalam dengan JavaScript
oleh Shanqing Cai, Stanley Bileschi, Eric D. Nielsen dengan Francois Chollet

Ditulis oleh penulis utama perpustakaan TensorFlow, buku ini memberikan kasus penggunaan yang menarik dan instruksi mendalam untuk aplikasi pembelajaran mendalam di 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 mengunci konsep. Lihat codelab TensorFlow.js untuk meningkatkan pengetahuan Anda dengan panduan langkah demi langkah berikut untuk kasus penggunaan umum:

  1. Buat "Mesin yang Dapat Diajar" Anda sendiri dari kanvas kosong

  2. Pengenalan digit tulisan tangan dengan Convolutional Neural Networks

  3. Buat prediksi dari data 2D

  4. Konversikan Python SavedModel ke format TensorFlow.js

  5. Gunakan Firebase untuk men-deploy dan menghosting model TensorFlow.js

  6. Bangun sistem deteksi spam komentar

  7. Latih kembali model deteksi spam komentar untuk menangani kasus tepi khusus

  8. Pengenalan audio menggunakan pembelajaran transfer

Dengan pengetahuan Anda tentang jaringan saraf, Anda dapat dengan lebih mudah menjelajahi contoh open source yang dibuat oleh tim TensorFlow. Semuanya tersedia di GitHub , sehingga Anda dapat mempelajari kodenya dan melihat cara kerjanya.

Contoh yang dibuat dengan TensorFlow.js

Repositori di GitHub yang berisi sekumpulan contoh yang diimplementasikan di TensorFlow.js. Setiap direktori contoh berdiri sendiri sehingga direktori dapat disalin ke proyek lain.

Jelajahi tutorial kami untuk mempelajari cara memulai TensorFlow.js

Tutorial TensorFlow ditulis sebagai notebook Jupyter dan dijalankan langsung di Google Colab—lingkungan notebook yang dihosting yang tidak memerlukan penyiapan. Klik tombol Jalankan di Google Colab.

Langkah 4: Buat sesuatu yang baru!

Setelah Anda menguji pengetahuan Anda, dan berlatih dengan beberapa contoh TensorFlow.js, Anda harus siap untuk mulai mengembangkan proyek Anda sendiri. Lihat model pra -latihan kami , dan mulai buat aplikasi dalam hitungan menit. Atau Anda dapat melatih model Anda sendiri menggunakan data yang telah Anda kumpulkan, atau dengan menggunakan kumpulan data publik. Kaggle dan Google Dataset Search adalah tempat yang bagus untuk menemukan set data terbuka untuk melatih model Anda.

Jika Anda mencari inspirasi, lihat acara Made With TensorFlow.js kami dan ceritakan episode dari orang-orang di seluruh dunia yang telah menggunakan TensorFlow.js dalam aplikasi mereka.

Anda juga dapat melihat kontribusi terbaru dari komunitas dengan mencari hashtag #MadeWithTFJS di media sosial.