TensorFlow Kaynaklar Makine Öğrenimi Öğrenin Kılavuz

JavaScript geliştirme için TensorFlow

Aşağıdaki öğrenme materyallerine başlamadan önce şunları yapmalısınız:

  1. HTML, CSS ve JavaScript kullanarak tarayıcı programlama konusunda rahat olun

  2. Node.js komut dosyalarını çalıştırmak için komut satırını kullanmayı öğrenin

Bu müfredat aşağıdakileri yapmak isteyenler içindir:

  1. JavaScript'te ML modelleri oluşturun

  2. Javascript'in çalıştırabileceği her yerde mevcut modelleri çalıştırın

  3. ML modellerini web tarayıcılarına dağıtın

TensorFlow.js, JavaScript'te ML modelleri geliştirmenize veya yürütmenize ve ML'yi doğrudan tarayıcı istemci tarafında, Node.js aracılığıyla sunucu tarafında, React Native aracılığıyla mobil yerel, Electron aracılığıyla masaüstü ve hatta Node.js aracılığıyla IoT cihazlarında kullanmanıza olanak tanır. Raspberry Pi'de. TensorFlow.js ve bununla neler yapılabileceği hakkında daha fazla bilgi edinmek için Google I/O'daki bu konuşmaya göz atın.

1. Adım: Tarayıcıda makine öğrenimiyle tanışın

JavaScript'te ML'nin temelleri hakkında hızlı bir giriş yapmak için, kendi hızınızda Edx kursuna katılın veya sizi ilk ilkelerden, mevcut önceden yapılmış modelleri kullanmaya ve hatta sınıflandırma için kendi sinir ağınızı oluşturmaya götüren aşağıdaki videoları izleyin. Bu kavramların etkileşimli bir incelemesi için JavaScript Codelab'da Akıllı web kamerası yap'ı da deneyebilirsiniz.

Yeni nesil web uygulamaları için süper güçler: Makine Öğrenimi

JavaScript'te makine öğrenimine yönelik bu üst düzey giriş, TensorFlow.js ile ilk adımlarını atmak isteyen web geliştiricileri içindir.

Özgür
Video izle
TensorFlow.js ile JavaScript geliştiricileri için Google AI

TensorFlow.js kullanarak web ML ile sıfırdan kahramana gidin. İstemci tarafında çalışabilen ve hemen hemen her cihazda kullanılabilen yeni nesil web uygulamalarının nasıl oluşturulacağını öğrenin.

Önceden eğitilmiş bir modelle JavaScript'te akıllı bir web kamerası yapın

TensorFlow.js önceden eğitilmiş modellerinden (COCO-SSD) birini nasıl yükleyeceğinizi ve kullanacağınızı öğrenin ve üzerinde eğitildiği yaygın nesneleri tanımak için kullanın.

2. Adım: Derin Öğrenmeye daha derine dalın

Sinir ağlarının nasıl çalıştığına dair daha derin bir anlayış ve bunların farklı problemlere nasıl uygulanacağına dair daha geniş bir anlayış elde etmek için elimizde iki kitap var.

Genel olarak Tensörler ve Makine Öğrenimi konusunda yeniyseniz ancak JavaScript'i iyi anlıyorsanız, TensorFlow.js'yi öğrenmek başlamak için harika bir yerdir. Bu kitap sizi, verilerin Tensörlere nasıl manipüle edileceğini anlamak gibi temel bilgilerden gerçek dünya uygulamalarına hızla ilerlemeye kadar götürür. Okuduktan sonra mevcut modelleri nasıl yükleyeceğinizi, onlara nasıl veri aktaracağınızı ve çıkan verileri nasıl yorumlayacağınızı anlayacaksınız.

JavaScript ile Derin Öğrenme de başlamak için harika bir yerdir. JavaScript'te makine öğrenimi ile çalışma alıştırması yapabilmeniz için GitHub'dan çok sayıda örnek eşlik eder.

Bu kitap, Evrişimli Sinir Ağları, Tekrarlayan Sinir Ağları ve pekiştirmeli öğrenme gibi ileri eğitim paradigmaları gibi çok çeşitli sinir ağı mimarilerinin nasıl kullanılacağını gösterecektir. Ayrıca, eğitim sürecinde sinir ağında gerçekte neler olduğuna dair net açıklamalar sağlar.

TensorFlow.js'yi Öğrenmek
Gant Laborde tarafından

Geniş bir teknik kitle için TensorFlow.js temellerine uygulamalı uçtan uca bir yaklaşım. Bu kitabı bitirdiğinizde, TensorFlow.js ile üretime hazır derin öğrenme sistemlerini nasıl oluşturacağınızı ve dağıtacağınızı öğreneceksiniz.

JavaScript ile Derin Öğrenme
Shanqing Cai, Stanley Bileschi, Eric D. Nielsen ve Francois Chollet

TensorFlow kitaplığının ana yazarları tarafından yazılan bu kitap, tarayıcınızda veya Node.js'de JavaScript'te derin öğrenme uygulamaları için büyüleyici kullanım örnekleri ve derinlemesine talimatlar sağlar.

3. Adım: TensorFlow.js kullanarak örneklerle pratik yapın

Alıştırma mükemmelleştirir ve deneyime sahip olmak, kavramları kilitlemenin en iyi yoludur. Yaygın kullanım örneklerine yönelik bu adım adım kılavuzlarla bilginizi geliştirmek için TensorFlow.js kod laboratuvarlarına göz atın:

  1. Boş bir tuvalden kendi “Öğretilebilir Makinenizi” yapın

  2. Evrişimsel Sinir Ağları ile el yazısı rakam tanıma

  3. 2B verilerden tahminler yapın

  4. Python SavedModel'i TensorFlow.js formatına dönüştürün

  5. Bir TensorFlow.js modelini dağıtmak ve barındırmak için Firebase'i kullanın

  6. Bir yorum spam algılama sistemi oluşturun

  7. Özel uç durumları işlemek için bir yorum spam algılama modelini yeniden eğitin

  8. Aktarım öğrenimini kullanarak ses tanıma

Sinir ağları konusundaki bilginizle, TensorFlow ekibi tarafından oluşturulan açık kaynaklı örnekleri daha kolay keşfedebilirsiniz. Hepsi GitHub'da mevcuttur , böylece kodu inceleyebilir ve nasıl çalıştıklarını görebilirsiniz.

TensorFlow.js ile oluşturulmuş örnekler

GitHub'da TensorFlow.js'de uygulanan bir dizi örnek içeren bir havuz. Her örnek dizin bağımsızdır, böylece dizin başka bir projeye kopyalanabilir.

TensorFlow.js'ye nasıl başlayacağınızı öğrenmek için eğiticilerimizi keşfedin

TensorFlow eğiticileri, Jupyter not defterleri olarak yazılmıştır ve doğrudan Google Colab'da çalıştırılır; bu, kurulum gerektirmeyen, barındırılan bir not defteri ortamıdır. Google Colab'da Çalıştır düğmesini tıklayın.

Adım 4: Yeni bir şey yapın!

Bilginizi test ettikten ve bazı TensorFlow.js örnekleriyle pratik yaptıktan sonra, kendi projelerinizi geliştirmeye başlamaya hazır olmalısınız. Önceden eğitilmiş modellerimize bir göz atın ve birkaç dakika içinde bir uygulama oluşturmaya başlayın. Veya topladığınız verileri veya genel veri kümelerini kullanarak kendi modelinizi eğitebilirsiniz. Kaggle ve Google Veri Kümesi Araması , modelinizi eğitmek için açık veri kümelerini bulmak için harika yerlerdir.

İlham almak istiyorsanız Made With TensorFlow.js gösterimize göz atın ve dünyanın her yerinden uygulamalarında TensorFlow.js kullanmış insanlardan bölümler anlatın.

Ayrıca sosyal medyada #MadeWithTFJS hashtag'ini arayarak topluluktan en son katkıları görebilirsiniz.