Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

TensorFlow pour le développement JavaScript

Avant de commencer avec les supports d'apprentissage ci-dessous, vous devez :

  1. Être à l'aise avec la programmation de navigateur en utilisant HTML, CSS et JavaScript

  2. Familiarisez-vous avec l'utilisation de la ligne de commande pour exécuter des scripts Node.js

Ce cursus s'adresse aux personnes souhaitant :

  1. Créer des modèles ML en JavaScript

  2. Exécutez des modèles existants partout où Javascript peut s'exécuter

  3. Déployer des modèles ML sur des navigateurs Web

TensorFlow.js vous permet de développer ou d'exécuter des modèles ML en JavaScript, et d'utiliser ML directement côté client du navigateur, côté serveur via Node.js, natif mobile via React Native, natif de bureau via Electron, et même sur les appareils IoT via Node.js sur RaspberryPi. Pour en savoir plus sur TensorFlow.js et sur ce qu'il est possible d'en faire, consultez cette conférence sur Google I/O.

Étape 1 : Découvrez le machine learning dans le navigateur

Pour obtenir une introduction rapide sur les bases du ML en JavaScript, suivez le cours à votre rythme sur Edx ou regardez les vidéos ci-dessous qui vous guident des premiers principes à l'utilisation de modèles prédéfinis existants et même à la création de votre propre réseau de neurones pour la classification. Vous pouvez également essayer Créer une webcam intelligente dans JavaScript Codelab pour une présentation interactive de ces concepts.

Superpouvoirs pour les applications Web de nouvelle génération : Machine Learning

Cette introduction de haut niveau à l'apprentissage automatique en JavaScript est destinée aux développeurs Web qui souhaitent faire leurs premiers pas avec TensorFlow.js.

Google AI pour les développeurs JavaScript avec TensorFlow.js

Passez de zéro à héros avec Web ML à l'aide de TensorFlow.js. Apprenez à créer des applications Web de nouvelle génération qui peuvent s'exécuter côté client et être utilisées sur presque tous les appareils.

Créez une webcam intelligente en JavaScript avec un modèle pré-formé

Apprenez à charger et à utiliser l'un des modèles pré-formés TensorFlow.js (COCO-SSD) et à l'utiliser pour reconnaître les objets courants sur lesquels il a été formé.

Étape 2 : Plongez plus profondément dans le Deep Learning

Pour mieux comprendre le fonctionnement des réseaux de neurones et mieux comprendre comment les appliquer à différents problèmes, nous avons deux livres disponibles.

Apprendre TensorFlow.js est un excellent point de départ si vous débutez avec les Tensors et l'apprentissage automatique en général, mais que vous avez une bonne compréhension de JavaScript. Ce livre vous emmène depuis les bases telles que la compréhension de la manipulation des données dans les Tensors, jusqu'à la progression rapide vers des applications du monde réel. Après la lecture, vous comprendrez comment charger des modèles existants, leur transmettre des données et interpréter les données qui en sortent.

L'apprentissage en profondeur avec JavaScript est également un excellent point de départ. Il est accompagné d'un grand nombre d'exemples de GitHub afin que vous puissiez vous entraîner à travailler avec l'apprentissage automatique en JavaScript.

Ce livre montrera comment utiliser une grande variété d'architectures de réseaux de neurones, telles que les réseaux de neurones convolutifs, les réseaux de neurones récurrents et des paradigmes de formation avancés tels que l'apprentissage par renforcement. Il fournit également des explications claires sur ce qui se passe réellement avec le réseau neuronal dans le processus de formation.

Apprendre TensorFlow.js
par Gant Laborde

Une approche pratique de bout en bout des fondamentaux de TensorFlow.js pour un large public technique. Une fois que vous aurez terminé ce livre, vous saurez comment créer et déployer des systèmes de deep learning prêts pour la production avec TensorFlow.js.

Apprentissage en profondeur avec JavaScript
de Shanqing Cai, Stanley Bileschi, Eric D. Nielsen avec François Chollet

Écrit par les principaux auteurs de la bibliothèque TensorFlow, ce livre fournit des cas d'utilisation fascinants et des instructions détaillées pour les applications d'apprentissage en profondeur en JavaScript dans votre navigateur ou sur Node.

Étape 3 : Entraînez-vous avec des exemples utilisant TensorFlow.js

La pratique rend parfait, et acquérir de l'expérience est le meilleur moyen de verrouiller les concepts. Consultez les ateliers de programmation TensorFlow.js pour approfondir vos connaissances grâce à ces guides pas à pas pour les cas d'utilisation courants :

  1. Créez votre propre "machine à enseigner" à partir d'une toile vierge

  2. Reconnaissance manuscrite des chiffres avec les réseaux de neurones convolutifs

  3. Faire des prédictions à partir de données 2D

  4. Convertir un Python SavedModel au format TensorFlow.js

  5. Utiliser Firebase pour déployer et héberger un modèle TensorFlow.js

  6. Construire un système de détection de spam de commentaires

  7. Réentraîner un modèle de détection de spam de commentaires pour gérer les cas marginaux personnalisés

  8. Reconnaissance audio par apprentissage par transfert

Grâce à votre connaissance des réseaux de neurones, vous pouvez explorer plus facilement les exemples open source créés par l'équipe TensorFlow. Ils sont tous disponibles sur GitHub , vous pouvez donc vous plonger dans le code et voir comment ils fonctionnent.

Exemples construits avec TensorFlow.js

Un dépôt sur GitHub qui contient un ensemble d'exemples implémentés dans TensorFlow.js. Chaque exemple de répertoire est autonome et peut donc être copié dans un autre projet.

Explorez nos tutoriels pour découvrir comment démarrer avec TensorFlow.js

Les didacticiels TensorFlow sont écrits sous forme de blocs-notes Jupyter et s'exécutent directement dans Google Colab, un environnement de bloc-notes hébergé qui ne nécessite aucune configuration. Cliquez sur le bouton Exécuter dans Google Colab.

Étape 4 : Créez quelque chose de nouveau !

Une fois que vous avez testé vos connaissances et pratiqué avec certains des exemples TensorFlow.js, vous devriez être prêt à commencer à développer vos propres projets. Jetez un œil à nos modèles pré -entraînés et commencez à créer une application en quelques minutes. Vous pouvez également former votre propre modèle à l'aide des données que vous avez collectées ou en utilisant des ensembles de données publics. Kaggle et Google Dataset Search sont d'excellents endroits pour trouver des ensembles de données ouverts pour la formation de votre modèle.

Si vous êtes à la recherche d'inspiration, consultez notre émission Made With TensorFlow.js et racontez des épisodes de personnes du monde entier qui ont utilisé TensorFlow.js dans leurs applications.

Vous pouvez également voir les dernières contributions de la communauté en recherchant le hashtag #MadeWithTFJS sur les réseaux sociaux.