Google is committed to advancing racial equity for Black communities. See how.

Programa especializado: Conceptos básicos de TensorFlow para el desarrollo en JavaScript

Antes de comenzar a usar los materiales didácticos que se encuentran a continuación, asegúrate de lo siguiente:

  1. Saber programar navegadores con HTML y JavaScript

  2. Estar familiarizado con el uso de líneas de comandos para ejecutar secuencias de comandos de node.js

Esta capacitación es para las personas que quieran hacer lo siguiente:

  1. Compilar modelos de AA en JavaScript

  2. Ejecutar modelos existentes de TensorFlow.js

  3. Implementar modelos de AA en navegadores web

TensorFlow.js te permite desarrollar modelos de AA en JavaScript y usar el AA directamente en el navegador o en Node.js. Para obtener más información sobre TensorFlow.js y sobre qué se puede hacer con él, mira esta charla en Google I/O.

Paso 1: Breve introducción al aprendizaje automático en el navegador.

Para obtener una introducción breve a las nociones básicas de AA en JavaScript, mira esta serie de videos en YouTube, que te lleva desde los principios iniciales hasta la compilación de una red neuronal para hacer una clasificación básica.

Cursos de introducción en línea
Comienza a usar TensorFlow.js por TensorFlow

Una serie de 3 partes que explora tanto el entrenamiento como la ejecución de modelos de aprendizaje automático con TensorFlow.js, y muestra cómo crear un modelo de aprendizaje automático en JavaScript que se ejecute directamente en el navegador.

Gratis
Reloj  

Paso 2: Explora aún más el aprendizaje profundo

Para obtener una comprensión más profunda de cómo funcionan las redes neuronales y cómo aplicarlas a diferentes problemas, el libro Deep Learning with JavaScript es un excelente punto de partida. Viene acompañado de una gran cantidad de ejemplos de GitHub para que puedas practicar el uso del aprendizaje automático en JavaScript.

Este libro demuestra cómo usar una gran variedad de arquitecturas de redes neuronales, como las redes neuronales convolucionales, las redes neuronales recurrentes y los paradigmas avanzados de entrenamiento, tales como el aprendizaje por refuerzo. También ofrece explicaciones claras de lo que sucede con las redes neuronales en el proceso de entrenamiento.

Cursos de introducción en línea
Deep Learning with JavaScript por Shanqing Cai, Stanley Bileschi y Eric D. Nielsen con Francois Chollet

Este libro, escrito por los principales autores de la biblioteca de TensorFlow, presenta casos prácticos fascinantes así como instrucciones detalladas sobre las apps de aprendizaje profundo en JavaScript en tu navegador o en Node.

Paso 3: Practica con ejemplos mediante TensorFlow.js

Practicar ayuda a mejorar, y obtener experiencia práctica es la mejor manera de afirmar los conceptos. Con tu conocimiento de las redes neuronales, puedes explorar con más facilidad los ejemplos de código abierto que creó el equipo de TensorFlow. Están todos disponibles en GitHub, así puedes analizar el código y ver cómo funcionan. Para practicar con casos prácticos comunes, puedes empezar a explorar las redes neuronales convolucionales mediante el ejemplo MNIST; probar el aprendizaje por transferencia con el ejemplo mnist-transfer-cnn; o bien, observar cómo están estructuradas las redes neuronales recurrentes con el ejemplo addition-rnn.

TensorFlow.JS
Ejemplos que se compilaron con TensorFlow.js

Un repositorio en GitHub que contiene una serie de ejemplos implementados en TensorFlow.js. El directorio de cada ejemplo es independiente, por lo que se puede copiar en otro proyecto.

TensorFlow.JS
Explora nuestros instructivos para comenzar a usar TensorFlow.js

Los instructivos de TensorFlow se escriben como notebooks de Jupyter y se ejecutan directamente en Google Colab, un entorno de notebook alojado que no requiere configuración. Haz clic en el botón Ejecutar en Google Colab.

Paso 4: Crea algo nuevo

Después de evaluar tu conocimiento y practicar con algunos de los ejemplos de TensorFlow.js, deberías estar preparado para empezar a desarrollar tus propios proyectos. Mira nuestros modelos previamente entrenados y comienza a compilar una app. O bien, entrena tu propio modelo con los datos que recopilaste o con conjuntos de datos públicos. Kaggle y Google Búsqueda de Datasets son excelentes sitios para encontrar conjuntos de datos abiertos para entrenar tu modelo.