Help protect the Great Barrier Reef with TensorFlow on Kaggle Join Challenge

TensorFlow para el desarrollo en JavaScript

Antes de comenzar a usar los materiales didácticos que se encuentran a continuación, asegúrate de cumplir con los siguientes puntos:

  1. Saber programar para navegadores con HTML, CSS y JavaScript

2 Estar familiarizado con el uso de la línea de comandos para ejecutar secuencias de comandos de Node.js

Esta capacitación está diseñada para quienes quieran aprender lo siguiente:

1 Crear modelos de AA en JavaScript

  1. Ejecutar modelos existentes en entornos que puedan ejecutar JavaScript

  2. Implementar modelos de AA en navegadores web

TensorFlow.js te permite desarrollar o ejecutar modelos de AA en JavaScript y usar el AA directamente en el navegador del cliente, en el navegador del servidor mediante Node.js, en nativos de dispositivos móviles mediante React Native, en nativos de escritorio mediante Electron y también en dispositivos de IoT mediante Node.js en Raspberry Pi. Para obtener más información sobre TensorFlow.js y lo que se puede hacer con él, mira esta charla de Google I/O.

Paso 1: Introducción al aprendizaje automático en el navegador

Para obtener una introducción breve a las nociones básicas de AA en JavaScript, mira los videos a continuación, que cubren desde los principios básicos hasta el uso de modelos existentes creados previamente, además de la creación de tu propia red neuronal para clasificación. También puedes recurrir al Codelab Crea una webcam inteligente en JavaScript para acceder a una explicación interactiva de estos conceptos.

Superpowers for next gen web apps: Machine Learning

Esta introducción de alto nivel al aprendizaje automático en JavaScript está dirigida a los desarrolladores web que quieren dar sus primeros pasos con TensorFlow.js.

Comienza a usar TensorFlow.js por TensorFlow

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

Crea una webcam inteligente en JavaScript con un modelo previamente entrenado

Aprende a cargar y usar uno de los modelos previamente entrenados de TensorFlow.js (COCO-SSD) y usarlo para reconocer objetos comunes con los que fue entrenado.

Paso 2: Explora aún más el aprendizaje profundo

A fin de obtener una comprensión más profunda sobre el funcionamiento de las redes neuronales y el proceso para aplicarlas a diferentes problemas, hay dos libros disponibles.

Learning TensorFlow.js es un excelente punto de partida si no tienes conocimientos sobre tensores y aprendizaje automático, pero tienes buenos conocimientos sobre JavaScript. Este libro cubre desde los conceptos básicos, como comprender la forma de manipular datos en tensores, hasta la creación de aplicaciones para el mundo real. Cuando lo leas, comprenderás cómo cargar modelos existentes, pasarles datos y también interpretar datos de salida.

Deep Learning with JavaScript también 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 y las redes neuronales recurrentes, y paradigmas avanzados de entrenamiento, como el aprendizaje por refuerzo. También ofrece explicaciones claras de lo que sucede con las redes neuronales en el proceso de entrenamiento.

Learning TensorFlow.js
por Gant Laborde

Una introducción práctica de extremo a extremo sobre los aspectos básicos de TensorFlow.js para un público técnico más amplio. Cuando termines este libro, sabrás cómo crear e implementar sistemas de aprendizaje profundo listos para la producción con TensorFlow.js.

Deep Learning with JavaScript
por Shanqing Cai, Stanley Bileschi, Eric D. Nielsen con Francois Chollet

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

Paso 3: Practica con ejemplos y TensorFlow.js

Practicar ayuda a mejorar, y obtener experiencia práctica es la mejor manera de afirmar los conceptos. Mira los codelabs de TensorFlow.js a fin de profundizar tu conocimiento con estas guías paso a paso para casos de uso comunes:

  1. Crea tu propia "Teachable Machine" desde un proyecto en blanco

  2. Reconocimiento de dígitos de escritura a mano con redes neuronales convolucionales

  3. Realiza predicciones a partir de datos 2D

  4. Convert a Python SavedModel to TensorFlow.js format

  5. Usa Firebase para implementar y alojar un modelo de TensorFlow.js

  6. Build a comment spam detection system

  7. Retrain a comment spam detection model to handle custom edge cases

  8. Audio recognition using transfer learning

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 para que puedas analizar el código y ver cómo funcionan.

Ejemplos que se crearon con TensorFlow.js

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.

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, ya deberías poder desarrollar tus propios proyectos. Mira nuestros modelos previamente entrenados y comienza a crear 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 a fin de entrenar tu modelo.

Si estás buscando inspiración, mira nuestros episodios de demostración Made With TensorFlow.js de personas de todo el mundo que usaron TensorFlow.js en sus aplicaciones.

También puedes ver las últimas contribuciones de la comunidad si buscas el hashtag #MadeWithTFJS en las redes sociales.