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

Spécialisation : Les bases de TensorFlow pour le développement JavaScript

Voici les critères à respecter avant de consulter les supports de formation ci-dessous :

  1. Savoir programmer dans un navigateur en HTML et JavaScript

  2. Savoir utiliser la ligne de commande pour exécuter des scripts Node.js

Objectifs d'apprentissage du programme :

  1. Créer des modèles de ML en JavaScript

  2. Exécuter des modèles TensorFlow.js existants

  3. Déployer des modèles de ML dans des navigateurs Web

TensorFlow.js vous permet de développer des modèles de ML en JavaScript et de les utiliser directement dans le navigateur ou sur Node.js. Pour en savoir plus sur TensorFlow.js et ses applications, revivez cet échange enregistré lors de la conférence Google I/O.

Étape 1 : Découvrir le concept de machine learning dans le navigateur

Pour connaître rapidement les bases du ML en JavaScript, regardez cette série de vidéos sur YouTube, qui aborde les principes essentiels jusqu'à la création d'un réseau de neurones permettant de réaliser une classification simple.

Cours en ligne d'introduction
Premiers pas avec TensorFlow.js, par TensorFlow

Cette série de trois vidéos aborde l'entraînement et l'exécution des modèles de machine learning avec TensorFlow.js, et montre comment créer un modèle de ML en JavaScript qui s'exécute directement dans le navigateur.

Gratuits
Montre  

Étape 2 : Creuser le sujet du deep learning

Le livre Deep Learning with JavaScript est une excellente ressource pour comprendre plus précisément comment fonctionnent les réseaux de neurones et, de façon plus générale, savoir les utiliser en réponse à diverses problématiques. Il contient une foule d'exemples issus de GitHub pour vous exercer au machine learning en JavaScript.

Ce livre montre comment utiliser une grande variété d'architectures de réseau de neurones, telles que le réseau de neurones convolutif et le réseau de neurones récurrent, et des paradigmes d'entraînement avancés comme l'apprentissage par renforcement. Il décrit aussi clairement ce qui se passe au niveau du réseau de neurones lors du processus d'entraînement.

Cours en ligne d'introduction
DEEP LEARNING with JavaScript, de Shanqing Cai, Stanley Bileschi, Eric D. Nielsen et François Chollet

Écrit par les principaux auteurs de la bibliothèque TensorFlow, ce livre présente des cas d'utilisation fascinants et explique comment exécuter des applications de deep learning en JavaScript dans un navigateur ou sur Node.

Étape 3 : S'entraîner avec des exemples à l'aide de TensorFlow.js

C'est en forgeant qu'on devient forgeron. Passer à la pratique est le meilleur moyen d'ancrer des concepts. Maintenant que vous maîtrisez les réseaux de neurones, il est plus facile pour vous d'étudier les exemples imaginés par l'équipe TensorFlow et accessibles en Open Source sur GitHub. Le but est de vous permettre de plonger dans le code et d'étudier les cas d'utilisation les plus courants. Découvrez les réseaux de neurones convolutifs avec l'exemple mnist, entraînez-vous à l'apprentissage par transfert avec l'exemple mnist-transfer-cnn ou examinez la structure des réseaux de neurones récurrents avec l'exemple addition-rnn.

TensorFlow.JS
Exemples créés avec TensorFlow.js

Un dépôt sur GitHub contenant des exemples mis en œuvre dans TensorFlow.js. Chaque exemple est enregistré dans un répertoire indépendant, qu'il est possible de copier dans un autre projet.

TensorFlow.JS
Tutoriels pour bien démarrer avec TensorFlow.js

Les tutoriels TensorFlow se présentent sous la forme de notebooks Jupyter et s'exécutent directement dans Google Colab, un environnement de notebook hébergé qui ne nécessite aucune configuration. Il suffit de cliquer sur le bouton "Exécuter dans Google Colab".

Étape 4 : Inventer

Vous avez testé vos connaissances et vous vous êtes exercé avec des exemples TensorFlow.js. Vous voilà fin prêt à développer vos propres projets ! Étudiez nos modèles pré-entraînés et lancez-vous dans la création d'une application. Vous pouvez également entraîner un modèle personnalisé à partir des données que vous aurez collectées ou d'ensembles de données publics. Kaggle et Google Recherche d'ensembles de données vous donnent accès à des ensembles Open Source pour entraîner votre modèle.