Google berkomitmen untuk mendorong terwujudnya keadilan ras bagi komunitas Kulit Hitam. Lihat caranya.
Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Spesialisasi: Dasar-dasar TensorFlow untuk pengembangan JavaScript

Sebelum memulai materi pembelajaran di bawah ini, Anda harus:

  1. Nyaman dengan pemrograman browser menggunakan HTML & JavaScript

  2. Biasakan menggunakan baris perintah untuk menjalankan skrip node.js.

Kurikulum ini untuk mereka yang ingin:

  1. Buat model ML di JavaScript

  2. Jalankan model TensorFlow.js yang ada

  3. Terapkan model ML ke browser web

TensorFlow.js memungkinkan Anda mengembangkan model ML di JavaScript, dan menggunakan ML langsung di browser atau di Node.js. Untuk mempelajari lebih lanjut tentang TensorFlow.js, dan apa yang dapat dilakukan dengannya, lihat pembicaraan ini di Google I / O.

Langkah 1: Pengenalan singkat untuk pembelajaran mesin di browser.

Untuk mendapatkan pengenalan singkat tentang dasar-dasar ML dalam JavaScript, tonton serial video ini di YouTube , yang akan membawa Anda dari prinsip-prinsip pertama, hingga membangun jaringan saraf untuk melakukan klasifikasi dasar.

Kursus online pengantar
Memulai TensorFlow.js oleh TensorFlow

Seri 3 bagian yang membahas pelatihan dan eksekusi model machine learning dengan TensorFlow.js, dan menunjukkan cara membuat model machine learning di JavaScript yang dijalankan langsung di browser.

Gratis
Menonton  

Langkah 2: Selami Deep Learning lebih dalam

Untuk mendapatkan pemahaman yang lebih dalam tentang cara kerja jaringan saraf, dan pemahaman yang lebih luas tentang cara menerapkannya ke berbagai masalah, buku Pembelajaran Mendalam dengan JavaScript adalah tempat yang tepat untuk memulai. Ini disertai dengan sejumlah besar contoh dari GitHub sehingga Anda dapat berlatih bekerja dengan pembelajaran mesin di JavaScript.

Buku ini akan mendemonstrasikan cara menggunakan berbagai macam arsitektur neural network, seperti Convolutional Neural Networks, Recurrent Neural Networks, dan paradigma pelatihan lanjutan seperti pembelajaran penguatan. Ini juga memberikan penjelasan yang jelas tentang apa yang sebenarnya terjadi dengan jaringan saraf dalam proses pelatihan.

Kursus online pengantar
Pembelajaran Mendalam dengan JavaScript oleh Shanqing Cai, Stanley Bileschi, Eric D. Nielsen dengan Francois Chollet

Ditulis oleh penulis utama perpustakaan TensorFlow, buku ini menyajikan kasus penggunaan yang menarik dan instruksi mendalam untuk aplikasi pembelajaran mendalam di JavaScript di browser Anda atau di Node.

Langkah 3: Berlatih dengan contoh menggunakan TensorFlow.js

Latihan membuat sempurna, dan mendapatkan pengalaman langsung adalah cara terbaik untuk mengunci konsep. Dengan pengetahuan Anda tentang jaringan neural, Anda dapat lebih mudah menjelajahi contoh open source yang dibuat oleh tim TensorFlow. Semuanya tersedia di GitHub , sehingga Anda dapat mempelajari kodenya dan melihat cara kerjanya. Untuk bereksperimen dengan kasus penggunaan umum, Anda dapat mulai menjelajahi jaringan neural konvolusional menggunakan contoh mnist , mencoba mentransfer pembelajaran menggunakan contoh mnist-transfer-cnn , atau melihat struktur jaringan neural berulang dengan contoh penambahan-rnn .

TensorFlow.JS
Contoh dibuat dengan TensorFlow.js

Repositori di GitHub yang berisi sekumpulan contoh yang diterapkan di TensorFlow.js. Setiap direktori contoh berdiri sendiri sehingga direktori tersebut dapat disalin ke proyek lain.

TensorFlow.JS
Jelajahi tutorial kami untuk mempelajari cara memulai TensorFlow.js

Tutorial TensorFlow ditulis sebagai notebook Jupyter dan dijalankan langsung di Google Colab — lingkungan notebook yang dihosting yang tidak memerlukan penyiapan. Klik tombol Jalankan di Google Colab.

Langkah 4: Buat sesuatu yang baru!

Setelah Anda menguji pengetahuan Anda, dan berlatih dengan beberapa contoh TensorFlow.js, Anda harus siap untuk mulai mengembangkan proyek Anda sendiri. Lihatlah model terlatih kami, dan mulailah membuat aplikasi. Atau Anda dapat melatih model Anda sendiri menggunakan data yang telah Anda kumpulkan, atau dengan menggunakan kumpulan data publik. Kaggle dan Google Dataset Search adalah tempat yang tepat untuk menemukan set data terbuka untuk melatih model Anda.