Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.

TensorFlow para desenvolvimento JavaScript

Antes de começar a usar os materiais de aprendizado abaixo, você precisa atender aos seguintes requisitos:

  1. Saber programar navegadores com HTML, CSS e JavaScript

  2. Saber usar a linha de comando para executar scripts Node.js

Este currículo é destinado a pessoas que buscam:

  1. Criar modelos de ML em JavaScript

  2. Executar modelos existentes em qualquer local em que JavaScript possa ser usado

  3. Implantar modelos de ML em navegadores da Web

Com o TensorFlow.js, é possível desenvolver ou executar modelos de ML em JavaScript e usar ML diretamente no lado do cliente do navegador, no servidor com o Node.js, nativo para dispositivos móveis com o React Native, nativo para desktop com o Electron e até mesmo em dispositivos de IoT com o Node.js no Raspberry Pi. Para saber mais sobre o TensorFlow.js e o que pode ser feito com a tecnologia, confira esta palestra no Google I/O.

Etapa 1: introdução ao machine learning no navegador

To get a quick introduction on basics for ML in JavaScript, take the self-paced course on Edx or watch the videos below that take you from first principles, to using existing pre-made models, and even building your own neural network for classification. You can also try the Make a smart webcam in JavaScript Codelab for an interactive walkthrough of these concepts.

Superpoderes para apps da Web de última geração: machine learning

Esta introdução de alto nível ao machine learning em JavaScript é destinada a desenvolvedores da Web que querem dar os primeiros passos com o TensorFlow.js.

Gratuito
Watch video
Google AI for JavaScript developers with TensorFlow.js

Go from zero to hero with web ML using TensorFlow.js. Learn how to create next generation web apps that can run client side and be used on almost any device.

Gratuito
Ver curso
Faça uma webcam inteligente em JavaScript com um modelo pré-treinado

Saiba como carregar um dos modelos pré-treinados do TensorFlow.js (COCO-SSD) e usá-lo para reconhecer objetos comuns em que ele foi treinado.

Etapa 2: saiba mais sobre o aprendizado profundo

Disponibilizamos dois livros para ajudar você a entender ainda mais o funcionamento das redes neurais e saber como aplicá-las a diferentes problemas.

Learning TensorFlow.js é um ótimo ponto de partida para iniciantes em tensores e machine learning em geral, mas com bons conhecimentos de JavaScript. Este livro abrange princípios básicos, como a manipulação de dados em tensores, para que você possa avançar rapidamente para apps do mundo real. Após a leitura, você saberá como carregar modelos existentes, transmitir dados para eles e interpretar os dados resultantes.

O livro Deep Learning with JavaScript é outro excelente ponto de partida. Ainda há um grande número de exemplos do GitHub para você praticar com machine learning em JavaScript.

Este livro traz demonstrações de como usar uma ampla variedade de arquiteturas de rede neural, incluindo as redes neurais convolucionais, as redes neurais recorrentes e os paradigmas de treinamento avançado, como o aprendizado por reforço. A publicação também mostra explicações claras sobre o que realmente acontece com a rede neural no processo de treinamento.

Como aprender sobre o TensorFlow.js
de Gant Laborde

Uma abordagem prática de ponta a ponta aos princípios básicos do TensorFlow.js para um público técnico amplo. Ao terminar este livro, você saberá como criar e implantar sistemas de aprendizado profundo prontos para produção com o TensorFlow.js.

Deep Learning with JavaScript
de Shanqing Cai, Stanley Bileschi e Eric D. Nielsen com Francois Chollet

Escrito pelos principais autores da biblioteca do TensorFlow, este livro mostra casos de uso fascinantes e instruções detalhadas para apps de aprendizado profundo em JavaScript no navegador ou no Node.

Etapa 3: pratique com exemplos usando o TensorFlow.js

A prática leva à perfeição. Por isso, fazer exercícios práticos é a melhor maneira de reter os conceitos. Confira os codelabs do TensorFlow.js para expandir seus conhecimentos com estes guias passo a passo para casos de uso comuns:

  1. Crie sua própria "Máquina que Aprende" do zero

  2. Reconhecimento de dígitos manuscritos com redes neurais convolucionais

  3. Faça previsões com dados 2D

  4. Converta um SavedModel Python para o formato do TensorFlow.js

  5. Use o Firebase para implantar e hospedar um modelo do TensorFlow.js

  6. Criar um sistema de detecção de spam em comentários

  7. Treine novamente um modelo de detecção de spam em comentários para lidar com casos extremos personalizados

  8. Reconhecimento de áudio usando o aprendizado por transferência

Com conhecimento de redes neurais, é mais fácil estudar os exemplos de código aberto criados pela equipe do TensorFlow. Esse conteúdo está disponível no GitHub (em inglês) para você analisar o código e ver como os exemplos funcionam.

Exemplos criados com o TensorFlow.js

Repositório do GitHub com exemplos implementados no TensorFlow.js. Os exemplos de diretório são independentes e podem ser copiados para outro projeto.

Gratuito
Saiba mais
Consulte nossos tutoriais para saber como começar a usar o TensorFlow.js

Os tutoriais do TensorFlow são escritos como notebooks do Jupyter e executados diretamente no Google Colab, um ambiente de notebook hospedado que não precisa de configuração. Clique no botão "Executar no Google Colab".

Gratuito
Saiba mais

Etapa 4: faça algo novo

Após testar seus conhecimentos e praticar com alguns exemplos do TensorFlow.js, estará tudo pronto para você começar a desenvolver seus próprios projetos. Confira nossos modelos pré-treinados e comece a criar um app em minutos. Outra opção é treinar seu próprio modelo usando dados coletados ou conjuntos de dados públicos. O Kaggle e o Google Pesquisa de Datasets são ótimos locais para treinar um modelo.

Caso esteja procurando inspiração, confira os episódios do Made With TensorFlow.js de pessoas do mundo todo que usaram o TensorFlow.js em apps.

Você também pode ver as contribuições mais recentes da comunidade pesquisando pela hashtag #MadeWithTFJS nas mídias sociais.