L'apprentissage automatique (ML) a révolutionné diverses industries, permettant aux ordinateurs d'apprendre et de prédire en fonction de modèles et de données. Traditionnellement, les modèles de machine learning sont construits et exécutés sur des serveurs ou des machines hautes performances. Cependant, à mesure que la technologie Web progresse, il est désormais possible de créer et de déployer des modèles ML directement dans le navigateur à l'aide de JavaScript.
Dans cet article, nous explorerons le monde passionnant de l'apprentissage automatique en JavaScript et apprendrons comment créer des modèles ML pouvant s'exécuter dans le navigateur.
L'apprentissage automatique est un sous-ensemble de l'intelligence artificielle (IA) qui se concentre sur la création de modèles capables d'apprendre à partir des données et de faire des prédictions ou des décisions. Il existe deux principaux types d’apprentissage automatique : l’apprentissage supervisé et l’apprentissage non supervisé.
L'apprentissage supervisé implique la formation d'un modèle sur des données étiquetées, où les caractéristiques d'entrée et les valeurs de sortie correspondantes sont connues. Le modèle apprend des modèles à partir de données étiquetées pour faire des prédictions sur de nouvelles données invisibles.
L'apprentissage non supervisé, en revanche, traite des données non étiquetées. Le modèle découvre des modèles et des structures cachés dans les données sans aucune étiquette prédéfinie.
Pour démarrer avec l'apprentissage automatique JavaScript, suivez ces étapes -
Node.js est un environnement d'exécution JavaScript qui nous permet d'exécuter du code JavaScript en dehors d'un navigateur Web. Il fournit les outils et bibliothèques nécessaires pour utiliser TensorFlow.js.
Après avoir installé Node.js, ouvrez votre éditeur de code préféré et créez un nouveau répertoire pour votre projet ML. Accédez au répertoire du projet à l’aide de la ligne de commande ou du terminal.
Dans la ligne de commande ou le terminal, exécutez la commande suivante pour initialiser un nouveau projet Node.js -
npm init -y
Cette commande crée un nouveau fichier package.json pour gérer les dépendances et la configuration du projet.
Pour installer TensorFlow.js, exécutez la commande suivante dans la ligne de commande ou le terminal -
npm install @tensorflow/tfjs
Maintenant que votre projet est configuré et que TensorFlow.js est installé, vous pouvez commencer à créer des modèles d'apprentissage automatique dans le navigateur. Vous pouvez créer un nouveau fichier JavaScript, importer TensorFlow.js et utiliser son API pour définir, entraîner un modèle ML et effectuer des prédictions.
Plongeons dans quelques exemples de code pour apprendre à utiliser TensorFlow.js et à créer des modèles d'apprentissage automatique en JavaScript.
La régression linéaire est un algorithme d'apprentissage supervisé utilisé pour prédire les valeurs de sortie continues en fonction des caractéristiques d'entrée.
Voyons comment implémenter la régression linéaire à l'aide de TensorFlow.js.
// Import TensorFlow.js library import * as tf from '@tensorflow/tfjs'; // Define input features and output values const inputFeatures = tf.tensor2d([[1], [2], [3], [4], [5]], [5, 1]); const outputValues = tf.tensor2d([[2], [4], [6], [8], [10]], [5, 1]); // Define the model architecture const model = tf.sequential(); model.add(tf.layers.dense({ units: 1, inputShape: [1] })); // Compile the model model.compile({ optimizer: 'sgd', loss: 'meanSquaredError' }); // Train the model model.fit(inputFeatures, outputValues, { epochs: 100 }).then(() => { // Make predictions const predictions = model.predict(inputFeatures); // Print predictions predictions.print(); });
Dans cet exemple, nous importons d'abord la bibliothèque TensorFlow.js. Ensuite, nous définissons les caractéristiques d'entrée et les valeurs de sortie sous forme de tenseurs. Ensuite, nous créons un modèle séquentiel et ajoutons une couche dense avec une unité. Nous compilons le modèle en utilisant l'optimiseur "sgd" et la fonction de perte "meanSquaredError". Enfin, nous entraînons le modèle pour 100 époques et faisons des prédictions sur les caractéristiques d'entrée. Les valeurs de sortie prévues sont imprimées sur la console.
Tensor [2.2019906], [4.124609 ], [6.0472274], [7.9698458], [9.8924646]]
L'analyse des sentiments est une application populaire de l'apprentissage automatique qui consiste à analyser des données textuelles pour déterminer l'émotion ou le ton émotionnel exprimé dans le texte. Nous pouvons utiliser TensorFlow.js pour créer un modèle d'analyse des sentiments qui prédit si un texte donné a un sentiment positif ou négatif.
Considérez le code ci-dessous.
// Import TensorFlow.js library import * as tf from '@tensorflow/tfjs'; import '@tensorflow/tfjs-node'; // Required for Node.js environment // Define training data const trainingData = [ { text: 'I love this product!', sentiment: 'positive' }, { text: 'This is a terrible experience.', sentiment: 'negative' }, { text: 'The movie was amazing!', sentiment: 'positive' }, // Add more training data... ]; // Prepare training data const texts = trainingData.map(item => item.text); const labels = trainingData.map(item => (item.sentiment === 'positive' ? 1 : 0)); // Tokenize and preprocess the texts const tokenizedTexts = texts.map(text => text.toLowerCase().split(' ')); const wordIndex = new Map(); let currentIndex = 1; const sequences = tokenizedTexts.map(tokens => { return tokens.map(token => { if (!wordIndex.has(token)) { wordIndex.set(token, currentIndex); currentIndex++; } return wordIndex.get(token); }); }); // Pad sequences const maxLength = sequences.reduce((max, seq) => Math.max(max, seq.length), 0); const paddedSequences = sequences.map(seq => { if (seq.length < maxLength) { return seq.concat(new Array(maxLength - seq.length).fill(0)); } return seq; }); // Convert to tensors const paddedSequencesTensor = tf.tensor2d(paddedSequences); const labelsTensor = tf.tensor1d(labels); // Define the model architecture const model = tf.sequential(); model.add(tf.layers.embedding({ inputDim: currentIndex, outputDim: 16, inputLength: maxLength })); model.add(tf.layers.flatten()); model.add(tf.layers.dense({ units: 1, activation: 'sigmoid' })); // Compile the model model.compile({ optimizer: 'adam', loss: 'binaryCrossentropy', metrics: ['accuracy'] }); // Train the model model.fit(paddedSequencesTensor, labelsTensor, { epochs: 10 }).then(() => { // Make predictions const testText = 'This product exceeded my expectations!'; const testTokens = testText.toLowerCase().split(' '); const testSequence = testTokens.map(token => { if (wordIndex.has(token)) { return wordIndex.get(token); } return 0; }); const paddedTestSequence = testSequence.length < maxLength ? testSequence.concat(new Array(maxLength - testSequence.length).fill(0)) : testSequence; const testSequenceTensor = tf.tensor2d([paddedTestSequence]); const prediction = model.predict(testSequenceTensor); const sentiment = prediction.dataSync()[0] > 0.5 ? 'positive' : 'negative'; // Print the sentiment prediction console.log(`The sentiment of "${testText}" is ${sentiment}.`); });
Epoch 1 / 10 eta=0.0 ========================================================================> 14ms 4675us/step - acc=0.00 loss=0.708 Epoch 2 / 10 eta=0.0 ========================================================================> 4ms 1428us/step - acc=0.667 loss=0.703 Epoch 3 / 10 eta=0.0 ========================================================================> 5ms 1733us/step - acc=0.667 loss=0.697 Epoch 4 / 10 eta=0.0 ========================================================================> 4ms 1419us/step - acc=0.667 loss=0.692 Epoch 5 / 10 eta=0.0 ========================================================================> 6ms 1944us/step - acc=0.667 loss=0.686 Epoch 6 / 10 eta=0.0 ========================================================================> 5ms 1558us/step - acc=0.667 loss=0.681 Epoch 7 / 10 eta=0.0 ========================================================================> 5ms 1513us/step - acc=0.667 loss=0.675 Epoch 8 / 10 eta=0.0 ========================================================================> 3ms 1057us/step - acc=1.00 loss=0.670 Epoch 9 / 10 eta=0.0 ========================================================================> 5ms 1745us/step - acc=1.00 loss=0.665 Epoch 10 / 10 eta=0.0 ========================================================================> 4ms 1439us/step - acc=1.00 loss=0.659 The sentiment of "This product exceeded my expectations!" is positive.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
La différence entre rom et bélier
Comment vérifier si le port 445 est fermé
Quelles sont les plateformes de vidéos courtes ?
La différence entre tas et pile
Caractéristiques des bases de données relationnelles
Avertissement d'appel du Centre national antifraude
attributusage
La différence entre l'hibernation et le sommeil de l'ordinateur
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
