Introducción a machine learning con JavaScript
Descargar como PPTX, PDF1 recomendación595 vistas
Este documento presenta una introducción a machine learning con JavaScript. Explica conceptos básicos como aprendizaje supervisado, no supervisado y por refuerzo. Luego describe alternativas populares para machine learning en JavaScript como brain.js y TensorFlow.js. Finalmente, ofrece un ejemplo de código de reconocimiento de escritura con TensorFlow.js.
Introducción a machine learning con JavaScript
- 1. Introducción a machine learning con JavaScript CaliJS – Junio 2018
- 2. ¡Hola! Soy Manuel Zapata Geek, emprendedor, arquitecto de software. Me pueden encontrar en http://manuelzapata.co. 2
- 3. Empecemos con un ejemplo Teachable machine 3
- 4. 1. Una revisión de los conceptos básicos 4
- 6. “ Es un área de la inteligencia artificial, que normalmente usa técnicas estadísticas para darle a los computadores la habilidad de “aprender” con datos, sin ser explícitamente programados. 6
- 7. http://manuelzapata.co Categorías principales en machine learning ◎Aprendizaje supervisado. ◎Aprendizaje no supervisado. ◎Aprendizaje por refuerzo. 7
- 10. http://manuelzapata.co Aprendizaje supervisado: árboles de decisión 10
- 12. http://manuelzapata.co Aprendizaje supervisado: redes neuronales 12
- 13. Ejemplo de redes neuronales Deep playground 13
- 14. 2. De la teoría a lo técnico 14
- 15. Lenguajes más populares para machine learning 15
- 16. http://manuelzapata.co Alternativas con JavaScript ◎brain.js ◎Synaptic ◎ConvNetJS ◎Compromise ◎Neuro.js ◎ml.js ◎TensorFlow.js (antes DeepLearn.js) 16
- 18. ¿Qué es TensorFlow.js? Es una librería de código abierto, que hace uso de WebGL, para ofrecer servicios de machine learning 18
- 19. http://manuelzapata.co Características generales ◎Anunciado el 30 de marzo. ◎Machine learning en el navegador. ◎Aceleración por GPU, usando WebGL. ◎También en Node. ◎No envía datos al servidor (privacidad). 19
- 20. http://manuelzapata.co Características generales ◎Sucesor de deeplearn.js (ahora TensorFlow.js Core). ◎API de bajo nivel para álgebra lineal. ◎API de alto nivel para capas. ◎Se pueden crear modelos directamente en el navegador. ◎Se pueden importar modelos de TensorFlow y Keras. ◎API similar al de Python, pero aún no lo iguala. 20
- 22. http://manuelzapata.co Tensores Un conjunto de valores numéricos, de una o más dimensiones. Son inmutables. Funciones tf.tensor tf.tensor2d tf.scalar tf.zeros tf.tensor1d tf.ones 22
- 23. http://manuelzapata.co Variables Se inicializan con un tensor. No son inmutables. Funciones tf.variable 23
- 24. http://manuelzapata.co Operaciones Permiten manipular los datos almacenados en tensores. Tienen funcionalidades para álgebra lineal y machine learning. Funciones square logicalAnd add mean sum transpose 24
- 25. http://manuelzapata.co Modelos y capas Un modelo es una estructura compuesta por capas, y que dado unos datos de entrada provee una salida. Funciones para modelos Funciones para capas tf.sequential tf.layers.dense tf.model tf.layers.simpleRNN tf.loadModel tf.layers.conv2d 25
- 27. Un último ejemplo Reconocimiento de escritura 27
- 28. 4. Cierre 28
- 29. http://manuelzapata.co ¿Por dónde empezar? ◎Página oficial de TensorFlow.js. ◎Video de lanzamiento de TensorFlow.js. ◎Nanodegree de machine learning de Udacity. ◎Especialización de deep learning de Coursera. ◎Machine learning crash course de Google. ◎Google Cloud AI. ◎Machine learning en AWS. 29
- 31. ¡Mil gracias! 31
Notas del editor
- #4: Características del ejemplo - Utiliza redes neuronales. - El conjunto de datos de entrenamiento se genera en el navegador. - El entrenamiento se ejecuta en el navegador. - Emplea TensorFlow.js.
- #5: Revisión muy general.
- #10: http://bigdata-madesimple.com/machine-learning-explained-understanding-supervised-unsupervised-and-reinforcement-learning/
- #11: https://medium.com/machine-learning-101/chapter-3-decision-trees-theory-e7398adac567
- #12: https://statistics.laerd.com/spss-tutorials/linear-regression-using-spss-statistics.php
- #13: https://colab.research.google.com/github/tensorflow/models/blob/r1.8.0/samples/core/get_started/eager.ipynb
- #14: Características del ejemplo - Utiliza redes neuronales. - El conjunto de datos de entrenamiento se genera en el navegador. - El entrenamiento se ejecuta en el navegador. - Emplea TensorFlow.js.
- #15: Revisión muy general.
- #17: Compromise Procesamiento de lenguajes naturales. ml.Js Utilitarios para machine learning y análisis numérico.
- #18: Revisión muy general.
- #27: Características del ejemplo - Utiliza redes neuronales. - El conjunto de datos de entrenamiento se genera en el navegador. - El entrenamiento se ejecuta en el navegador. - Emplea TensorFlow.js.
- #28: Características del ejemplo - Utiliza redes neuronales. - El conjunto de datos de entrenamiento se genera en el navegador. - El entrenamiento se ejecuta en el navegador. - Emplea TensorFlow.js.
- #29: Revisión muy general.
- #32: Características del ejemplo - Utiliza redes neuronales. - El conjunto de datos de entrenamiento se genera en el navegador. - El entrenamiento se ejecuta en el navegador. - Emplea TensorFlow.js.