[机器学习]基于 JavaScript 的机器学习实例
来源:互联网 发布:网络支付方式有哪些 编辑:程序博客网 时间:2024/05/18 01:31
随着人工智能技术的发展,机器学习越来越受到开发者们的关注,从而也导致了机器学习库如雨后春笋般的涌现出来,而且没有任何放缓的趋势。虽然,传统意义上 Python 已经成为了最受欢迎的机器学习语言。但目前神经网络可在任何编程语言中运行,当然也包括 JavaScript!
虽然,大多数 javascript 机器学习库都是“新轮子”,有的甚至还在研发中,但并不会影响你的使用。在这篇文章中,我们将与你分享这些库,以及一些很酷的 AI Web 应用程序实例,帮助你开启机器学习之旅。
1. Brain
Brain 是一个可以让你轻松创建神经网络的库,并可通过输入/输出数据进行训练。尽管,它可以直接在浏览器网页上运行,但是训练的过程会占用大量的资源,因此最好在 Node.js 环境中启动它。另外,在他们网站上还有一个用于训练识别色彩对比度的小例子,你也可以了解下。
项目地址:
2. Deep playground
这是由 TensorFlow 出品的可视化的神经网络交互式学习程序。它可以带你了解神经网络,并探索其不同的组件。它不仅有一个漂亮的用户界面,而且通过控制数据、神经元数量、使用算法的类别以及各项其他的指标,让你能够直观、实时的了解其运行的状态。另外,由于它是开源的(它用 TypeScript 编写,并具备优质的文档可查阅),所以通过了解其项目背景,你还能够学到更多有价值的知识。
项目地址:
3. FlappyLearning
FlappyLearning 是一个仅用 800 行代码创建的 JavaScript 机器学习库,它让你可以像行家一样玩转 Flappy Bird 游戏。在这个库中所使用的 AI 技术被称为“Neuroevolution”,而它所应用算法的灵感则源于自然界生物神经系统的进化,并且它可以从每次成功或失败的迭代中进行动态的学习。另外,你只需要在浏览器中打开 index.html 就可以运行它了,炒鸡简单。
项目地址:
4. Synaptic
这个项目可能是本文所有项目中最活跃的项目了。Synaptic 是一个 node.js 和浏览器可用的库。虽然它的架构未知,但开发人员可以通过它来构建任何类型的神经网络。它也具备一些内置架构,使它能够快速的测试,并能针对不同的机器学习算法进行比较。同时,它的使用文档丰富且全面,包含了神经网络的基本介绍、一些实用的演示,以及相应的使用教程。
项目地址:
5. Land Lines
Land Lines 是一个有趣的 Chrome Web 实验。用户通过在页面上涂鸦,来发现地球上的卫星图像。它可以完全在浏览器中运行,无需服务器端的调用。同时,由于机器学习和 WebGL 的巧妙使用,即使在移动设备上它也有出色的表现。如果你对它比较感兴趣,也可以在 GitHub 上查看其源码,或者在这里阅读整个案例研究。
项目地址:
6. ConvNetJS
虽然,此项目不再积极维护,但 ConvNetJS 却是基于 JavaScript 最先进的深度学习库之一。最初它是由斯坦福大学开发的项目,随着在 GitHub 上的流行,许多社区开始驱动了其新的特性,并撰写了相关的教程。它可以直接在浏览器中工作,支持多种学习技术,而且操作简单,适合神经网络进阶者学习。
项目地址:
7. Thing Translator
Thing Translator 是一个 Web 实验,让你可以通过手机来识别实物,并可用不同的语言为它们命名。这款应用程序完全基于 Web 技术构建,并整合了 Google 的两种机器学习 API,即用于图像识别的 Cloud Vision 和用于自然语言翻译的 Translate API 。
项目地址:
8. Neurojs
这是一个基于强化学习的人工智能系统框架。遗憾的是,这个开源项目并没有合适的文档。但其中一个自动驾驶汽车的演示,却对组成神经网络的不同部分有很好的描述。这个库仅通过 JavaScript 实现,并应用了 webpack 和 babel 。
项目地址:
9. Machine_learning
Machine_learning 是一个仅通过 JavaScript 便可设置和训练神经网络的库。无论是在 Node.js,还是客户端上,它都易于安装,并且具备非常干净的 API,适合任何技术级别的开发者进行学习。同时,该库还提供了许多现成的流行算法示例,帮助你了解核心的机器学习原理。
项目地址:
10. DeepForge
DeepForge 是一个对于用户友好的深度学习开发环境。有了它,你可以使用简单的图形界面对神经网络进行设计,同时它还支持远程机器的训练模型,并且内置了版本控制。它基于 Node.js 和 MongoDB,可在浏览器中运行。对于大多数 Web 开发者来说,它的安装过程也会相当的简单。
项目地址:
- [机器学习]基于 JavaScript 的机器学习实例
- [机器学习]基于 JavaScript 的机器学习实例
- [机器学习]基于 JavaScript 的机器学习实例
- Mitchell机器学习-基于实例的学习
- 开启基于JavaScript的机器学习之路 | 机器学习与JavaScript(一)
- 基于MLlib的机器学习
- 10个基于JavaScript的机器学习案例
- [机器学习]基于python的机器学习库Sklearn-01
- 实例详解机器学习
- 机器学习实例第一章
- javascript机器学习
- 邓仰东专栏|机器学习的那些事儿(四):基于GPU的机器学习实例之AlphaGO
- 邓仰东专栏|机器学习的那些事儿(五):基于GPU的机器学习实例之IBM Waston
- 基于机器学习的人头检测模型
- 基于python的机器学习库
- 基于C++的机器学习工具
- 基于python的机器学习(一)
- 基于Python的机器学习实战:AadBoost
- 「机器学习」Python数据分析之Numpy
- angularJS学习感想
- 面试官问题-实战技巧篇
- nodejs之cheerio中文API 说明
- Less教程详解
- [机器学习]基于 JavaScript 的机器学习实例
- 如何使用 flv.js 做直播
- 图解WebGL&Three.js工作原理
- 51Nod-1279 扔盘子(二分+贪心)
- 利用Python进行简单的验证码识别步骤
- [人工智能]机器学习和深度学习库速查表
- 机器学习-数据集
- Numpy模块部分函数
- HTML5资料大共享