JavaScript玩转机器学习-Tensorflow.js项目实战完结无密
JavaScript玩转机器学习-Tensorflow.js项目实战完结无密
JavaScript玩转机器学习-Tensorflow.js项目实战完结无密
JavaScript玩转机器学习-Tensorflow.js项目实战完结无密
JavaScript玩转机器学习-Tensorflow.js项目实战完结无密

 

javaScript玩转机器学习TensorFlow.js项目实战

 

专为前端工程师准备的AI课程来了!课程以Tensorflow.js作为主要框架,通过十几个经典案例、覆盖神经网络和机器学习的理论知识、带你亲手完成图片分类与语音识别等落地项目,帮你理清整个学习体系。

 

适合人群
只要对机器学习领域感兴趣的 JavaScript 开发者都可以学习
技术储备要求
JavaScript基础、中学数学基础

 

[wm_tips]试看链接:https://pan.baidu.com/s/1uzAcCk9nKDAv9Wu–I4P1Q
提取码:1ouk
[/wm_tips]

 

章节目录

第1章 课程导学 试看1 节 | 23分钟
这一章只有一节,也只有一个目的,就是告诉你为何要学本课程,本课程能教你什么,学之前需要哪些前置知识。

收起列表
视频:
1-1 《想要入门AI的同学都应该看一看》课程导学 (22:30)
试看
第2章 机器学习与神经网络简介 试看6 节 | 42分钟
本章会使用中世纪男子脚长、SIRI 语音识别、相亲等大量生动形象的例子,讲解机器学习和神经网络的理论知识。

收起列表
视频:
2-1 机器学习简介 (16:36)
试看
作业:
2-2 聊聊机器学习
视频:
2-3 神经网络简介 (12:06)
作业:
2-4 聊聊神经网络
视频:
2-5 神经网络的训练 (12:35)
作业:
2-6 聊聊炼丹
第3章 Tensorflow.js 简介4 节 | 51分钟
Tensorflow.js 是本课程的核心框架,本章帮你在实战前熟悉一下手里的“兵器”,将会涉及 Tensorflow.js 的简介、安装方法,以及什么是 Tensor?为何要使用 Tensor 等知识点

收起列表
视频:
3-1 Tensorflow.js 简介 (11:42)
视频:
3-2 安装 Tensoflow.js (15:48)
视频:
3-3 为何要用 Tensor (22:56)
作业:
3-4 聊聊 Tensor
第4章 线性回归 试看8 节 | 79分钟
本章将会带你开发并训练你人生中第一个神经网络模型,虽然它只有一个神经元,但却是你机器学习之路的起点!

收起列表
视频:
4-1 线性回归任务简介 (06:41)
视频:
4-2 准备、可视化训练数据 (10:14)
试看
视频:
4-3 定义模型结构:单层单个神经元组成的神经网络 (11:49)
视频:
4-4 损失函数:均方误差 (11:17)
作业:
4-5 聊聊均方误差
视频:
4-6 优化器:随机梯度下降 (17:25)
视频:
4-7 训练模型并可视化训练过程 (14:35)
视频:
4-8 进行预测 (06:29)
第5章 归一化3 节 | 24分钟
九九归一……,等等,我们不是在打算盘,而是在炼丹(训练模型)!本章将会以身高体重预测作为例子,讲解归一化这个炼丹最佳实践。

收起列表
视频:
5-1 归一化任务简介 (05:43)
视频:
5-2 归一化训练数据 (11:51)
视频:
5-3 训练、预测、反归一化 (05:27)
第6章 逻辑回归7 节 | 75分钟
这次任务就是开发一个神经网络把平面上的两类点,一刀两断!

收起列表
视频:
6-1 逻辑回归任务简介 (07:17)
视频:
6-2 加载二分类数据 (07:13)
视频:
6-3 定义模型结构:带有激活函数的单个神经元 (13:47)
视频:
6-4 损失函数:对数损失(log loss) (09:45)
视频:
6-5 训练模型并可视化训练过程 (06:16)
视频:
6-6 进行预测 (07:29)
视频:
6-7 (选修)二分类数据集生成函数源码剖析 (22:59)
第7章 多层神经网络4 节 | 35分钟
生活中没有那么多一刀两断的简单问题,面对复杂问题,我们可以开发一个多层神经网络模型配合激活函数,拐着弯挥舞手里的“刀”来切!

收起列表
视频:
7-1 多层神经网络任务简介 (15:06)
视频:
7-2 加载 XOR 数据集 (04:30)
视频:
7-3 定义模型结构:多层神经网络 (07:47)
视频:
7-4 训练模型并预测 (07:20)
第8章 多分类7 节 | 77分钟
本章将会以鸢尾花分类为例,学习使用 softmax 和 交叉熵 两个算法来让神经网络进行多分类

收起列表
视频:
8-1 任务简介、主要步骤、前置条件 (08:14)
视频:
8-2 加载iris数据集(训练集与验证集) (09:42)
视频:
8-3 定义模型结构:带有softmax的多层神经网络 (07:19)
视频:
8-4 训练模型:交叉熵损失函数与准确度度量 (10:57)
视频:
8-5 多分类预测方法 (08:06)
视频:
8-6 (选修)IRIS数据集生成函数源码剖析 (15:26)
视频:
8-7 (选修)IRIS 数据集生成函数源码剖析 (16:31)
第9章 欠拟合与过拟合5 节 | 57分钟
又到了学习炼丹最佳实践的时间了!学完本次任务,你随便瞄一眼训练图像,就能判断是欠拟合还是过拟合了。

收起列表
视频:
9-1 欠拟合与过拟合任务简介 (11:28)
视频:
9-2 加载带有噪音的二分类数据集 (14:42)
视频:
9-3 使用简单神经网络演示欠拟合 (10:48)
视频:
9-4 使用复杂神经网络演示过拟合 (06:23)
视频:
9-5 过拟合应对法:早停法、权重衰减、丢弃法 (12:53)
第10章 使用卷积神经网络(CNN)识别手写数字5 节 | 103分钟
本章会先使用大量动画讲解卷积神经网络的理论,然后使用 JS 来构建并训练它!开始构建人生第一个深度学习模型吧!

收起列表
视频:
10-1 使用卷积神经网络识别手写数字任务简介 (06:05)
视频:
10-2 加载 MNIST 数据集 (31:53)
视频:
10-3 定义模型结构:卷积神经网络 (31:37)
视频:
10-4 训练模型 (11:52)
视频:
10-5 进行预测 (21:11)
第11章 使用预训练模型进行图片分类3 节 | 36分钟
把别人训练好的卷积神经网络模型直接拿来用!拿来主义者也需要学习哦!

收起列表
视频:
11-1 使用预训练模型进行图片分类任务简介 (05:23)
视频:
11-2 加载 MobileNet 模型 (09:05)
视频:
11-3 进行预测 (20:34)
第12章 基于迁移学习的图像分类器:商标识别6 节 | 67分钟
本章将会以商标识别为例,讲解如何使用迁移学习来更高效地进行图片分类了,学完本章,你可以照猫画虎开发你画我猜、花草分类、垃圾分类、绘文字猎手等各种游戏和应用了!

收起列表
视频:
12-1 基于迁移学习的图像分类器:商标识别任务简介 (06:18)
视频:
12-2 加载商标训练数据并可视化 (16:41)
视频:
12-3 定义模型结构:截断模型+双层神经网络 (12:21)
视频:
12-4 迁移学习下的模型训练 (13:09)
视频:
12-5 迁移学习下的模型预测 (07:12)
视频:
12-6 模型的保存和加载 (10:57)
第13章 使用预训练模型进行语音识别3 节 | 33分钟
在浏览器里进行语音识别。

收起列表
视频:
13-1 使用预训练模型进行语音识别任务简介 (04:41)
视频:
13-2 加载预训练语音识别模型 (14:23)
视频:
13-3 进行语音识别 (13:46)
第14章 基于迁移学习的语音识别器:声控轮播图5 节 | 96分钟
本章将会带你开发一个可以远程声控的轮播图,学完本章,你可以开发自己的简易版 SIRI 语音助手了!

收起列表
视频:
14-1 基于迁移学习的语音识别器:声控轮播图 (05:57)
视频:
14-2 在浏览器中收集中文语音训练数据 (23:15)
视频:
14-3 语音识别迁移学习的训练和预测 (18:04)
视频:
14-4 语音训练数据的保存和加载 (25:32)
视频:
14-5 声控轮播图 (22:52)
第15章 python 与 JavaScript 模型互转4 节 | 73分钟
本章学的都是工作中最实用常用的技术:把 Python 模型转为 JS 模型,就可以部署到浏览器里了。对 JS 模型进行分片、压缩、加速等各种优化转换也是必不可少的工作哦!

收起列表
视频:
15-1 Python 与 JavaScript 模型互转任务简介 (14:56)
视频:
15-2 安装 Tensorflow.js Converter (23:18)
视频:
15-3 Python 与 JavaScript 模型互转 (19:38)
视频:
15-4 JavaScript 模型的互转:分片、量化、加速 (14:36)
第16章 课程总结1 节 | 12分钟
对课程整体进行回顾。

收起列表
视频:
16-1 -回顾与总结 (11:57)
本课程已完结

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。