资讯频道 → 编程语言
阅读更多

0顶
0踩

编程语言

转载新闻 10个基于JavaScript的机器学习案例

2017-05-02 14:29 by 副主编 jihong10102006 评论(0) 有4846人浏览
javascript 机器学习
在过去的几年里，机器学习的开发库增长很快，可用性也变得越来越可靠，而且没有减慢的趋势。一直以来Python作为机器学习的主力语言，现在神经网络可以应用任何语言了，包括JavaScript!

web生态系统虽然最近一直在取得进步，但是在机器学习领域JavaScropt和Node.js相对Python和Java来说还是稍弱，但是现在它们已经有足够的能力来处理机器学习方法的问题了。Web语言也有一个优势，就是你所有的JavaScript机器学习工程只需要浏览器支持。

现在大部分JavaScript机器学习的库都比较新而且有的还一直在开发中，但是已经实现并且可以尝试使用了。这篇文章我们将一起来了解这些库，一些比较酷的AI的web应用你也可以上手试试。

1. Brain

Brain是一个容易创建神经网络的库，你可以基于它的输入/输出数据来训练。因为训练需要大量的数据资源，虽然有CDN的链接可以通过网络直接加载到网页上。但还是推荐使用Node.js的环境来运行这个库。这里是一个例子，在它们的网站上，被训练来识别颜色的对比。

2. Deep playground

带有教育性质的web应用让你参与神经网络的世界，并探索它们不同的组件。它有一个不错的UI, 让你来控制数据的输入，神经元的数量，用什么样的算法，还有其它大量的可调参数来影响最终的结果。还有大量的可以从应用中的场景中学习的东西 — 代码是开源的，而且用了一个可定义的机器学习库, 这个库是基于TypeScript并且有丰富的文档可查阅。

3.FlappyLearning

FlappyLearning是一个JavaScript项目，大概仅仅800行未合并压缩的代码，创建了一个机器学习的库来实现了一个很好玩的例子来玩Flappy Bird。这个库里用的人工智能技术叫Neuroevolution应用了比较自然的一些神经系统算法，根据每次迭代的成功和失败来动态的学习。这个例子非常容易运行— 用浏览器打开index.html文件就可以了。

4.Synaptic

可能是这个列表里最活跃的项目了， Synaptic是一个Node.js和浏览器可用的库，它是一个不可知结构，允许开发者构建任何类型的神经网络。它有一些构建好的结构，来让它可以更快速的测试和对比不同的机器学习算法。同样有比较完善的介绍和文档，一些练习的例子，还有很多非常棒的指导来理解机器学习是怎么工作的。

5.Land Lines

Land Lines是一个非常有趣的Chrome Web尝试，来找到地球的卫星图片。类似让用户来涂鸦。这个应用没有任何的服务端请求：它整个都运行在浏览器，要多亏机器学习的聪明使用，和WebGL的非常棒的性能表现，甚至在移动设备上。你可以在这里找到源码GitHub或阅读整个案例。

6.ConvNetJS

虽然不再积极的被维护了，ConvNetJS是最深入的JavaScript学习库。最初在斯坦福大学里被开发，ConvNetJS在GitHub上变得非常流行，许多社区开始驱动新的特性和指导手册。它直接在浏览器运行，支持多个学习技术，并且它非常的初级，更适合人们更多的体验神经网络。

7.Thing Translator

Thing Translator是一个网页实验，让你的手机用不同的语言来识别现实对象。这个应用完全应用web技术并且整合了Google的两个机器学习的API - Cloud Vision来做图片识别，Translate API来做 神经语言翻译。

8.Neurojs

构建AI系统基于强化学习的框架。可惜的是，这个开源项目并没有合适的文档。但是其中的例子，一个汽车自动驾驶的实验，有对构造神经网络的不同部分的详细描述。这个库是纯JavaScript语言并且应用了webpack和babel。

9.Machine Learning
另外的一个可以只用JavaScript来构建并训练神经网络的库。非常容易的安装，需要Nodejs和客户端，对于开发人员非常容易上手的API调用。这个库提供了大量的示例来实现了当下流行的算法，帮助来理解核心的机器学习的原则。

10.DeepForge

DeepForge是一个用户友好的开发环境来使用深度学习。允许自己用一些图形接口来设计神经网络，支持远程机器的训练模型，并有版本控制。项目运行在浏览器，并基于Node.js和MongoDB,安装过程对于web开发人员非常熟悉。

福利：Machine Learning in Javascript
非常优秀的博客文章，由Burank Kanber撰写，主要是关于机器学习的基础原理。非常适合JavaScript开发人员的阅读和学习。如果你想深入了解机器学习，这是一个非常棒的资源，推荐给大家。

总结
虽然基于JavaScript的机器学习生态并没有充分的开发出来，我们推荐这些是你开始了解机器学习和核心技术的的非常好的资源。文中列出的试验性的项目，你可以仅使用浏览器或者一些JavaScript代码，就能探索出非常多好玩的东西。
  • 大小: 24.3 KB
  • 大小: 106.3 KB
  • 大小: 37 KB
  • 大小: 105.6 KB
  • 大小: 254 KB
  • 大小: 24.9 KB
  • 大小: 97.8 KB
  • 大小: 49.7 KB
  • 大小: 58.9 KB
来自: liujinkai
0
顶
0
踩
评论 共 0 条 请登录后发表评论

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • [机器学习]基于 JavaScript 的机器学习实例

    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...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

  • 10 个基于 JavaScript 的机器学习实例

    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...

  • 2019年11个值得研究的Javascript机器学习库

    虽然大部分机器学习都是用python这样的...这个有趣的交集促使我们探索并尝试了一起使用Javascript和机器学习的奇怪可能性。这里分享有一些有趣的库，它们将Javascript，机器学习，DNN甚至NLP结合在一起。 1...

  • [网络安全自学篇] 二十三.基于机器学习的恶意请求识别及安全领域中的机器学习

    这是作者的系列网络安全自学教程，主要是关于网安工具和实践操作的在线笔记，特分享出来与博友共勉，希望您...这篇文章换个口味，将分享机器学习在安全领域的应用，并复现一个基于机器学习（逻辑回归）的恶意请求识别。

  • 基于python爬虫的机器学习房价预测数据可视化分析系统

    flask web框架，数据使用requests模块爬取数据，使用bs4模块解析数据，并且存入...前端使用css，html，JavaScript。bootstrap响应式框架，echarts可视化图表，数据分析使用pandas。使用sklearn 实现随机森林 预测算法

  • 【译】10个 JavaScript 中的机器学习实例

    原文：10个 JavaScript 中的机器学习实例 作者： Danny Markov 近几年，机器学习库发展的得越来越快，也变得越来越易用，而且并没有显示出放缓的迹象。 虽然传统上 Python 一直是机器学习的首选语言，但现在神经...

  • JavaScript 中的 10 个机器学习示例

    虽然一直以来 Python 都是机器学习的重要语言，但目前的神经网络可以在任何语言中运行，包括 JavaScript！ 最近一段时间，Web 生态系统发展迅速，虽然 JavaScript 和 Node.js 在性能上仍然不及 Python 和 Java，...

  • 【零基础学机器学习 1】什么是机器学习？

    机器学习是人工智能的一种应用，它使系统能够自主学习并从经验中提高，而不需要外部编程。如果你的电脑具有机器学习功能，它可能能够为你玩游戏中的困难部分或解决复杂的数学方程。

  • 听说你用JavaScript写代码？本文是你的机器学习指南

    来源：SDK.cn 类型：技术文章 发布：2017-12-08本文经机器之心（微信公众号：...随着深度学习的火热，越来越多开发者开始探索使用 JavaScript 实现人工智能与机器学习算法。近日，来自德国的 Robin Wieruch 发布

  • 机器学习系列0 机器学习思想

    一、本课程入门必要条件： 0 配置您的计算机。...2 学习 Node.js 和 JavaScript。在本课程中，在构建Web应用程序时，我们还使用JavaScript几次，因此您需要安装node和npm，以及可用于Python和JavaScript开发的Vis

  • 机器学习在网络流量分类中的应用

    I. 介绍 A. 相关工作 B....C.... ...II....A. 机器学习介绍 ...5. 机器学习技术 III. 方法 IV.数据收集 A. 网络环境 B. 数据测量 C. 标注任务 D. 讨论 V. 特征提取 A. 基于统计的特征 B. 基于图形的特征 C...

  • 【零基础学机器学习 2】 机器学习的实操步骤-以及在Python中实现机器学习模型

    机器学习是一种人工智能的分支，它使用算法和统计模型来让计算机系统自动地从数据中学习，并根据学习结果做出预测或决策。机器学习的目标是让计算机系统通过学习数据中的模式和规律，从而能够自主地进行分类、预测、...

  • 【机器学习】机器学习项目全流程（附带项目实例）

      本篇主要是让大家熟悉机器学习实际项目中的全流程，并伴随案例讲解，通过让大家动手了解实际机器学习项目的大体流程，以及面对一些常见情况的处理方法 编程环境： Anaconda3：juputer notebook Python3 Pycharm...

  • 一个基于Python和机器学习的自动驾驶方案的案例，向读者介绍如何用Python实现一个完整的自动驾驶系统

    本篇文章将通过一个基于Python和机器学习的自动驾驶方案的案例，向读者介绍如何用Python实现一个完整的自动驾驶系统。 首先，我们先来了解一下什么是自动驾驶？简单来说，就是由机器自主控制汽车行驶，而不需要驱动...

  • GitHub上25个最受欢迎的开源机器学习库

    在过去的几年里，机器学习为各行各业开创了新纪元，诞生了许多成功的案例： Facebook 的面部识别，Netflix 的智能电影推荐系统，PrimaAI 的图像风格转换，Siri 的语音识别，Google Allo 的自然语言处理，及其他很多...

  • 6个惊人的tensorflow js项目启动Web上的机器学习

    As machine learning continues to accelerate, more and more languages are joining the ... JavaScript which has been the leader of the web ecosystem for a while now has slowly gained pace in mach...

  • 28个Github上最火的机器学习开源项目

    TensorFlow 是谷歌发布的第二代机器学习系统。据谷歌宣称，在部分基准测试中，TensorFlow的处理速度比第一代的DistBelief加快了2倍之多。  具体的讲，TensorFlow是一个利用数据流图(Data Flow Graphs)进行数值...

  • SMT轨迹导入程序：C#源码实现DXF文件导入生成G代码

    内容概要：本文详细介绍了如何使用C#开发一个SMT贴片机的轨迹导入程序，该程序能够解析CAD设计的DXF文件并将其中的轨迹转换为适用于SMT设备的G代码。主要内容涵盖DXF文件的读取与解析、LWPOLYLINE的提取、坐标转换、G代码生成以及保存。此外，文中还探讨了一些实际应用中的注意事项，如坐标系转换、插补算法的选择和错误处理方法。通过具体的代码示例展示了如何利用netDxf库简化DXF文件的操作，并提供了路径优化和Z轴控制的具体实现。 适合人群：从事SMT行业或相关领域的工程师和技术人员，尤其是有一定C#编程基础并对数控编程感兴趣的开发者。 使用场景及目标：①将CAD设计的DXF文件高效转化为SMT设备所需的G代码；②确保生成的G代码能够在实际设备上正确执行，提高生产效率和准确性；③解决坐标系转换、插补算法选择等问题，增强程序的鲁棒性和实用性。 其他说明：建议在真实设备运行前先用CAM软件进行仿真测试，同时注意处理好文件读取和数值转换中的异常情况。

  • 西门子PLC程序套件：堆垛机、输送线及触摸屏程序集成

    内容概要：本文详细介绍了基于西门子S7-1200 PLC的物流仓储自动化系统，涵盖了硬件架构、通信处理、运动控制算法、触摸屏交互等多个方面的内容。硬件上，采用S7-1217C处理器、G120变频器、ET200S远程站和激光测距传感器构建了一个精密的空间坐标定位体系。通信部分利用Profinet和RS485进行数据传输，并通过SCL和STL编写了多种实用的功能块，如急停处理、温漂补偿、路径优化等。运动控制方面，通过速度梯形图与S型曲线结合的方式实现高精度定位。触摸屏界面则通过WinCC Advanced实现报警记录和货位状态显示等功能。 适合人群：从事物流仓储自动化系统设计、开发和维护的技术人员，尤其是熟悉西门子PLC编程的工程师。 使用场景及目标：适用于需要高精度、高可靠性的物流仓储自动化项目的开发和调试。主要目标是提高系统的响应速度、定位精度和稳定性，确保设备能够长时间稳定运行。 其他说明：文中提供了大量实际代码片段和技术细节，帮助读者更好地理解和应用相关技术。此外，还分享了一些现场调试的经验和技巧，如温漂补偿、通信优化等。

Global site tag (gtag.js) - Google Analytics