Pembelajaran Mesin JavaScript: Bina Model ML dalam Penyemak Imbas

Pembelajaran mesin (ML) telah merevolusikan pelbagai industri, membolehkan komputer belajar dan meramal berdasarkan corak dan data. Secara tradisinya, model pembelajaran mesin dibina dan dilaksanakan pada pelayan atau mesin berprestasi tinggi. Walau bagaimanapun, seiring kemajuan teknologi web, kini boleh membina dan menggunakan model ML secara langsung dalam penyemak imbas menggunakan JavaScript.

Dalam artikel ini, kami akan meneroka dunia pembelajaran mesin yang menarik dalam JavaScript dan mempelajari cara membina model ML yang boleh dijalankan dalam penyemak imbas.

Ketahui tentang pembelajaran mesin

Pembelajaran mesin ialah subset kecerdasan buatan (AI) yang memfokuskan pada mencipta model yang boleh belajar daripada data dan membuat ramalan atau keputusan. Terdapat dua jenis utama pembelajaran mesin: pembelajaran diselia dan pembelajaran tanpa penyeliaan.

Pembelajaran diselia melibatkan latihan model pada data berlabel, di mana ciri input dan nilai output yang sepadan diketahui. Model ini mempelajari corak daripada data berlabel untuk membuat ramalan pada data baharu yang tidak kelihatan.

Pembelajaran tanpa pengawasan, sebaliknya, berurusan dengan data tidak berlabel. Model ini menemui corak dan struktur tersembunyi dalam data tanpa sebarang label yang dipratentukan.

Perpustakaan Pembelajaran Mesin JavaScript

Untuk bermula dengan pembelajaran mesin JavaScript, ikut langkah ini -

Langkah 1: Pasang Node.js

Node.js ialah persekitaran masa jalan JavaScript yang membolehkan kami menjalankan kod JavaScript di luar pelayar web. Ia menyediakan alatan dan perpustakaan yang diperlukan untuk menggunakan TensorFlow.js.

Langkah 2: Sediakan projek

Selepas memasang Node.js, buka editor kod pilihan anda dan buat direktori baharu untuk projek ML anda. Navigasi ke direktori projek menggunakan baris arahan atau terminal.

Langkah 3: Mulakan projek Node.js

Dalam baris arahan atau terminal, jalankan arahan berikut untuk memulakan projek Node.js baharu -

npm init -y

Arahan ini mencipta fail package.json baharu untuk mengurus kebergantungan dan konfigurasi projek.

Langkah 4: Pasang TensorFlow.js

Untuk memasang TensorFlow.js, jalankan arahan berikut dalam baris arahan atau terminal -

npm install @tensorflow/tfjs

Langkah 5: Mula membina model pembelajaran mesin

Setelah projek anda disediakan dan TensorFlow.js dipasang, anda boleh mula membina model pembelajaran mesin dalam penyemak imbas. Anda boleh membuat fail JavaScript baharu, mengimport TensorFlow.js dan menggunakan APInya untuk mentakrif, melatih model ML dan membuat ramalan.

Mari kita menyelami beberapa contoh kod untuk mengetahui cara menggunakan TensorFlow.js dan membina model pembelajaran mesin dalam JavaScript.

Contoh 1: Regresi Linear

Regresi linear ialah algoritma pembelajaran diselia yang digunakan untuk meramalkan nilai output berterusan berdasarkan ciri input.

Mari lihat cara melaksanakan regresi linear menggunakan 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();
});

Arahan

Dalam contoh ini, kami mula-mula mengimport perpustakaan TensorFlow.js. Kemudian, kami mentakrifkan ciri input dan nilai output sebagai tensor. Seterusnya, kami mencipta model berjujukan dan menambah lapisan padat dengan satu unit. Kami menyusun model menggunakan pengoptimum "sgd" dan fungsi kehilangan "meanSquaredError". Akhir sekali, kami melatih model untuk 100 zaman dan membuat ramalan tentang ciri input. Nilai output yang diramalkan dicetak ke konsol.

Output

Tensor
   [2.2019906],
   [4.124609 ],
   [6.0472274],
   [7.9698458],
   [9.8924646]]

Contoh 2: Analisis Sentimen

Analisis sentimen ialah aplikasi popular pembelajaran mesin yang melibatkan analisis data teks untuk menentukan emosi atau nada emosi yang dinyatakan dalam teks. Kita boleh menggunakan TensorFlow.js untuk membina model analisis sentimen yang meramalkan sama ada teks tertentu mempunyai sentimen positif atau negatif.

Pertimbangkan kod yang ditunjukkan di bawah.

// 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}.`);
});

Output

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.

Atas ialah kandungan terperinci Pembelajaran Mesin JavaScript: Bina Model ML dalam Penyemak Imbas. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!