Deep learning avec JavaScript : réseaux de neurones dans TensorFlow.js
Shanqing Cai , Stanley Bileschi , Eric D. Nielsen
Versailles, Lyon 2ᵉ, Lyon 6ᵉ...
Ce que dit l'éditeurDeep Learning avec JavaScript L'exécution d'applications de deep learning dans le navigateur ou sur des backends basés sur Node ouvre des possibilités passionnantes pour créer des applications Web intelligentes. Avec la bibliothèque TensorFlow.js, vous construirez et vous entraînerez des modèles de deep learning avec JavaScript. Avec une évolutivité, une modularité et une réactivité sans compromis en termes de qualité de production, TensorFlow.js brille par sa portabilité. Ses modèles fonctionnent partout où JavaScript fonctionne, poussant ainsi l'apprentissage automatique dans de nouveaux modèles d'application. Dans ce livre, vous apprendrez à utiliser TensorFlow.js pour construire des modèles d'apprentissage profond qui s'exécutent directement dans le navigateur. Ce livre au rythme soutenu, écrit par des ingénieurs de Google, est un ouvrage pratique, engageant et facile à suivre. S'appuyant sur de nombreux exemples comme l'analyse de texte, le traitement de la parole, la reconnaissance d'image ou encore l'auto-apprentissage d'un jeu, il vous montrera comment maîtriser toutes les bases du deep learning. Par la suite, vous explorerez des concepts avancés, comme le réemploi de modèles existants pour l'apprentissage par transfert ou la génération d'images.
Pour les programmeurs JavaScript intéressés par le deep learning. |
RésuméGuide pour exploiter l'ensemble des possibilités offertes par l'accès à la bibliothèque de machine learning open source TensorFlow de Google à JavaScript afin de développer des modèles d'apprentissage machine dans un navigateur. ©Electre 2026 |
Caractéristiques Auteur(s) Éditeur(s) Date de parution
24 septembre 2020
Rayon
Informatique
Contributeur(s) François Chollet
(Collaborateur), Nikhil Thorat
(Préfacier), Daniel Smilkov
(Préfacier), Daniel Rougé
(Traducteur) EAN
9782412058282
Reliure
Broché
Dimensions
24.0
cm x
19.0
cm x
3.4
cm
Poids
1115
g
|
