• Home
  • /
  • Blog
  • /
  • 10 जावास्क्रिप्ट मशीन लर्निंग फ्रेमवर्क बच्चों को अवश्य ज्ञात होनी चाहिए

10 जावास्क्रिप्ट मशीन लर्निंग फ्रेमवर्क बच्चों को अवश्य ज्ञात होनी चाहिए

रिएक्टजेएस और रिएक्ट नेटिव के बीच अंतर

This post is also available in: English (English) العربية (Arabic)

जावास्क्रिप्ट की लोकप्रियता को किसी विशेष परिचय की आवश्यकता नहीं है। और इसके अलावा, व्यवसाय अपने नियमित कार्यों में मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस को अपनाते हुए पाए जाते हैं। आज तक लोग दो प्रोग्रामिंग भाषाओं में से किसी एक का उपयोग करके मशीन लर्निंग (एमएल) विधियों और एल्गोरिदम को लागू करते थे; यानी Github के अनुसार पाइथन या R। अब रुझान धीरे-धीरे आगामी सर्वश्रेष्ठ प्रोग्रामिंग भाषा की ओर बढ़ रहा है जो कि जावास्क्रिप्ट है।

फ्रेमवर्क क्या है?

फ्रेमवर्क सॉफ्टवेयर ऍप्लिकेशन्स के विकास के लिए एक प्लेटफार्म है। यह एक आधार प्रदान करता है जिस पर सॉफ्टवेयर डेवलपर एक विशिष्ट प्लेटफॉर्म के लिए प्रोग्राम बना सकते हैं। उदाहरण के लिए, एक फ्रेमवर्क में पूर्वनिर्धारित क्लास और फंक्शन शामिल हो सकते हैं जिनका उपयोग इनपुट को संसाधित करने, हार्डवेयर उपकरणों को प्रबंधित करने और सिस्टम सॉफ़्टवेयर के साथ इंटरैक्ट करने के लिए किया जा सकता है। यह डेवलपमेंट प्रक्रिया को सुव्यवस्थित करने में मदद करता है क्योंकि प्रोग्रामर को हर बार एक नया एप्लिकेशन विकसित करने के लिए कोड को फिर से लिखने की आवश्यकता नहीं होती है।

महत्वपूर्ण शब्दावली

विभिन्न जावास्क्रिप्ट फ़्रेमवर्क्स पर आगे बढ़ने से पहले, आइए कुछ संबंधित शब्दावली पर एक नज़र डालें।

फीडफॉरवर्ड न्यूरल नेटवर्क: फीडफॉरवर्ड न्यूरल नेटवर्क एक अर्टिफिशियल न्यूरल नेटवर्क है जिसमें नोड्स के बीच संबंध एक चक्र नहीं बनाते हैं। जैसे, यह अपने वंशज आवर्तक न्यूरल नेटवर्क से अलग है।

फीडफॉरवर्ड न्यूरल नेटवर्क तैयार किया गया पहला और सरल प्रकार का न्यूरल नेटवर्क था। इस नेटवर्क में, सूचना केवल एक दिशा में चलती है – आगे – इनपुट नोड्स से, छिपे हुए नोड्स (यदि कोई है) के माध्यम से और आउटपुट नोड्स तक। नेटवर्क में कोई चक्र या लूप नहीं हैं।

लॉन्ग शॉर्ट-टर्म मेमोरी (एल एस टी एम): लॉन्ग शॉर्ट-टर्म मेमोरी (एल एस टी एम) नेटवर्क एक कृत्रिम आवर्तक तंत्रिका नेटवर्क (आर एन एन) आर्किटेक्चर है जिसका उपयोग डीप लर्निंग के क्षेत्र में किया जाता है। स्टैण्डर्ड फीडफॉरवर्ड न्यूरल नेटवर्क के विपरीत, एल एस टी एम में फीडबैक कनेक्शन होते हैं। यह न केवल एकल डेटा बिंदुओं (जैसे चित्र) को संसाधित कर सकता है, बल्कि डेटा के संपूर्ण अनुक्रम (जैसे भाषण या वीडियो) को भी संसाधित कर सकता है। उदाहरण के लिए, एल एस टी एम अखंडित, कनेक्टेड हस्तलेखन पहचान, वाक् पहचान और नेटवर्क ट्रैफ़िक या आई डी एस (इन्ट्रूज़न डिटेक्शन सिस्टम) में विसंगति का पता लगाने जैसे कार्यों पर लागू होता है।

एक सामान्य एल एस टी एम इकाई एक सेल, एक इनपुट गेट, एक आउटपुट गेट और एक फॉरगेट गेट से बनी होती है। सेल मनमाने समय अंतराल पर मूल्यों को याद रखता है और तीन द्वार सेल के अंदर और बाहर सूचना के प्रवाह को नियंत्रित करते हैं।

एल एस टी एम नेटवर्क समय श्रृंखला डेटा के आधार पर वर्गीकरण, प्रसंस्करण और भविष्यवाणियां करने के लिए अच्छी तरह से अनुकूल हैं, क्योंकि एक समय श्रृंखला में महत्वपूर्ण घटनाओं के बीच अज्ञात अवधि के अंतराल हो सकते हैं। एल एस टी एम को वैनिशिंग ग्रेडिएंट प्रॉब्लम से निपटने के लिए विकसित किया गया था जिसका सामना पारंपरिक आर एन एन को प्रशिक्षण देते समय किया जा सकता है। अंतराल की लंबाई के सापेक्ष असंवेदनशीलता आर एन एन पर एल एस टी एम का एक फायदा है

रेकर्रेंट न्यूरल नेटवर्क (आर एन एन): एक आवर्तक तंत्रिका नेटवर्क कृत्रिम तंत्रिका नेटवर्क का एक वर्ग है जहां नोड्स के बीच कनेक्शन एक अस्थायी अनुक्रम के साथ एक निर्देशित ग्राफ बनाते हैं। यह इसे अस्थायी गतिशील व्यवहार प्रदर्शित करने की अनुमति देता है। फीडफॉरवर्ड न्यूरल नेटवर्क से व्युत्पन्न, आरएनएन इनपुट के चर लंबाई अनुक्रमों को संसाधित करने के लिए अपनी आंतरिक स्थिति (मेमोरी) का उपयोग कर सकते हैं। यह उन्हें अखंडित, कनेक्टेड लिखावट पहचान, या वाक् पहचान जैसे कार्यों पर लागू करता है।

शब्द “रेकर्रेंट न्यूरल नेटवर्क” का उपयोग समान सामान्य संरचना वाले नेटवर्क के दो व्यापक वर्गों को संदर्भित करने के लिए अंधाधुंध रूप से किया जाता है, जहां एक सीमित आवेग है और दूसरा अनंत आवेग है। नेटवर्क के दोनों वर्ग अस्थायी गतिशील व्यवहार प्रदर्शित करते हैं। एक परिमित आवर्तक नेटवर्क एक निर्देशित चक्रीय ग्राफ है जिसे अनियंत्रित किया जा सकता है और एक सख्ती से फीडफॉरवर्ड न्यूरल नेटवर्क के साथ प्रतिस्थापित किया जा सकता है, जबकि एक अनंत रेकर्रेंट नेटवर्क एक निर्देशित चक्रीय ग्राफ है जिसे अनियंत्रित नहीं किया जा सकता है।

परिमित आवेग और अनंत आवेग रेकर्रेंट नेटवर्क दोनों में पारंपरिक संग्रहीत अवस्थाएँ हो सकती हैं, और भंडारण न्यूरल नेटवर्क द्वारा सीधे नियंत्रण में हो सकता है। भंडारण को किसी अन्य नेटवर्क या ग्राफ़ द्वारा भी बदला जा सकता है, यदि इसमें समय की देरी शामिल है या फीडबैक लूप है। ऐसे नियंत्रित राज्यों को गेटेड स्टेट या गेटेड मेमोरी के रूप में संदर्भित किया जाता है, और ये लॉन्ग शॉर्ट-टर्म मेमोरी नेटवर्क (एल एस टी एम) और गेटेड रिकरंट यूनिट्स का हिस्सा होते हैं। इसे फीडबैक न्यूरल नेटवर्क (ऍफ़ एन एन) भी कहा जाता है।

जावास्क्रिप्ट में एमएल फ्रेमवर्क

डेवलपर्स के बीच परिपक्व नोड पैकेज मैनेजर (एन पी एम) के साथ जावास्क्रिप्ट सबसे लोकप्रिय क्रॉस-प्लेटफ़ॉर्म भाषा है। एन पी एम ओपन-सोर्स Node.js परियोजनाओं के प्रकाशन के लिए एक ऑनलाइन भंडार है और यह उक्त भंडार के साथ बातचीत करने के लिए एक कमांड-लाइन उपयोगिता है जो पैकेज स्थापना, संस्करण प्रबंधन और निर्भरता प्रबंधन में सहायता करता है। Node.js के ढेर सारे फ्रेमवर्क और एप्लिकेशन एन पी एम पर प्रकाशित किए जाते हैं, और कई और हर रोज जोड़े जाते हैं। इन एप्लिकेशन को https://www.npmjs.com/ पर खोजा जा सकता है। एक बार आपके पास एक पैकेज है जिसे आप स्थापित करना चाहते हैं, इसे एकल कमांड-लाइन कमांड के साथ स्थापित किया जा सकता है।

यदि आप एक नौसिखिया या जावास्क्रिप्ट डेवलपर हैं और मशीन लर्निंग पूल में तैरना चाहते हैं तो कुछ मुफ्त जावास्क्रिप्ट फ्रेमवर्क आपके लिए उपयोगी साबित हो सकता है। मशीन लर्निंग एक घातीय दर के साथ आकार ले रहा है, यह एप्लिकेशन को विकसित करने की प्रक्रिया को बहुत आसान बना रहा है। इस बात से इनकार नहीं किया जा सकता है कि मशीन लर्निंग में पायथन ने एक विशेष स्थान बनाए रखा है, लेकिन फिर भी, जावास्क्रिप्ट को पीछे नहीं छोड़ा जा सकता है।

बच्चों के लिए हाथ आजमाने के लिए यहां 10 सर्वश्रेष्ठ जावास्क्रिप्ट फ्रेमवर्क दिए गए हैं।

1. Brain.js

Brain.js ब्राउज़र और Node.js के लिए जावास्क्रिप्ट में लिखे गए न्यूरल नेटवर्क का एक जी पी यू त्वरित फ्रेमवर्क है। यह सरल, तेज और उपयोग में आसान है। यह कई तंत्रिका नेटवर्क कार्यान्वयन प्रदान करता है क्योंकि विभिन्न तंत्रिका जाल को अलग-अलग चीजों को अच्छी तरह से करने के लिए प्रशिक्षित किया जा सकता है।

इसका उपयोग करना आसान है और जी पी यू का उपयोग करके गणना करता है और जी पी यू के अनुपलब्ध होने पर शुद्ध जावास्क्रिप्ट पर वापस आ जाता है। Brain.js कई न्यूरल नेटवर्क कार्यान्वयन प्रदान करता है क्योंकि विभिन्न न्यूरल नेटवर्क को अलग-अलग चीजों को अच्छी तरह से करने के लिए प्रशिक्षित किया जा सकता है।

ML Frameworks in JavaScript

फ्रेमवर्क मॉडल के सैद्धांतिक पहलू को पूरी तरह से समझने के लिए आवश्यक गणित और शब्दजाल को खत्म करने के लिए कोड की कुछ पंक्तियों के लिए न्यूरल नेटवर्क के निर्माण और प्रशिक्षण को बहुत सरल करता है।

Brain.js कुछ अलग न्यूरल नेटवर्क प्रकारों जैसे फीडफॉरवर्ड (ए एन एन) और एल एस टी एम (लॉन्ग शॉर्ट टर्म मेमोरी) नेटवर्क सपोर्ट करता है।

2. ConvNetJS

ConvNetJS डीप लर्निंग मॉडल (न्यूरल नेटवर्क) के प्रशिक्षण के लिए एक जावास्क्रिप्ट फ्रेमवर्क है। यह लाइब्रेरी एक उपयोगकर्ता को सामान्य न्यूरल नेटवर्क मॉड्यूल का समर्थन करते हुए जावास्क्रिप्ट में न्यूरल नेटवर्क बनाने और हल करने की अनुमति देता है। इसमें इमेज, प्रायोगिक रीइन्फोर्समेंट लर्निंग मॉड्यूल आदि को प्रोसेस करने वाले कोंवोलुशनल नेटवर्क्स को निर्दिष्ट और प्रशिक्षित करने की क्षमता भी है।

यह आपके नेटवर्क को बनाने और प्रशिक्षण देने के लिए उपयुक्त है। आप विभिन्न प्रकार की परतों को निर्दिष्ट करके एक नेटवर्क बना सकते हैं। जैसा कि एक प्रकार दृढ़ है, आप ऐसे नेटवर्क बना सकते हैं जो छवियों को पहचानते हैं। हालाँकि, कोंवोलुशनल इमेज रेकग्निजेर्स एकमात्र संभावना नहीं हैं और आप सामान्य क्लासिफायरियर, रिग्रेशन पूर्वानुमान नेटवर्क और बहुत कुछ बना सकते हैं।

ML Frameworks in JavaScript

एक बार जब आपके पास नेटवर्क परिभाषा हो जाती है, तो आप इसे बैकप्रॉप का उपयोग करके प्रशिक्षित कर सकते हैं या प्रतिगमन अनुप्रयोगों में मनमानी डेटा सीखने के लिए चुकता त्रुटियों के योग को कम कर सकते हैं।

एक मैजिकनेट प्रशिक्षण वर्ग भी है जो आपके लिए प्रशिक्षण को स्वचालित रूप से संभालता है। यदि आप अत्याधुनिक बनना चाहते हैं तो आप डीप क्यू रीइन्फोर्समेंट लर्निंग क्लास को भी आजमा सकते हैं यह देखने के लिए कि क्या आप केवल परिणाम दिए गए गेम खेलना सीखते हैं।

यदि आप केवल न्यूरल नेटवर्क को कार्य करते हुए देखना चाहते हैं तो नौ डेमो हैं जिन्हें आप अपने ब्राउज़र में चला सकते हैं। उन्हें भी बहुत अच्छे से पेश किया गया है। नेटवर्क ट्रेन के रूप में आपको त्रुटि (नुकसान) का एक ग्राफ मिलता है और आप सामान्य सीखने के मापदंडों को गतिशील रूप से बदल सकते हैं। नीचे स्क्रॉल करने से एक सेक्शन का पता चलता है जो यह बताता है कि नेटवर्क कैसे काम कर रहा है। आप उदाहरणों के बीच अंतर करने के लिए उपयोग की जा रही सुविधाओं को देख सकते हैं। अंत में आपको नेटवर्क के प्रदर्शन का एक नमूना मिलता है जो इस आधार पर होता है कि यह कई टेस्ट सीरीज़ के लिए क्या करता है।

3. Compromise

कोम्प्रोमाईज़ एक जावास्क्रिप्ट फ्रेमवर्क है जो टेक्स्ट की व्याख्या और पार्स करता है। यह एक नियम-आधारित प्राकृतिक भाषा प्रसंस्करण (एनएलपी) फ्रेमवर्क है जो पाठ को प्रबंधनीय रूप में प्राप्त करने के लिए सबसे छोटे, कम से कम फैंसी समाधान पसंद करता है।

यह गति और सटीकता के बीच समझौता करने का लक्ष्य रखने वाला एक फ्रेमवर्क है। इसका उद्देश्य क्लाइंट-साइड पार्सिंग लाइब्रेरी को इतनी तेज़ी से रखना है कि यह तब भी चल सके जब आप प्रासंगिक परिणाम प्रदान करते हुए टाइप कर रहे हों।

4. Synaptic

सिनैप्टिक node.js और ब्राउज़र के लिए एक जावास्क्रिप्ट न्यूरल नेटवर्क फ्रेमवर्क है। इस फ्रेमवर्क में कुछ अंतर्निहित आर्किटेक्चर जैसे मल्टीलेयर परसेप्ट्रोन, मल्टीलेयर लॉन्ग-शॉर्ट टर्म मेमोरी नेटवर्क (एलएसटीएम), लिक्विड स्टेट मशीन या हॉपफील्ड नेटवर्क और किसी भी नेटवर्क को प्रशिक्षित करने में सक्षम ट्रेनर शामिल हैं। इस फ्रेमवर्क की सामान्यीकृत आर्किटेक्चर आर्किटेक्चर-फ्री है ताकि उपयोगकर्ता किसी भी प्रथम-क्रम या दूसरे-क्रम के न्यूरल नेटवर्क आर्किटेक्चर का निर्माण और प्रशिक्षण कर सके।

5. ml5.js

ml5.js जावास्क्रिप्ट में लिखा गया एक ओपन-सोर्स मशीन लर्निंग फ्रेमवर्क है। फ्रेमवर्क TensorFlow.js के लिए एक अनुकूल उच्च-स्तरीय इंटरफ़ेस है और मशीन लर्निंग एल्गोरिदम के लिए मेमोरी प्रबंधन के साथ-साथ जी पी यू त्वरित गणितीय संचालन को संभाल सकता है।

ML Frameworks in JavaScript

ml5.js मानव मुद्रा का पता लगाने, पाठ उत्पन्न करने, किसी अन्य के साथ एक छवि को स्टाइल करने, संगीत रचना, पिच का पता लगाने, और सामान्य अंग्रेजी भाषा के शब्द संबंधों, और बहुत कुछ के लिए पूर्व-प्रशिक्षित मॉडल के लिए ब्राउज़र में तत्काल पहुंच प्रदान करता है।

6. Stdlib-js

Stdlib-js JavaScript और Node.js के लिए एक स्टैण्डर्ड लाइब्रेरी है। संख्यात्मक और वैज्ञानिक कंप्यूटिंग ऍप्लिकेशन्स पर जोर देने के साथ, यह फ्रेमवर्क गणित, सांख्यिकी, डेटा प्रोसेसिंग, स्ट्रीम और बहुत कुछ के लिए मजबूत, उच्च-प्रदर्शन लाइब्रेरी का संग्रह प्रदान करता है। इस ढांचे की विशेषताओं में 150+ विशेष गणित कार्य, 35+ संभाव्यता वितरण, 40+ बीज योग्य छद्म यादृच्छिक संख्या जनरेटर और ऐसे अन्य शामिल हैं।

7. Mind

जावास्क्रिप्ट में लिखा गया, माइंड Node.js और ब्राउज़र के लिए एक लचीला न्यूरल नेटवर्क फ्रेमवर्क है। माइंड की कुछ विशेषताएं हैं कि यह वेक्टरकृत है क्योंकि यह प्रशिक्षण डेटा को संसाधित करने के लिए मैट्रिक्स कार्यान्वयन का उपयोग करता है, यह उपयोगकर्ताओं को नेटवर्क टोपोलॉजी को अनुकूलित करने की अनुमति देता है। यह प्लग करने योग्य भी है, यानी, यह उन माइंडस को डाउनलोड करने और अपलोड करने की अनुमति देता है जो पहले ही सीख चुके हैं।

8. machinelearn.js

Machinelearn.js वेब और नोड के लिए टाइपस्क्रिप्ट में लिखा गया एक मशीन लर्निंग फ्रेमवर्क है। यह फ्रेमवर्क मशीन लर्निंग की समस्याओं को हल करता है और उपयोगकर्ताओं को सिखाता है कि मशीन लर्निंग एल्गोरिदम कैसे काम करता है। डिफ़ॉल्ट रूप से, machinelearning.js tfjs के शुद्ध जावास्क्रिप्ट संस्करण का उपयोग करता है।

9. neuro.js

neuro.js अर्टिफिशियल इंटेलिजेंस असिस्टेंट और चैट-बॉट के निर्माण के लिए एक मशीन लर्निंग फ्रेमवर्क है। यह जावास्क्रिप्ट में मशीन लर्निंग मॉडल के विकास और प्रशिक्षण और ब्राउज़र में या Node.js पर तैनाती के लिए एक लाइब्रेरी है। यह लाइब्रेरी बहु-लेबल वर्गीकरण, ऑनलाइन सीखने और वास्तविक समय वर्गीकरण का समर्थन करता है।

ML Frameworks in JavaScript

10. Deeplearnjs

Deeplearn.js मशीन इंटेलिजेंस के लिए एक ओपन-सोर्स हार्डवेयर-त्वरित जावास्क्रिप्ट लाइब्रेरी है। फ्रेमवर्क वेब पर प्रदर्शनकारी मशीन लर्निंग बिल्डिंग ब्लॉक्स लाता है, जिससे उपयोगकर्ता ब्राउज़र में न्यूरल नेटवर्क को प्रशिक्षित कर सकता है या अनुमान मोड में पूर्व-प्रशिक्षित मॉडल चला सकता है। Deeplearn.js में दो ए पी आई हैं, एक तत्काल निष्पादन मॉडल और एक स्थगित निष्पादन मॉडल जो TensorFlow API को प्रतिबिम्बित करता है।

ML Frameworks in JavaScript

आप अपने अगले एमएल प्रोजेक्ट में इनमें से किस फ्रेमवर्क का उपयोग करेंगे?

{"email":"Email address invalid","url":"Website address invalid","required":"Required field missing"}
>