[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 已经成为了最受欢迎的机器学习语言。但目前神经网络可在任何编程语言中运行，当然也包括 JavaScript！

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库，以及一些很酷的 AI Web 应用程序实例，帮助你开启机器学习之旅。

1. Brain

Brain 是一个可以让你轻松创建神经网络的库，并可通过输入/输出数据进行训练。尽管，它可以直接在浏览器网页上运行，但是训练的过程会占用大量的资源，因此最好在 Node.js 环境中启动它。另外，在他们网站上还有一个用于训练识别色彩对比度的小例子，你也可以了解下。
项目地址：

2. Deep playground

这是由 TensorFlow 出品的可视化的神经网络交互式学习程序。它可以带你了解神经网络，并探索其不同的组件。它不仅有一个漂亮的用户界面，而且通过控制数据、神经元数量、使用算法的类别以及各项其他的指标，让你能够直观、实时的了解其运行的状态。另外，由于它是开源的（它用 TypeScript 编写，并具备优质的文档可查阅），所以通过了解其项目背景，你还能够学到更多有价值的知识。
项目地址：

3. FlappyLearning

FlappyLearning 是一个仅用 800 行代码创建的 JavaScript 机器学习库，它让你可以像行家一样玩转 Flappy Bird 游戏。在这个库中所使用的 AI 技术被称为“Neuroevolution”，而它所应用算法的灵感则源于自然界生物神经系统的进化，并且它可以从每次成功或失败的迭代中进行动态的学习。另外，你只需要在浏览器中打开 index.html 就可以运行它了，炒鸡简单。
项目地址：

4. Synaptic

这个项目可能是本文所有项目中最活跃的项目了。Synaptic 是一个 Node.js 和浏览器可用的库。虽然它的架构未知，但开发人员可以通过它来构建任何类型的神经网络。它也具备一些内置架构，使它能够快速的测试，并能针对不同的机器学习算法进行比较。同时，它的使用文档丰富且全面，包含了神经网络的基本介绍、一些实用的演示，以及相应的使用教程。
项目地址：

5. Land Lines

Land Lines 是一个有趣的 Chrome Web 实验。用户通过在页面上涂鸦，来发现地球上的卫星图像。它可以完全在浏览器中运行，无需服务器端的调用。同时，由于机器学习和 WebGL 的巧妙使用，即使在移动设备上它也有出色的表现。如果你对它比较感兴趣，也可以在 GitHub 上查看其源码，或者在这里阅读整个案例研究。
项目地址：

6. ConvNetJS

虽然，此项目不再积极维护，但 ConvNetJS 却是基于 JavaScript 最先进的深度学习库之一。最初它是由斯坦福大学开发的项目，随着在 GitHub 上的流行，许多社区开始驱动了其新的特性，并撰写了相关的教程。它可以直接在浏览器中工作，支持多种学习技术，而且操作简单，适合神经网络进阶者学习。
项目地址：

7. Thing Translator

Thing Translator 是一个 Web 实验，让你可以通过手机来识别实物，并可用不同的语言为它们命名。这款应用程序完全基于 Web 技术构建，并整合了 Google 的两种机器学习 API，即用于图像识别的 Cloud Vision 和用于自然语言翻译的 Translate API 。
项目地址：

8. Neurojs

这是一个基于强化学习的人工智能系统框架。遗憾的是，这个开源项目并没有合适的文档。但其中一个自动驾驶汽车的演示，却对组成神经网络的不同部分有很好的描述。这个库仅通过 JavaScript 实现，并应用了 webpack 和 babel 。
项目地址：

9. Machine_learning

Machine_learning 是一个仅通过 JavaScript 便可设置和训练神经网络的库。无论是在 Node.js，还是客户端上，它都易于安装，并且具备非常干净的 API，适合任何技术级别的开发者进行学习。同时，该库还提供了许多现成的流行算法示例，帮助你了解核心的机器学习原理。
项目地址：

10. DeepForge

DeepForge 是一个对于用户友好的深度学习开发环境。有了它，你可以使用简单的图形界面对神经网络进行设计，同时它还支持远程机器的训练模型，并且内置了版本控制。它基于 Node.js 和 MongoDB，可在浏览器中运行。对于大多数 Web 开发者来说，它的安装过程也会相当的简单。
项目地址：