Training Tensorflow.js

Wil je machine learning toepassen in JavaScript of in NodeJS met TensorFlow.js? In deze training leer je JavaScript-modellen bouwen, trainen en evalueren, in de browser, met aandacht voor performance en geheugen. Je werkt met cases zoals beeldherkenning en past dit direct toe, begeleid door trainers uit de praktijk.

Algemene omschrijving

In deze training leer je hoe je machine learning toepast in JavaScript-omgevingen, zowel in de browser als in NodeJS, met TensorFlow.js als uitgangspunt. Je ontwikkelt vaardigheden om modellen te bouwen, te trainen en te evalueren op basis van eigen data, met aandacht voor controle over gedrag, performance en geheugenverbruik. Daarbij werk je met herkenbare toepassingen zoals beeldherkenning via webcam of mobiele camera’s en het uitvoeren van modellen in webapplicaties en server-side omgevingen.

De training laat zien hoe je bestaande TensorFlow- en Keras-modellen importeert en ontwikkelt met client-side data, en hoe je de structuur van TensorFlow.js effectief inzet binnen je eigen projecten. Je leert werken met tensors, modellen en layers, en krijgt inzicht in het opzetten van trainingsprocessen en het beoordelen van resultaten. Ook onderwerpen zoals WebGL-ondersteuning, profiling en optimalisatie komen aan bod, zodat je grip krijgt op prestaties en resourcegebruik in de praktijk.

De opzet is gericht op actief toepassen. Je werkt aan concrete cases die aansluiten op dagelijkse ontwikkelvraagstukken en bespreekt keuzes en uitkomsten met de trainer. De trainers werken zelf met machine learning in JavaScript-contexten en delen ervaringen uit verschillende ontwikkelsituaties. Na afloop heb je niet alleen functionerende voorbeelden, maar ook een duidelijke aanpak om TensorFlow.js gericht en beheerst in te zetten binnen je eigen web- of NodeJS-applicaties.

Deze training bieden we ook als bedrijfstraining voor jou en je team

De inhoud stemmen we dan af op jullie werksituatie, gebruikte tools en concrete vraagstukken, zodat de training direct aansluit op wat er binnen de organisatie speelt. Zo ontstaat een gerichte en praktische training waarmee je de volgende dag direct mee aan de slag kunt.

Programma

Tijdens deze training komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud.

• Introductie machine learning
• • Basisprincipes van machine learning
  • Neurale netwerken en RNN
• Werken met TensorFlow.js
• • Opzet en structuur van de library
  • Gebruik in de browser en in NodeJS
• Modellen bouwen en trainen
• • Werken met tensors, models en layers
  • Modellen importeren uit TensorFlow en Keras
  • Train loop
  • Trainen, evalueren en verbeteren van modellen
• Beeldherkenning met webcam en mobiel
• • WebGL-ondersteuning
• Performance en optimalisatie
• • Memory management
  • Profiling
  • Timing
• Visualisatie van resultaten

De training is interactief en praktijkgericht opgezet. Je werkt actief met TensorFlow.js aan concrete machine learning vraagstukken, met ruimte voor vragen en eigen cases. De nadruk ligt op zelf bouwen, trainen en verbeteren van modellen, zodat je ervaart hoe keuzes invloed hebben op gedrag, performance en geheugen.

De training wordt verzorgd door trainers uit de praktijk die werken met machine learning in JavaScript-omgevingen en ervaring hebben met uiteenlopende toepassingen. Bij klassikale trainingen stemmen we vooraf leerdoelen en verwachtingen op elkaar af. Zo sluit de inhoud goed aan op wat voor de groep relevant is en kan de trainer gerichte accenten leggen.

Doelen

Na deze training kan je:

• Machine learning modellen bouwen en toepassen in JavaScript-omgevingen
• TensorFlow.js gebruiken om modellen te definiëren, trainen en evalueren op basis van data
• Bestaande TensorFlow- en Keras-modellen importeren en aanpassen voor gebruik in webapplicaties
• Performance en geheugenverbruik analyseren en verbeteren met WebGL-ondersteuning en profiling
• Machine learning gericht inzetten binnen een eigen applicatie, met inzicht in keuzes en beperkingen.