Prédiction avec TensorFlow.js
Le principal objectif du Machine Learning est la prédiction et le faire en un laps de temps sur une multitude de données est tout simplement EX.CE.LLENT.
Hello la team #TheDayInfo, je suis heureux de vous retrouver après un mois d'absence. J'espère que vous allez bien.
Nous verrons de façon basique aujourd'hui, comment prédire le prix d'un stylo avec TensorFlow.js.
Alors, TensorFlow.js permet de déployer des modèles de Machine Learning dans les sites web. Le code est en Javascript.
Ensuite, prédire le prix d'un stylo revient à résoudre en Machine Learning, un problème de régression. Avec ce que vous allez apprendre dans cet article, vous pourrez prédire le prix d'une maison, le cours de la bourse, le prix d'un stylo ou encore l'évolution de la température dans votre pays.
Pour comprendre certaines parties du code, je vous invite à lire mon article sur
TensorFlow2.0.
Outils à avoir
1) Un navigateur Chrome
2) Un éditeur de texte
3) quelques connaissances en JavaScript
Mise en place des données
Nous allons préparer les données qui vont nous servir pour la prédiction et qu'on appelle Jeu de données(Dataset).
Index.html
Ça c'est du HTML basique sur lequel je ne donnerai aucune explication. Je vous dirai que cela affichera "Bienvenue sur le blog de The Day Info".
Script.js
A la première ligne, nous déclarons une variable indépendante comme constante avec pour valeur, un tenseur à 1D. Les valeurs du tenseur représentent les entrées(input).
A la seconde ligne, nous déclarons une variable dépendante comme constante avec pour valeur un tenseur à 1D dont les valeurs représentent ce qu'on veut prédire.
J'ouvre une parenthèse ici.
En fait, dans la résolution d'un problème de régression linéaire, la fonction est la suivante: ^y = wx + b avec ^y(ce qu'on veut prédire), w(le poids), x(input) et b(bias).
Nous donnons à la machine, ^y et x et elle se charge de trouver w et b pour la prédiction.
La dernière ligne, nous demandons l'affichage des variables du pois et du bias.
Pour afficher le panneau de droite, faites clique droit et ensuite 'Inspecter cette page' et enfin 'Console'.
Mise en place et entrainement de notre modèle ML
Nous allons construire notre modèle de régression linéaire et l'entrainer.
Nous mettons en place la fonction de perte comme erreur quadratique moyenne
Ligne 27-30
Nous créons la fonction d'entrainement avec initialisation de l'optimiseur comme Descente de Gradient Stochastique.
Ligne 33-36
Nous utilisons l'optimiseur pour réduire les pertes.
J'ai laissé certains commentaires en anglais parce que je trouve ça mieux😎
Ligne 41-42
Nous mettons l'entrainement du modèle à 2000 étapes.
Ligne 45
On affiche la prédiction
Voilà le résultat😎😎😎!!!
A chaque fois que vous rechargez la page, vous verrez les prédictions s'affiner pour un meilleur résultat.
Excellente semaine à tous!!!
Commentaires
Enregistrer un commentaire
Merci cher(ère) ami(e), tout le plaisir est pour moi.