JavaScript para aprendizaje automático: herramientas prácticas y ejemplos de código

Entrenador de Python en Línea para Principiantes

Aprende Python fácilmente sin sobrecargarte de teoría. Resuelve tareas prácticas con verificación automática, recibe pistas y escribe código directamente en el navegador, sin instalar nada.

Start Course

JavaScript para aprendizaje automático: herramientas prácticas y ejemplos de código

En la primera parte analizamos por qué JavaScript puede ser útil en el aprendizaje automático. Ahora pasemos a la práctica. Si estás estudiando programación y quieres probar ML sin pasarte a Python — este artículo es para ti. Revisaremos bibliotecas reales, escribiremos código en Node.js y discutiremos dónde JS es realmente conveniente. El material es adecuado incluso para JavaScript para principiantes.

Bibliotecas para ML en JavaScript

El ecosistema de JavaScript se desarrolla activamente. Estas son las herramientas clave para trabajar con datos y modelos:

TensorFlow.js — el port del conocido framework de Google. Permite entrenar modelos directamente en el navegador o en Node.js.
Brain.js — una biblioteca simple para redes neuronales. Ideal para aprender conceptos básicos.
ml.js — un conjunto de utilidades para regresión, agrupamiento y clasificación.
Natural — biblioteca para procesamiento de lenguaje natural (NLP).

Veamos un ejemplo con TensorFlow.js. Instalación mediante npm:

npm install @tensorflow/tfjs

Ahora escribamos una regresión lineal simple:

const tf = require('@tensorflow/tfjs');

// Creamos el modeloconst model = tf.sequential();model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Compilamosmodel.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Datos: y = 2x - 1const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

// Entrenamientomodel.fit(xs, ys, {epochs: 250}).then(() => {  // Predicción  model.predict(tf.tensor2d([5], [1, 1])).print();});

El resultado será cercano a 9 (ya que 2*5 - 1 = 9). Este ejemplo muestra lo fácil que es comenzar a entrenar un modelo en JavaScript.

Limitaciones de JavaScript en ML

A pesar de su conveniencia, existen limitaciones importantes:

Rendimiento: JS es inferior a Python en cálculos numéricos. TensorFlow.js usa WebGL, pero los modelos complejos funcionan más lento.
Ecosistema: Hay menos bibliotecas para ML que en Python. No existen análogos de PyTorch o scikit-learn.
Comunidad: La mayoría de ejemplos y soluciones están en Python. Para JS es más difícil encontrar pipelines listos.
Recursos: Node.js no está optimizado para trabajar con GPU (aunque hay soluciones experimentales).

Sin embargo, para proyectos pequeños, prototipado y aplicaciones web, JS es bastante adecuado. Especialmente si ya conoces JavaScript y no quieres aprender un nuevo lenguaje.

Ejemplo práctico: clasificación de texto en Node.js

Usaremos la biblioteca Natural para determinar la polaridad de una reseña. Esto es útil para chatbots o análisis de comentarios.

Instalación:

npm install natural

Código del clasificador:

const natural = require('natural');const classifier = new natural.BayesClassifier();

// Entrenamos con ejemplosclassifier.addDocument('excelente producto', 'positivo');classifier.addDocument('pésima calidad', 'negativo');classifier.addDocument('normal, pero caro', 'neutral');

classifier.train();

// Probamosconsole.log(classifier.classify('muy malo')); // negativoconsole.log(classifier.getClassifications('súper cosa'));

Este ejemplo muestra cómo JavaScript maneja tareas de NLP. Para programar soluciones similares no se necesita un conocimiento profundo de matemáticas — la biblioteca lo hace todo por sí misma.