JavaScript pour l'apprentissage automatique : outils pratiques et exemples de code

Dans la première partie, nous avons expliqué pourquoi JavaScript peut être utile en apprentissage automatique. Passons maintenant à la pratique. Si vous apprenez la programmation et souhaitez essayer le ML sans passer à Python — cet article est pour vous. Nous examinerons des bibliothèques réelles, écrirons du code en Node.js et discuterons des cas où JS est vraiment pratique. Ce contenu convient même aux débutants en JavaScript.

Bibliothèques pour le ML en JavaScript

L'écosystème JavaScript se développe activement. Voici les outils clés pour travailler avec les données et les modèles :

• TensorFlow.js — le port du célèbre framework de Google. Permet d'entraîner des modèles directement dans le navigateur ou sur Node.js.
• Brain.js — une bibliothèque simple pour les réseaux de neurones. Idéale pour apprendre les concepts de base.
• ml.js — un ensemble d'utilitaires pour la régression, le clustering et la classification.
• Natural — une bibliothèque pour le traitement du langage naturel (NLP).

Examinons un exemple avec TensorFlow.js. Installation via npm :

npm install @tensorflow/tfjs

Écrivons maintenant une simple régression linéaire :

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

// Création du modèleconst model = tf.sequential();model.add(tf.layers.dense({units: 1, inputShape: [1]}));

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

// Données : 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]);

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

Le résultat sera proche de 9 (car 2*5 - 1 = 9). Cet exemple montre à quel point il est facile de commencer à entraîner un modèle en JavaScript.

Limitations de JavaScript en ML

Malgré sa commodité, il existe des limitations importantes :

• Performance : JS est inférieur à Python dans les calculs numériques. TensorFlow.js utilise WebGL, mais les modèles complexes fonctionnent plus lentement.
• Écosystème : Il y a moins de bibliothèques ML qu'en Python. Il n'existe pas d'équivalents à PyTorch ou scikit-learn.
• Communauté : La plupart des exemples et solutions sont en Python. Il est plus difficile de trouver des pipelines prêts à l'emploi pour JS.
• Ressources : Node.js n'est pas optimisé pour le travail avec GPU (bien qu'il existe des solutions expérimentales).

Cependant, pour les petits projets, le prototypage et les applications web, JS convient parfaitement. Surtout si vous connaissez déjà JavaScript et ne voulez pas apprendre un nouveau langage.

Exemple pratique : classification de texte sur Node.js

Utilisons la bibliothèque Natural pour déterminer la tonalité d'un avis. C'est utile pour les chatbots ou l'analyse de commentaires.

Installation :

npm install natural

Code du classifieur :

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

// Entraînement avec des exemplesclassifier.addDocument('excellent produit', 'positif');classifier.addDocument('qualité horrible', 'négatif');classifier.addDocument('correct mais cher', 'neutre');

classifier.train();

// Testconsole.log(classifier.classify('très mauvais')); // négatifconsole.log(classifier.getClassifications('super truc'));

Cet exemple montre comment JavaScript gère les tâches de NLP. Pour programmer de telles solutions, aucune connaissance approfondie des mathématiques n'est nécessaire — la bibliothèque fait tout elle-même.

Quand choisir JavaScript pour le ML ?

Voici les scénarios où JS est justifié :

• Applications web : Le modèle fonction