Aprendizado de Máquina em JavaScript (Node.js): bibliotecas para ML

Aprendizado de Máquina em JavaScript (Node.js): bibliotecas e ferramentas

Embora o Python continue sendo a linguagem dominante para aprendizado de máquina, o JavaScript (especialmente a plataforma Node.js) está ganhando popularidade rapidamente nesta área. Isso se deve à possibilidade de executar modelos diretamente no navegador, à unificação de stacks (full-stack JS) e ao surgimento de bibliotecas poderosas para trabalhar com redes neurais, álgebra linear e estatística. Neste artigo, vamos explorar as principais bibliotecas de aprendizado de máquina para Node.js, suas capacidades e exemplos de uso.

1. TensorFlow.js — o carro-chefe do aprendizado de máquina em JS

TensorFlow.js é uma adaptação do popular framework do Google para JavaScript. Ele permite treinar modelos do zero, executar modelos pré-treinados e realizar inferência tanto no Node.js quanto no navegador. A biblioteca suporta aceleração GPU via WebGL (no navegador) ou CUDA (através de um add-on do Node.js).

Instalação:

npm install @tensorflow/tfjs @tensorflow/tfjs-node

Exemplo: regressão linear

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

// Dados de treinamentoconst xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);const ys = tf.tensor2d([2, 4, 6, 8], [4, 1]);

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

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

// Treinamentomodel.fit(xs, ys, {epochs: 200}).then(() => {  // Predição  model.predict(tf.tensor2d([5], [1, 1])).print();});

Principais recursos:

• Suporte completo a redes neurais (convolucionais, recorrentes, transformadores)
• Carregamento de modelos do Keras (Python) e TensorFlow Hub
• Trabalho com grafos computacionais e diferenciação automática
• Ferramentas integradas para visualização (tfjs-vis)

2. Brain.js — simplicidade e praticidade

Brain.js é uma das bibliotecas mais simples para criar redes neurais em JavaScript. É ideal para iniciantes e projetos pequenos. Suporta redes diretas e recorrentes (LSTM, GRU), além de trabalhar com séries temporais.

Instalação:

npm install brain.js

Exemplo: classificação XOR

const brain = require('brain.js');const net = new brain.NeuralNetwork();

net.train([  {input: [0, 0], output: [0]},  {input: [0, 1], output: [1]},  {input: [1, 0], output: [1]},  {input: [1, 1], output: [0]}]);

const output = net.run([1, 0]); // ~0.98console.log(output);

Características:

• Barreira de entrada mínima — apenas algumas linhas de código
• Suporte integrado para normalização de dados
• Possibilidade de salvar e carregar modelos treinados em JSON
• Suporte a redes recorrentes (LSTMTimeStep, GRUTimeStep)

3. Synaptic — arquitetura modular

Synaptic é uma biblioteca de código aberto que oferece uma arquitetura flexível para construir redes neurais. Ela não depende de bibliotecas externas (além do JS puro) e permite criar topologias de rede arbitrárias, incluindo perceptrons multicamadas, redes de memória de longo prazo (LSTM) e até mesmo redes de cápsulas.

Instalação:

npm install synaptic

Exemplo: criação de um perceptron

const synaptic = require('synaptic');

const { Layer, Network, Trainer } = synaptic;

const inputLayer = new Layer(2);const hiddenLayer = new Layer(3);const outputLayer = new Layer(1);

inputLayer.project(hiddenLayer);hiddenLayer.project(outputLayer);

const myNetwork = new Network({  input: inputLayer,  hidden: [hiddenLayer],  output: outputLayer});

const t