TypeScript 用于机器学习：功能与局限

轻松学习Python，无需理论负担。在浏览器中直接解决带自动检查的实践任务，无需安装任何东西。

TypeScript 用于机器学习：初学者的功能与局限

机器学习（ML）的世界传统上与 Python、R 和 C++ 相关联。然而，随着 Web 技术的日益普及和 TypeScript 的广泛应用，一个合乎逻辑的问题出现了：TypeScript 能否用于机器学习任务？在本文中，我们将探讨 TypeScript 为 ML 提供了哪些可能性，会遇到哪些限制，以及初学者是否应该选择这门语言进入数据科学领域。

为什么选择 TypeScript 而不是 Python？

Python 凭借其庞大的库生态系统（NumPy、Pandas、Scikit-learn、PyTorch、TensorFlow）仍然是机器学习的王者。然而，TypeScript 拥有其不可否认的优势：

静态类型 — 有助于在开发阶段避免错误，这对于复杂的数学模型至关重要；
通用性 — TypeScript 编译为 JavaScript，可在任何地方运行：从浏览器到服务器（Node.js）；
与 Web 界面集成 — ML 模型可以直接在用户浏览器中运行，保护数据隐私；
现代工具 — 在 IDE 中出色的支持，自动补全，重构。

对于初学者来说，如果您已经熟悉 Web 开发，TypeScript 可能更易上手。但重要的是要理解：TypeScript 不会取代 Python 进行深度学习，而是针对特定任务对其进行补充。

TypeScript 的主要机器学习库

尽管生态系统较新，但存在几个强大的库，允许在 TypeScript 中进行 ML 开发：

TensorFlow.js

JavaScript/TypeScript 中最流行的 ML 库。允许直接在浏览器或 Node.js 中创建、训练和运行神经网络。一个简单的线性回归示例：

import * as tf from '@tensorflow/tfjs';

// 创建一个简单模型const model = tf.sequential();model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// 编译模型model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// 训练数据：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]);

// 训练模型model.fit(xs, ys, {epochs: 250}).then(() => {    // 预测 x = 10    model.predict(tf.tensor2d([10], [1, 1])).print();    // 结果将接近 19});

ML.js

用于经典机器学习（非神经网络）的库。包含算法：KNN、随机森林、K-Means、回归。K-近邻算法示例：

import { KNN } from 'ml-knn';

// 训练数据：[长度，宽度] -> 花的种类const trainingData = [    [1.0, 1.1], [1.2, 1.0], [0.9, 0.8],  // 类别 0    [3.0, 3.2], [3.1, 2.9], [2.8, 3.0]   // 类别 1];const labels = [0, 0, 0, 1, 1, 1];

const knn = new KNN(trainingData, labels, {k: 3});

// 预测const prediction = knn.predict([[1.1, 1.0]]);console.log(prediction); // [0] - 第一类

Brain.js

一个简单的神经网络库，非常适合初学者。XOR 分类示例：

import brain from '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]); // ~0.98 (接近 1)console.log(output);