javascript 神经网络

1、javascript可以写出神经网络吗？

神经网络是一个算法。用什么语言都可以写的。不过js的效率不高，精度也差点，用的人少。不过用来玩玩也够用了。
一般机器学习都用python，有很多开源项目可以使用，不必从头造轮胎。拿来就可以用，所以建议用python，python和js其实也差不太多。想要从事机器学习方面的，建议从python入手。算法什么一般都是别人写好的，直接拿来用就行，没必要自己重新写。你不是算法大师，你创造不出什么新的算法。把现有的算法都弄明白，足够干很多事情了。

谷歌人工智能写作项目：小发猫

2、如何使用JavaScript构建机器学习模型

如何使用JavaScript构建机器学习模型

目前，机器学习领域建模的主要语言是 Python 和 R，前不久腾讯推出的机器学习框架 Angel 则支持 Java 和 Scalajs中的神经网络。本文作者 Abhishek Soni 则用行动告诉我们，开发机器学习模型，JavaScript 也可以。

JavaScript？我不是应该使用 Python 吗？甚至 Scikit-learn 在 JavaScript 上都不工作。

这是可能的，实际上，连我自己都惊讶于开发者对此忽视的态度。就 Scikit-learn 而言，Javascript 的开发者事实上已经推出了适用的库，它会在本文中有所提及。那么，让我们看看 Javascript 在机器学习上能够做什么吧。

根据人工智能先驱 Arthur Samuel 的说法，机器学习为计算机提供了无需明确编程的学习能力。换句话说，它使得计算机能够自我学习并执行正确的指令，无需人类提供全部指导。

谷歌已经把自己移动优先的策略转换到人工智能优先很久了。

为什么 JavaScript 在机器学习界未被提及过？

在 JavaScript 中有一些可供使用的预制库，其中包含一些机器学习算法，如线性回归、SVM、朴素贝叶斯等等，以下是其中的一部分。

首先，我们将使用 mljs 回归库来进行一些线性回归操作。

参考代码：https://github.com/abhisheksoni27/machine-learning-with-js

1. 安装库

ml-regression 正如其名，负责机器学习的线性回归。

csvtojson 是一个用于 node.js 的快速 CSV 解析器，它允许加载 CSV 数据文件并将其转换为 JSON。

2. 初始化并加载数据

下载数据文件（.csv），并将其加入你的项目。

链接：http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv

如果你已经初始化了一个空的 npm 项目，打开 index.js，输入以下代码。

我把文件放在了项目的根目录下，如果你想放在其他地方，请记得更新 csvFilePath。

现在我们使用 csvtojson 的 fromFile 方法加载数据文件：

3. 打包数据，准备执行

JSON 对象被存储在 csvData 中，我们还需要输入数据点数组和输出数据点。我们通过一个填充 X 和 Y 变量的 dressData 函数来运行数据。

4. 训练模型开始预测

数据已经打包完毕，是时候训练我们的模型了。

为此，我们需要写一个 performRegression 函数：

performRegression 函数有一个方法 toString，它为浮点输出获取一个名为 precision 的参数。predictOutput 函数能让你输入数值，然后将模型的输出传到控制台。它是这样的（注意，我使用的是 Node.js 的 readline 工具）：

以下是为了增加阅读用户的代码

5. 大功告成！

遵循以上步骤，你的 index.js 应该是这样：

到你的终端上运行 node index.js，得到的输出会是这样：

恭喜！你刚刚在 JavaScript 中训练了第一个线性回归模型。

慢（真的假的？）
矩阵操作很困难（这里有库，比如 math.js）
仅用于 Web 开发（然而这里还有 Node.js）
机器学习库通常是在 Python 上的（还好，JS 的开发者人数也不少）
brain.js（神经网络）
Synaptic（神经网络）
Natural（自然语言处理）
ConvNetJS（卷积神经网络）
mljs（一组具有多种功能的子库）
$ npm install ml-regression csvtojson
$ yarn add ml-regression csvtojson
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // Simple Linear Regression
const csvFilePath = 'advertising.csv'; // Data
let csvData = [], // parsed Data
X = [], // Input
y = []; // Output
let regressionModel;
csv()
.fromFile(csvFilePath)
.on('json', (jsonObj) => {
csvData.push(jsonObj);
})
.on('done', () => {
dressData(); // To get data points from JSON Objects
performRegression();
});
function dressData() {
/**
* One row of the data object looks like:
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*
* Hence, while adding the data points,
* we need to parse the String value as a Float.
*/
csvData.forEach((row) => {
X.push(f(row.Radio));
y.push(f(row.Sales));
});
}
function f(s) {
return parseFloat(s);
}
function performRegression() {
regressionModel = new SLR(X, y); // Train the model on training data
console.log(regressionModel.toString(3));
predictOutput();
}
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) => {
console.log(`At X = ${answer}, y = ${regressionModel.predict(parseFloat(answer))}`);
predictOutput();
});
}
const readline = require('readline'); // For user prompt to allow predictions
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
});
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // Simple Linear Regression
const csvFilePath = 'advertising.csv'; // Data
let csvData = [], // parsed Data
X = [], // Input
y = []; // Output
let regressionModel;
const readline = require('readline'); // For user prompt to allow predictions
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
});
csv()
.fromFile(csvFilePath)
.on('json', (jsonObj) => {
csvData.push(jsonObj);
})
.on('done', () => {
dressData(); // To get data points from JSON Objects
performRegression();
});
function performRegression() {
regressionModel = new SLR(X, y); // Train the model on training data
console.log(regressionModel.toString(3));
predictOutput();
}
function dressData() {
/**
* One row of the data object looks like:
* {
* TV: "10",
* Radio: "100",
* Newspaper: "20",
* "Sales": "1000"
* }
*
* Hence, while adding the data points,
* we need to parse the String value as a Float.
*/
csvData.forEach((row) => {
X.push(f(row.Radio));
y.push(f(row.Sales));
});
}
function f(s) {
return parseFloat(s);
}
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) => {
console.log(`At X = ${answer}, y = ${regressionModel.predict(parseFloat(answer))}`);
predictOutput();
});
}
$ node index.js
f(x) = 0.202 * x + 9.31
Enter input X for prediction (Press CTRL+C to exit) : 151.5
At X = 151.5, y = 39.呵呵285
Enter input X for prediction (Press CTRL+C to exit) :

3、如何在浏览器使用synaptic.js训练简单的神经网络推荐系统

Internet Explorer (6.0)从顶部的菜单中选择 " 工具" 。选择 " Internet 选项" 。点击 " 安全" 标签。点击 " 自定义级别" 。向下滚动，直至看到标有 " 脚本" 的部分。在 " 活动脚本" 下，选择 " 启用" 并点击 " 确定" 。 Netscape Navigator (4.8)从顶部的菜单中选择 " 编辑" 。选择 " 个性设置" 。点击 " 高级" 。选择 " 脚本及插件" 选中 " 启用 JavaScript" 复选框，然后点击 " 确定" 。

4、js 正则表达式：密码必须由6-12位数字加字母组成

^(?![0-9]+$)(?![a-zA-Z]+$)[0-9A-Za-z]{6,12}$。

正则表达式，又称规则表达式，是计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

一、起源

1、正则表达式的“鼻祖”或许可一直追溯到科学家对人类神经系统工作原理的早期研究。美国新泽西州的Warren McCulloch和出生在美国底特律的Walter Pitts这两位神经生理方面的科学家，研究出了一种用数学方式来描述神经网络的新方法。

他们创造性地将神经系统中的神经元描述成了小而简单的自动控制元，从而作出了一项伟大的工作革新。

2、在1951 年,一位名叫Stephen Kleene的数学科学家，他在Warren McCulloch和Walter Pitts早期工作的基础之上，发表了一篇题目是《神经网事件的表示法》的论文，利用称之为正则集合的数学符号来描述此模型，引入了正则表达式的概念。

3、之后一段时间，人们发现可以将这一工作成果应用于其他方面。Ken Thompson就把这一成果应用于计算搜索算法的一些早期研究，Ken Thompson是 Unix的主要发明人，也就是大名鼎鼎的Unix之父。

Unix之父将此符号系统引入编辑器QED，然后是Unix上的编辑器ed，并最终引入grep。

4、在最近的六十年中，正则表达式逐渐从模糊而深奥的数学概念，发展成为在计算机各类工具和软件包应用中的主要功能。不仅仅众多UNIX工具支持正则表达式，近二十年来，在WINDOWS的阵营下，正则表达式的思想和应用在大部分 Windows 开发者工具包中得到支持和嵌入应用。

二、特点

正则表达式的特点是：

1、灵活性、逻辑性和功能性非常强；

2、可以迅速地用极简单的方式达到字符串的复杂控制。

3、对于刚接触的人来说，比较晦涩难懂。

由于正则表达式主要应用对象是文本，因此它在各种文本编辑器场合都有应用，小到著名编辑器EditPlus，大到Microsoft Word、Visual Studio等大型编辑器，都可以使用正则表达式来处理文本内容。

参考资料来源：

5、神经网络算法的三大类分别是？

神经网络算法的三大类分别是：

1、前馈神经网络：

这是实际应用中最常见的神经网络类型。第一层是输入，最后一层是输出。如果有多个隐藏层，我们称之为“深度”神经网络。他们计算出一系列改变样本相似性的变换。各层神经元的活动是前一层活动的非线性函数。

2、循环网络：

循环网络在他们的连接图中定向了循环，这意味着你可以按照箭头回到你开始的地方。他们可以有复杂的动态，使其很难训练。他们更具有生物真实性。

循环网络的目的是用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。

循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。

3、对称连接网络：

对称连接网络有点像循环网络，但是单元之间的连接是对称的（它们在两个方向上权重相同）。比起循环网络，对称连接网络更容易分析。

这个网络中有更多的限制，因为它们遵守能量函数定律。没有隐藏单元的对称连接网络被称为“Hopfield 网络”。有隐藏单元的对称连接的网络被称为玻尔兹曼机。

扩展资料：

应用及发展：

心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。

生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。

6、人工智能用的编程语言是哪些？

人工智能是一种未来性的技术，目前正在致力于研究自己的一套工具。一系列的进展在过去的几年中发生了：无事故驾驶超过300000英里并在三个州合法行驶迎来了自动驾驶的一个里程碑;IBM Waston击败了Jeopardy两届冠军;统计学习技术从对消费者兴趣到以万亿记的图像的复杂数据集进行模式识别。这些发展必然提高了科学家和巨匠们对人工智能的兴趣，这也使得开发者们了解创建人工智能应用的真实本质。

谷歌的AI击败了一位围棋大师，是一种衡量人工智能突然的快速发展的方式，也揭示了这些技术如何发展而来和将来可以如何发展。

哪一种编程语言适合人工智能?

你所熟练掌握的每一种编程语言都可以是人工智能的开发语言。人工智能程序可以使用几乎所有的编程语言实现，最常见的有：Lisp,Prolog,C/C++，近来又有Java，最近还有Python.

LISP

像LISP这样的高级语言在人工智能中备受青睐，因为在各高校多年的研究后选择了快速原型而舍弃了快速执行。垃圾收集，动态类型，数据函数，统一的语法，交互式环境和可扩展性等一些特性使得LIST非常适合人工智能编程。

PROLOG

这种语言有着LISP高层和传统优势有效结合，这对AI是非常有用的。它的优势是解决“基于逻辑的问题”。Prolog提供了针对于逻辑相关问题的解决方案，或者说它的解决方案有着简洁的逻辑特征。它的主要缺点(恕我直言)是学起来很难。

C/C++

就像猎豹一样，C/C++主要用于对执行速度要求很高的时候。它主要用于简单程序，统计人工智能，如神经网络就是一个常见的例子。Backpropagation 只用了几页的C/C++代码，但是要求速度，哪怕程序员只能提升一点点速度也是好的。

JAVA

新来者，Java使用了LISP中的几个理念，最明显的是垃圾收集。它的可移植性使它可以适用于任何程序，它还有一套内置类型。Java没有LISP和Prolog高级，又没有C那样快，但如果要求可移植性那它是最好的。

Python

Python是一种用LISP和JAVA编译的语言。按照Norvig文章中对Lips和Python的比较，这两种语言彼此非常相似，仅有一些细小的差别。还有JPthon，提供了访问Java图像用户界面的途径。这是PeterNorvig选择用JPyhton翻译他人工智能书籍中程序的的原因。JPython可以让他使用可移植的GUI演示，和可移植的http/ftp/html库。因此，它非常适合作为人工智能语言的。

在人工智能上使用Python比其他编程语言的好处

优质的文档

平台无关，可以在现在每一个*nix版本上使用

和其他面向对象编程语言比学习更加简单快速

Python有许多图像加强库像Python Imaging Libary,VTK和Maya 3D可视化工具包，Numeric Python, Scientific Python和其他很多可用工具可以于数值和科学应用。

Python的设计非常好，快速，坚固，可移植，可扩展。很明显这些对于人工智能应用来说都是非常重要的因素。

对于科学用途的广泛编程任务都很有用，无论从小的shell脚本还是整个网站应用。

最后，它是开源的。可以得到相同的社区支持。

AI的Python库

总体的AI库

AIMA：Python实现了从Russell到Norvigs的“人工智能：一种现代的方法”的算法

pyDatalog：Python中的逻辑编程引擎

SimpleAI：Python实现在“人工智能：一种现代的方法”这本书中描述过的人工智能的算法。它专注于提供一个易于使用，有良好文档和测试的库。

EasyAI：一个双人AI游戏的python引擎(负极大值，置换表、游戏解决)

机器学习库

PyBrain 一个灵活，简单而有效的针对机器学习任务的算法，它是模块化的Python机器学习库。它也提供了多种预定义好的环境来测试和比较你的算法。

PyML 一个用Python写的双边框架，重点研究SVM和其他内核方法。它支持Linux和Mac OS X。

scikit-learn旨在提供简单而强大的解决方案，可以在不同的上下文中重用：机器学习作为科学和工程的一个多功能工具。它是python的一个模块，集成了经典的机器学习的算法，这些算法是和python科学包(numpy,scipy.matplotlib)紧密联系在一起的。

MDP-Toolkit这是一个Python数据处理的框架，可以很容易的进行扩展。它海收集了有监管和没有监管的学习算饭和其他数据处理单元，可以组合成数据处理序列或者更复杂的前馈网络结构。新算法的实现是简单和直观的。可用的算法是在不断的稳定增加的，包括信号处理方法(主成分分析、独立成分分析、慢特征分析)，流型学习方法(局部线性嵌入)，集中分类，概率方法(因子分析，RBM),数据预处理方法等等。自然语言和文本处理库

NLTK 开源的Python模块，语言学数据和文档，用来研究和开发自然语言处理和文本分析。有windows,Mac OSX和Linux版本。

结论

python因为提供像 scikit-learn的好的框架，在人工智能方面扮演了一个重要的角色：Python中的机器学习，实现了这一领域中大多的需求。D3.js JS中数据驱动文档时可视化最强大和易于使用的工具之一。处理框架，它的快速原型制造使得它成为一门不可忽视的重要语言。AI需要大量的研究，因此没有必要要求一个500KB的Java样板代码去测试新的假说。python中几乎每一个想法都可以迅速通过20-30行代码来实现(JS和LISP也是一样)。因此，它对于人工智能是一门非常有用的语言。

案例

做了一个实验，一个使用人工智能和物联网做员工行为分析的软件。该软件通过员工情绪和行为的分心提供了一个有用的反馈给员工，从而提高了管理和工作习惯。

使用Python机器学习库，opencv和haarcascading概念来培训。建立了样品POC来检测通过安置在不同地点的无线摄像头传递回来基础情感像幸福，生气，悲伤，厌恶，怀疑，蔑视，讥讽和惊喜。收集到的数据会集中到云数据库中，甚至整个办公室都可以通过在Android设备或桌面点击一个按钮来取回。

开发者在深入分析脸部情感上复杂点和挖掘更多的细节中取得进步。在深入学习算法和机器学习的帮助下，可以帮助分析员工个人绩效和适当的员工/团队反馈。

7、js里面的getattribute在实际中有什么用？怎样使用？

js里面的getAttribute(key)是获取dom的属性值，使用方法如下：

1、首先创建一个名称为 getAttribute 的html文件。

2、添加一个button在点击事件中加入自定义函数mygetAttribute。

3、然后加入一个a链接和p标签显示获取的属性值。

4、创建一个自定义函数mygetAttribute。

5、在自定义函数中通过id的方式获取对象，在用getAttribute方法获取 href的值，并将值赋值到p标签。

6、最后在浏览器中打开文件，点击button或获取到a 表签的 href属性值，就完成了。