Nessun risultato. Prova con un altro termine.
Guide
Notizie
Software
Tutorial

Neurojs: JavaScript per il Deep Learning

Link copiato negli appunti

Neurojs è una libreria JavaScript per il Deep Learning, una soluzione pensata per lo sviluppo di progetti in-browser basati sull'apprendimento automatico. Il codice del framework è stato scritto in particolare per le attività di reinforcement learning, cioè per creare sistemi in grado di adattarsi ai cambiamenti del contesto in cui operano, ma può essere utilizzato in generale per la gestione di qualsiasi task all'interno delle reti neurali.

Un possibile impiego della libreria riguarda l'implementazione di piattaforme per l'automotive così come di applicazioni per il monitoraggio e la gestione da remoto delle Self-driving car. Attualmente esiste già un progetto incentrato sulle auto a guida autonoma che impiega Neurojs, esso sfrutta un sistema in grado di raccogliere i dati derivanti dalle attività di guida e, osservandone i comportamenti e le modifiche di stato, cataloga le azioni più performanti per ottimizzare i movimenti di un veicolo all'interno dell'ambiente di test.

screenshot

Chiaramente i test di funzionamento sulle Self-driving car sono stati effettuati all'interno di un contesto virtuale e gli esperimenti effettuati fino ad oggi rappresentano dei semplici concept, ma Neurojs potrebbe rappresentare un'alternativa completamente basata sugli standard per il Web tramite la quale interagire con i sensori. Per gli sviluppatori il vantaggio appare evidente, implementare applicazioni per la guida autonoma adottando unicamente tecnologie browser based potrebbe rendere più semplice ed economico realizzare progetti per questo settore.

Uno dei punti di forza di Neurojs riguarda il supporto per il Multi-agent learning, dove per "agente" si intende il client (ad esempio il driver di una Self-driving car) deputato ad interagire con il contesto circostante. Grazie al Multi-agent learning più agenti hanno la possibilità di condividere simultaneamente le informazioni raccolte, adottare strategie di interazione differenti ed esplorare aree diverse; in questo modo si può ottenere un adattamento non soltanto all'ambiente, ma anche agli altri agenti che partecipano ai test e si muovono nel medesimo spazio, con una marcata ottimizzazione dei tempi di produttività.

Via Neurojs

Ti consigliamo anche