•  簡(jiǎn)單線(xiàn)性回歸
•  多變量線(xiàn)性回歸
•  邏輯回歸
•  樸素貝葉斯（Naive Bayesian）
•  K最近鄰算法（K-nearest neighbor，KNN）
•  K-Means算法
•  支持向量機（Support vector machine，SVM）
•  隨機森林
•  決策樹(shù)
•  前饋神經(jīng)網(wǎng)絡(luò )（Feedforward neural network）
•  深度學(xué)習網(wǎng)絡(luò )

在本文中，您將分別概覽到用于機器學(xué)習的不同JavaScript框架。它們分別是：

1.DeepLearn.js

Deeplearn.js是Google開(kāi)發(fā)的、開(kāi)源的機器學(xué)習JavaScript庫。它可以被用于不同的目的，包括訓練瀏覽器中的神經(jīng)網(wǎng)絡(luò )、理解機器學(xué)習（ML）模型、以及被用作教育目的等。您可以在推理模式中運行各種預訓練的模型。開(kāi)發(fā)者可以在Typescript（ES6 JavaScript）或ES5 JavaScript中編寫(xiě)代碼。如想快速入門(mén)，您可以通過(guò)在HTML文件的head標簽中包含以下的代碼，并編寫(xiě)用于構建模型的JS程序。

<script src="https://cdn.jsdelivr.net/npm/deeplearn@latest"></script>
<!-- or -->
<script src="https://unpkg.com/deeplearn@latest"></script>

2.PropelJS

Propel是一個(gè)JavaScript庫，它為科學(xué)計算提供了一個(gè)支持GPU的、類(lèi)似numpy（譯者注：它是Python的一種開(kāi)源的數值計算擴展）的基礎架構。它可以被使用在NodeJS的各種應用以及瀏覽器中。

以下是為瀏覽器設置的代碼：

<script src="https://unpkg.com/propel@3.1.0"></script>

而下面則是被用到NodeJS應用的代碼：

npm install propel 2.import { grad } from "propel";

PropelJS的文檔鏈接是：http://propelml.org/docs/。它的GitHub頁(yè)面為https://github.com/propelml/propel。

3.ML-JS

ML-JS為工作在NodeJS和各個(gè)瀏覽器環(huán)境中，提供了機器學(xué)習的多個(gè)工具。ML JS工具可以通過(guò)如下的代碼進(jìn)行設置：

<script src="https://www.lactame.com/lib/ml/2.2.0/ml.min.js"></script>

它能夠支持以下的機器學(xué)習算法：

•  無(wú)監督學(xué)習
•  主成分分析（Principal component analysis，PCA）
•  K-Means聚類(lèi)
•  監督學(xué)習
•  簡(jiǎn)單線(xiàn)性回歸
•  多變量線(xiàn)性回歸
•  支持向量機（SVM）
•  樸素貝葉斯
•  K最近鄰算法（KNN）
•  偏最小二乘（Partial least squares，PLS）
•  決策樹(shù)：CART
•  隨機森林
•  邏輯回歸
•  人工神經(jīng)網(wǎng)絡(luò )
•  前饋神經(jīng)網(wǎng)絡(luò )

4.ConvNetJS

ConvNetJS是一個(gè)JavaScript庫，它可以被用于在您的瀏覽器中，完全地訓練各種深度學(xué)習的模型（神經(jīng)網(wǎng)絡(luò )）。這個(gè)庫也能夠被用在NodeJS的各種應用之中。

您可以從下載鏈接--http://cs.stanford.edu/people/karpathy/convnetjs/build/convnet-min.js 來(lái)獲取ConvNetJS的縮減庫，從而上手這個(gè)縮小版本的ConvNetJS。它的GitHub頁(yè)面為https://github.com/karpathy/convnetjs/releases。如下是其對應的加載代碼：

<script src="convnet-min.js"></script>

我們進(jìn)一步給出一些重要的參考頁(yè)面的地址：

•  ConvNetJS的NPM軟件包：https://www.npmjs.com/package/convnetjs
•  入門(mén)文檔：https://cs.stanford.edu/people/karpathy/convnetjs/started.html
•  參考文檔：https://cs.stanford.edu/people/karpathy/convnetjs/docs.html

5.KerasJS

使用KerasJS和支持GPU的WebGL，您可以在瀏覽器中運行Keras的模型。除了CPU模式，該模型也可以在Node.js中運行。Keras的GitHub頁(yè)面為https://github.com/transcranial/keras-js。以下是可以在瀏覽器中運行的所有Keras的模型列表：

•  MNIST的基本轉換（譯者注：MNIST是一個(gè)入門(mén)級的計算機視覺(jué)數據集）
•  經(jīng)MNIST訓練的卷積變分自編碼器
•  基于MNIST的輔助分類(lèi)器生成對抗網(wǎng)絡(luò )（AC-GAN）
•  經(jīng)ImageNet訓練的50層殘差網(wǎng)絡(luò )（residual network）
•  經(jīng)ImageNet訓練的Inception v3模型
•  經(jīng)ImageNet訓練的DenseNet-121（極深網(wǎng)絡(luò )）模型
•  經(jīng)ImageNet訓練的SqueezeNet v1.1模型
•  基于IMDB情感分類(lèi)的雙向長(cháng)短期記憶網(wǎng)絡(luò )（LSTM）

6.STDLib

STDLib是一個(gè)JavaScript庫，它能夠被用于構建高級的統計模型和各種機器學(xué)習庫。它也可以被用于數據可視化與探索性數據分析的繪制和圖形功能。

以下是與機器學(xué)習（ML）有關(guān)的各種相關(guān)庫的列表：

•  通過(guò)隨機梯度下降的線(xiàn)性回歸(@stdlib/ml/online-sgd-regression)
•  通過(guò)隨機梯度下降的二元分類(lèi)(@stdlib/ml/online-binary-classification)
•  自然語(yǔ)言處理(@stdlib/nlp)

7.Limdu.js

Limdu.js是一個(gè)針對Node.js的機器學(xué)習框架。它支持以下方面：

•  二進(jìn)制分類(lèi)
•  多標簽分類(lèi)
•  特征工程（Feature engineering）
•  支持向量機（SVM）

開(kāi)發(fā)者可以使用如下的命令來(lái)安裝limdu.js：
npm install limdu

8.Brain.js

Brain.js是一套用于訓練神經(jīng)網(wǎng)絡(luò )和樸素貝葉斯分類(lèi)器的JavaScript庫。您可以使用如下命令來(lái)設置Brain.js：

npm install brain.js

開(kāi)發(fā)者也可以使用以下代碼，在瀏覽器中包含該庫：

<script src="https://raw.githubusercontent.com/harthur-org/brain.js/master/browser.js"></script>

如下的命令可以被用于安裝樸素貝葉斯分類(lèi)器：

npm install classifier