JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Название 
диаграммы
Соответствующие 
функции tfjs-vis
Подходящие для их использования 
задачи визуализации и примеры из сферы 
машинного обучения
Карта 
интенсивности
tfvis.render.heathmap()
Двумерный массив чисел для визуализации в виде 
двумерной сетки ячеек с цветовым кодированием 
всех элементов для отражения величины 
соответствующих значений, например матрица 
различий многоклассового классификатора 
(см. раздел 3.3) или матрица внимания 
модели преобразования последовательностей 
в последовательности (см. раздел 9.3)
7.1.2. Комплексный практический пример: 
визуализация метеорологических данных 
с помощью tfjs-vis
В примерах на CodePen в предыдущем разделе использовались небольшие по 
объему зашитые в код данные. В этом разделе мы покажем, как воспользоваться 
возможностями tfjs­vis для гораздо большего и интересного набора данных из прак­
тики. Мы продемонстрируем подлинную мощь его API и поясним, в чем ценность 
подобных визуализаций данных в браузере. Этот пример также проиллюстрирует 
некоторые нюансы и хитрости, с которыми можно столкнуться при использовании 
API создания диаграмм на практике.
В этом примере воспользуемся набором данных Jena­weather­archive. Он вклю­
чает измерения, собранные в городе Йена, Германия, со множества метеорологиче­
ских инструментов за восемь лет (с 2009­го по 2017­й). Этот набор данных, который 
можно скачать со страницы Kaggle (см. 
http://www.kaggle.com/pankrzysiu/weather-archive-
jena
), представляет собой CSV­файл размером 42 Мбайт, состоящий из 15 столбцов. 
Первый столбец — метка даты/времени, а остальные представляют собой различные 
метеорологические данные, например температуру (
T
deg(C)
), атмосферное давление 
(
p
(mbar)
), относительную влажность (
rh
(%s)
), скорость ветра (
wv
(m/s)
) и т. д. Если 
внимательнее взглянуть на метки даты/времени, можно заметить, что их разделяют 
промежутки времени десять минут, поскольку измерения производились каждые 
десять минут. Это очень многообещающий набор данных для визуализации, иссле­
дования и применения машинного обучения. В следующих разделах мы будем пы­
таться сформировать на его основе прогнозы погоды с помощью различных моделей 
машинного обучения. В частности, будем предсказывать температуру в конкретный 
день на основе метеорологических данных за предыдущие десять дней. Но прежде, 
чем заняться этой увлекательной задачей прогноза погоды, последуем принципу 
«Всегда изучай имеющиеся данные, прежде чем применять к ним модели машин­
ного обучения» и разберемся, как визуализировать эти данные с помощью tfjs­vis 
интуитивно понятным образом.