Machine Learning with JavaScript

Abstract

Insinöörityön tarkoitus oli tutkia JavaScriptin potentiaalia koneoppimisen ohjelmointikielenä, tarkastella JavaScriptin koneoppimisen kirjastoja sekä kehittää sovellus, joka hyödyntää yhtä edellä mainituista kirjastoista.

Teoriaosuus alkaa kertomalla minkälaisia työkaluja käytettiin sovelluksen kehittämiseen, jonka jälkeen annetaan perustietoa baseballista ja siinä käytettävistä tilastoista. Koneoppimisen osiossa selitetään erilaisia tekniikoita ja algoritmeja sekä esitellään JavaScriptin koneoppimisen kirjastoja. Lopulta sovellus ja sen rakenne käydään läpi askel askeleelta. Sovelluksessa käytetty malli esitellään ja sitä tehdessä tehdyt ratkaisut selitetään. Viimeiseksi käydään läpi testausprosessi, tulokset ja mahdolliset parannukset malliin.

Sovellus käyttää Tensorflow.js-nimistä JavaScriptin kirjastoa, jonka avulla luodaan malli, joka ennustaa baseball-pelejä. Data oppimiseen saadaan ohjelmointirajapinnasta nimeltään MySportsFeed. Data on Pohjois-Amerikkalaisen Major League Baseball -sarjan tilastoja vuodelta 2019. Insinöörityön aikana luotiin kaksi erilaista mallia, yksinkertainen malli vertailukohdaksi sekä varsinainen malli. Testauksen aikana löytyneen ylisovituksen takia mallia paranneltiin. Viimeiseksi tuli tarkkuuden testaus, josta molemmat mallit suoriutuivat hyvin.

The purpose of this thesis was to research the potential of JavaScript as a machine learn-ing language to explore its machine learning libraries and to create an application using one of them.

The theory part first starts with explaining the tools used in the project and then moves on to giving basic information about baseball and baseball statistics. In the machine learning part, different machine learning algorithms and techniques are explained. An introduction to Ja-vaScript machine learning libraries is also provided. Finally, a walk-through of the applica-tion is given, explaining both the application structure as well as the model. The testing pro-cess and results are discussed, together with potential improvements.

The application uses the Tensorflow.js library to create a prediction model to predict the results of baseball games. An API called MySportsFeed provided data from the 2019 Major league baseball league. Two models were created during the process, and in addition to the actual model, a benchmark model was also created. A common issue of overfitting was found during the testing, and the model was improved. Finally, the prediction accuracy of the two models was tested, and they both scored well in the test.