Ateliers de programmation ML
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Essayez ces ateliers de programmation pour découvrir concrètement comment Firebase peut vous aider à utiliser les modèles TensorFlow Lite plus facilement et plus efficacement.
Classification des chiffres (introduction au déploiement de modèles)

Découvrez comment utiliser les fonctionnalités de déploiement de modèles de Firebase en créant une application qui reconnaît les chiffres manuscrits. Déployez des modèles TensorFlow Lite avec Firebase ML, analysez les performances des modèles avec Performance Monitoring et testez leur efficacité avec A/B Testing.
iOS+
Android
Analyse des sentiments

Dans cet atelier de programmation, vous utilisez vos propres données d'entraînement pour affiner un modèle de classification de texte existant qui identifie le sentiment exprimé dans un passage de texte. Ensuite, vous déployez le modèle à l'aide de Firebase ML et comparez la précision des anciens et nouveaux modèles avec A/B Testing.
iOS+
Android
Recommandation de contenu

Les moteurs de recommandation vous permettent de personnaliser les expériences pour chaque utilisateur, en lui présentant des contenus plus pertinents et attrayants. Plutôt que de créer un pipeline complexe pour alimenter cette fonctionnalité, cet atelier de programmation vous montre comment implémenter un moteur de recommandation de contenu pour une application en entraînant et en déployant un modèle ML sur l'appareil.
iOS+
Android
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/07/25 (UTC).
[null,null,["Dernière mise à jour le 2025/07/25 (UTC)."],[],[],null,["\u003cbr /\u003e\n\nTry these codelabs to learn hands-on how Firebase can help you use TensorFlow\nLite models more easily and effectively.\n\nDigit classification (introduction to model deployment)\n\nLearn how to use Firebase's model deployment features by building an app that\nrecognizes handwritten digits. Deploy TensorFlow Lite models with\nFirebase ML, analyze model performance with Performance Monitoring, and test model\neffectiveness with A/B Testing.\n\n[iOS+](/codelabs/digitclassifier-ios)\n[Android](/codelabs/digitclassifier-android)\n\nSentiment analysis\n\nIn this codelab, you use your own training data to fine-tune an existing text\nclassification model that identifies the sentiment expressed in a passage of\ntext. Then, you deploy the model using Firebase ML and compare the accuracy\nof the old and new models with A/B Testing.\n\n[iOS+](/codelabs/textclassification-iOS)\n[Android](/codelabs/textclassification-android)\n\nContent recommendation\n\nRecommendation engines let you personalize experiences to individual users,\npresenting them with more relevant and engaging content. Rather than building\nout a complex pipeline to power this feature, this codelab shows how you can\nimplement a content recommendation engine for an app by training and deploying\nan on-device ML model.\n\n[iOS+](/codelabs/contentrecommendation-ios)\n[Android](/codelabs/contentrecommendation-android)"]]