ML codelab'leri
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Firebase'in TensorFlow Lite modellerini daha kolay ve etkili bir şekilde kullanmanıza nasıl yardımcı olabileceğini uygulamalı olarak öğrenmek için bu codelab'leri deneyin.
Rakam sınıflandırması (model dağıtımına giriş)
El yazısıyla yazılmış rakamları tanıyan bir uygulama oluşturarak Firebase'in model dağıtım özelliklerini nasıl kullanacağınızı öğrenin. Firebase ML ile TensorFlow Lite modellerini dağıtın, Performance Monitoring ile model performansını analiz edin ve A/B Testing ile model etkinliğini test edin.
iOS+
Android
Yaklaşım analizi
Bu codelab'de, bir metin pasajında ifade edilen duyguyu tanımlayan mevcut bir metin sınıflandırma modeline ince ayar yapmak için kendi eğitim verilerinizi kullanacaksınız. Ardından, Firebase ML kullanarak modeli dağıtır ve A/B Testing ile eski ve yeni modellerin doğruluğunu karşılaştırırsınız.
iOS+
Android
İçerik önerisi
Öneri motorları, deneyimleri tek tek kullanıcılar için kişiselleştirmenize olanak tanır. Böylece kullanıcılara daha alakalı ve ilgi çekici içerikler sunabilirsiniz. Bu codelab'de, bu özelliği desteklemek için karmaşık bir ardışık düzen oluşturmak yerine cihaz üzerinde bir makine öğrenimi modeli eğitip dağıtarak bir uygulama için içerik öneri motorunu nasıl uygulayabileceğiniz gösterilmektedir.
iOS+
Android
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-25 UTC.
[null,null,["Son güncelleme tarihi: 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)"]]
