এমএল কোডল্যাব
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
কীভাবে Firebase আপনাকে TensorFlow Lite মডেলগুলি আরও সহজে এবং কার্যকরভাবে ব্যবহার করতে সাহায্য করতে পারে তা শিখতে এই কোডল্যাবগুলি ব্যবহার করে দেখুন৷
ডিজিট শ্রেণীবিভাগ (মডেল স্থাপনার ভূমিকা)
হাতে লেখা অঙ্কগুলিকে চিনতে পারে এমন একটি অ্যাপ তৈরি করে Firebase-এর মডেল স্থাপনার বৈশিষ্ট্যগুলি কীভাবে ব্যবহার করবেন তা শিখুন। Firebase ML এর সাথে TensorFlow Lite মডেলগুলি স্থাপন করুন, Performance Monitoring এর সাথে মডেলের কার্যক্ষমতা বিশ্লেষণ করুন এবং A/B Testing এর মাধ্যমে মডেলের কার্যকারিতা পরীক্ষা করুন৷
iOS+ অ্যান্ড্রয়েড
অনুভূতি বিশ্লেষণ
এই কোডল্যাবে, আপনি একটি বিদ্যমান পাঠ্য শ্রেণিবিন্যাস মডেলকে সূক্ষ্ম-টিউন করতে আপনার নিজস্ব প্রশিক্ষণ ডেটা ব্যবহার করেন যা পাঠ্যের একটি উত্তরণে প্রকাশিত অনুভূতিকে চিহ্নিত করে। তারপর, আপনি Firebase ML ব্যবহার করে মডেলটি স্থাপন করুন এবং A/B Testing সাথে পুরানো এবং নতুন মডেলের নির্ভুলতার তুলনা করুন।
iOS+ অ্যান্ড্রয়েড
বিষয়বস্তু সুপারিশ
সুপারিশ ইঞ্জিনগুলি আপনাকে ব্যক্তিগত ব্যবহারকারীদের অভিজ্ঞতাগুলিকে ব্যক্তিগতকৃত করতে দেয়, তাদের আরও প্রাসঙ্গিক এবং আকর্ষক সামগ্রী সহ উপস্থাপন করে৷ এই বৈশিষ্ট্যটিকে শক্তিশালী করার জন্য একটি জটিল পাইপলাইন তৈরি করার পরিবর্তে, এই কোডল্যাবটি দেখায় যে আপনি কীভাবে একটি অ্যাপের জন্য একটি বিষয়বস্তু সুপারিশ ইঞ্জিনকে প্রশিক্ষণ দিয়ে এবং একটি অন-ডিভাইস ML মডেল স্থাপন করে প্রয়োগ করতে পারেন৷
iOS+ অ্যান্ড্রয়েড
অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।
2025-07-25 UTC-তে শেষবার আপডেট করা হয়েছে।
[null,null,["2025-07-25 UTC-তে শেষবার আপডেট করা হয়েছে।"],[],[],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)"]]
