Codelabs de ML
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Confira estes codelabs e aprenda na prática como o Firebase pode ajudar você a usar modelos do TensorFlow
Lite com mais facilidade e eficiência.
Classificação de dígito (introdução à implantação de modelos)

Saiba como usar os recursos de implantação de modelo do Firebase criando um app que
reconhece dígitos escritos à mão. Implante modelos do TensorFlow Lite com
Firebase ML, analise o desempenho do modelo com Performance Monitoring e teste a eficácia do modelo
com A/B Testing.
iOS+
Android
Análise de sentimento

Neste codelab, você usará seus próprios dados de treinamento para ajustar um modelo
de classificação de texto atual que identifica o sentimento expresso em uma passagem de
texto. Em seguida, implante o modelo usando Firebase ML e compare a precisão
dos modelos antigos e novos com A/B Testing.
iOS+
Android
Recomendação de conteúdo

Os mecanismos de recomendação permitem personalizar as experiências para usuários
individuais, apresentando conteúdo mais relevante e convidativo. Em vez de criar
um pipeline complexo para potencializar esse recurso, este codelab mostrará como
implementar um mecanismo de recomendação de conteúdo para um app treinando e implantando
um modelo de ML no dispositivo.
iOS+
Android
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2025-08-13 UTC.
[null,null,["Última atualização 2025-08-13 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)"]]