Lớp học lập trình về học máy
Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Hãy thử các lớp học lập trình này để tìm hiểu thực tế cách Firebase có thể giúp bạn sử dụng các mô hình TensorFlow Lite dễ dàng và hiệu quả hơn.
Phân loại chữ số (giới thiệu về việc triển khai mô hình)
Tìm hiểu cách sử dụng các tính năng triển khai mô hình của Firebase bằng cách tạo một ứng dụng nhận dạng chữ số viết tay. Triển khai các mô hình TensorFlow Lite bằng Firebase ML, phân tích hiệu suất mô hình bằng Performance Monitoring và kiểm tra tính hiệu quả của mô hình bằng A/B Testing.
iOS+
Android
Phân tích cảm xúc
Trong lớp học lập trình này, bạn sẽ sử dụng dữ liệu huấn luyện của riêng mình để tinh chỉnh một mô hình phân loại văn bản hiện có nhằm xác định tình cảm được thể hiện trong một đoạn văn bản. Sau đó, bạn triển khai mô hình bằng cách sử dụng Firebase ML và so sánh độ chính xác của mô hình cũ và mô hình mới bằng A/B Testing.
iOS+
Android
Đề xuất nội dung
Công cụ đề xuất cho phép bạn cá nhân hoá trải nghiệm cho từng người dùng, mang đến cho họ nội dung phù hợp và hấp dẫn hơn. Thay vì xây dựng một quy trình phức tạp để hỗ trợ tính năng này, lớp học lập trình này cho thấy cách bạn có thể triển khai một công cụ đề xuất nội dung cho ứng dụng bằng cách huấn luyện và triển khai một mô hình ML trên thiết bị.
iOS+
Android
Trừ phi có lưu ý khác, nội dung của trang này được cấp phép theo Giấy phép ghi nhận tác giả 4.0 của Creative Commons và các mẫu mã lập trình được cấp phép theo Giấy phép Apache 2.0. Để biết thông tin chi tiết, vui lòng tham khảo Chính sách trang web của Google Developers. Java là nhãn hiệu đã đăng ký của Oracle và/hoặc các đơn vị liên kết với Oracle.
Cập nhật lần gần đây nhất: 2025-07-25 UTC.
[null,null,["Cập nhật lần gần đây nhất: 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)"]]
