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.
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.
Öneri motorları, deneyimleri tek tek kullanıcılara göre kişiselleştirmenize olanak tanır ve kullanıcılara daha alakalı ve ilgi çekici içerikler sunar. 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.
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2026-04-23 UTC."],[],[]]
