با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
این کد لبه ها را امتحان کنید تا به طور عملی یاد بگیرید که Firebase چگونه می تواند به شما کمک کند از مدل های TensorFlow Lite راحت تر و موثرتر استفاده کنید.
طبقه بندی رقمی (مقدمه ای بر استقرار مدل)
با ساختن برنامه ای که ارقام دست نویس را تشخیص می دهد، نحوه استفاده از ویژگی های استقرار مدل Firebase را بیاموزید. استقرار مدل‌های TensorFlow Lite با Firebase ML ، تجزیه و تحلیل عملکرد مدل با Performance Monitoring ، و آزمایش اثربخشی مدل با A/B Testing .
در این لبه کد، شما از داده‌های آموزشی خود برای تنظیم دقیق مدل طبقه‌بندی متن موجود استفاده می‌کنید که احساسات بیان شده در قسمتی از متن را شناسایی می‌کند. سپس، مدل را با استفاده از Firebase ML اجرا می‌کنید و دقت مدل‌های قدیمی و جدید را با A/B Testing مقایسه می‌کنید.
موتورهای توصیه به شما این امکان را می‌دهند که تجربیات خود را برای کاربران فردی شخصی‌سازی کنید و محتوای مرتبط‌تر و جذاب‌تری به آن‌ها ارائه دهید. به جای ایجاد یک خط لوله پیچیده برای تقویت این ویژگی، این کد لبه نشان می دهد که چگونه می توانید یک موتور توصیه محتوا را برای یک برنامه با آموزش و استقرار یک مدل ML روی دستگاه پیاده سازی کنید.
تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی."],[],[],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)"]]
