これらのコードラボを試して、FirebaseがTensorFlowLiteモデルをより簡単かつ効果的に使用するのにどのように役立つかを実践的に学びましょう。
数字の分類（モデル展開の概要）
手書きの数字を認識するアプリを作成して、Firebaseのモデルデプロイ機能を使用する方法を学びます。 FirebaseMLを使用してTensorFlowLiteモデルをデプロイし、パフォーマンスモニタリングを使用してモデルのパフォーマンスを分析し、A / Bテストを使用してモデルの有効性をテストします。 （ iOSの+ 、アンドロイド）
感情分析
このコードラボでは、独自のトレーニングデータを使用して、テキストの一節で表現された感情を識別する既存のテキスト分類モデルを微調整します。次に、Firebase MLを使用してモデルをデプロイし、A / Bテストで新旧のモデルの精度を比較します。 （ iOSの+ 、アンドロイド）
コンテンツの推奨
レコメンデーションエンジンを使用すると、個々のユーザーにエクスペリエンスをパーソナライズして、より関連性の高い魅力的なコンテンツをユーザーに提示できます。このコードラボでは、この機能を強化するための複雑なパイプラインを構築するのではなく、デバイス上のMLモデルをトレーニングしてデプロイすることで、アプリのコンテンツレコメンデーションエンジンを実装する方法を示します。 （ iOSの+ 、アンドロイド）