Jelajahi alat baru, gunakan LLM dalam aplikasi dunia nyata, dan banyak lagi
| | Pelajari bagaimana Keras membuat pembelajaran mendalam menjadi mudah |
| | Jelajahi komponen Keras API, yang menyediakan antarmuka yang mudah didekati untuk memecahkan masalah pembelajaran mesin dengan TensorFlow. |
| |
|
|
| |  | | Buat aplikasi Android pelengkapan otomatis dengan KerasNLP dan TensorFlow Lite | | Model bahasa besar (LLM) dilatih untuk menghasilkan teks berdasarkan kumpulan data besar. Pelajari cara memuat model KerasNLP, mengoptimalkannya dengan teknik kuantisasi, dan menerapkannya ke aplikasi demo Android yang dapat menjalankan TFLite LLM apa pun yang kompatibel. | |
|
| |
|
|  | | Wujudkan ide ML menggunakan Visual Blocks | | Visual Blocks adalah kerangka pemrograman grafis baru untuk pembuatan prototipe dan eksperimen cepat. Gunakan elemen penyusun pembelajaran mesin yang kuat seperti PaLM 2, lakukan iterasi dalam antarmuka visual, dan terapkan dengan mudah. | |
|
| |
|
|  | | Memperluas akses ke teknologi ultrasound dengan TensorFlow Lite | | Baca cara tim AI Kesehatan Google berupaya memperluas akses global terhadap layanan kesehatan ibu dengan membangun sistem USG janin yang dioptimalkan untuk seluler menggunakan TensorFlow Lite untuk inferensi di perangkat. | |
|
| |
|
|  | | Visualisasikan dan tafsirkan pohon keputusan dengan dtreeviz | | Gunakan perpustakaan dtreeviz dengan TensorFlow Decision Forests untuk memvisualisasikan bagaimana setiap node keputusan di pohon membagi domain fitur tertentu dan menunjukkan distribusi instance pelatihan di setiap prediksi. | |
|
| |
|
| |  | | Tingkatkan sistem rekomendasi dengan LLM yang canggih | | Jelajahi bagaimana Anda dapat menggunakan API PaLM untuk membuat rekomendasi dalam aplikasi obrolan, membuat dan mengurutkan rekomendasi, menggunakan penyematan untuk mengambil kandidat yang tidak dikenal, dan banyak lagi. | |
|
| |
|
|  | | Transisi dari rekayasa perangkat lunak ke rekayasa ML | | Apa perbedaan pola pikir utama antara Rekayasa Pembelajaran Mesin (MLE) dan Rekayasa Perangkat Lunak (SWE)? Cari tahu seperti apa hari kerja pada umumnya untuk setiap peran, kompleksitasnya, dan perbedaannya mulai dari perencanaan hingga pendefinisian kesuksesan. | |
|
| |
|
|
|
|
| |  | | Tetap Terhubung | | |
|
|
|
|
,
Jelajahi alat baru, gunakan LLM dalam aplikasi dunia nyata, dan banyak lagi
| | Pelajari bagaimana Keras membuat pembelajaran mendalam menjadi mudah |
| | Jelajahi komponen Keras API, yang menyediakan antarmuka yang mudah didekati untuk memecahkan masalah machine learning dengan TensorFlow. |
| |
|
|
| | | | | Buat aplikasi Android pelengkapan otomatis dengan KerasNLP dan TensorFlow Lite | | Model bahasa besar (LLM) dilatih untuk menghasilkan teks berdasarkan kumpulan data besar. Pelajari cara memuat model KerasNLP, mengoptimalkannya dengan teknik kuantisasi, dan menerapkannya ke aplikasi demo Android yang dapat menjalankan TFLite LLM apa pun yang kompatibel. | |
|
| |
|
| | | | Wujudkan ide ML menggunakan Visual Blocks | | Visual Blocks adalah kerangka pemrograman grafis baru untuk pembuatan prototipe dan eksperimen cepat. Gunakan elemen penyusun pembelajaran mesin yang kuat seperti PaLM 2, lakukan iterasi dalam antarmuka visual, dan terapkan dengan mudah. | |
|
| |
|
| | | | Memperluas akses ke teknologi ultrasound dengan TensorFlow Lite | | Baca cara tim AI Kesehatan Google berupaya memperluas akses global terhadap layanan kesehatan ibu dengan membangun sistem USG janin yang dioptimalkan untuk seluler menggunakan TensorFlow Lite untuk inferensi di perangkat. | |
|
| |
|
| | | | Visualisasikan dan tafsirkan pohon keputusan dengan dtreeviz | | Gunakan perpustakaan dtreeviz dengan TensorFlow Decision Forests untuk memvisualisasikan bagaimana setiap node keputusan di pohon membagi domain fitur tertentu dan menunjukkan distribusi instance pelatihan di setiap prediksi. | |
|
| |
|
| | | | | Tingkatkan sistem rekomendasi dengan LLM yang canggih | | Jelajahi bagaimana Anda dapat menggunakan API PaLM untuk membuat rekomendasi dalam aplikasi obrolan, membuat dan mengurutkan rekomendasi, menggunakan penyematan untuk mengambil kandidat yang tidak dikenal, dan banyak lagi. | |
|
| |
|
| | | | Transisi dari rekayasa perangkat lunak ke rekayasa ML | | Apa perbedaan pola pikir utama antara Rekayasa Pembelajaran Mesin (MLE) dan Rekayasa Perangkat Lunak (SWE)? Cari tahu seperti apa hari kerja pada umumnya untuk setiap peran, kompleksitasnya, dan perbedaannya mulai dari perencanaan hingga pendefinisian kesuksesan. | |
|
| |
|
|
|
|
| | | | Tetap Terhubung | | |
|
|
|
|
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Informasi yang saya butuhkan tidak ada","missingTheInformationINeed","thumb-down"],["Terlalu rumit/langkahnya terlalu banyak","tooComplicatedTooManySteps","thumb-down"],["Sudah usang","outOfDate","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Masalah kode / contoh","samplesCodeIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],[],[],[]]
