Yeni araçları keşfedin, yüksek lisans eğitimlerini gerçek dünya uygulamalarında kullanın ve daha fazlasını yapın
Yeni araçları keşfedin, yüksek lisans eğitimlerini gerçek dünya uygulamalarında kullanın ve daha fazlasını yapın
| | Keras'ın derin öğrenmeyi nasıl kolaylaştırdığını öğrenin |
| | TensorFlow ile makine öğrenimi sorunlarını çözmek için ulaşılabilir bir arayüz sağlayan Keras API'nin bileşenlerini keşfedin. |
| |
|
|
| |  | | KerasNLP ve TensorFlow Lite ile otomatik tamamlamalı bir Android uygulaması oluşturun | | Büyük dil modelleri (LLM'ler), büyük veri kümelerine dayalı metin oluşturmak üzere eğitilir. Bir KerasNLP modelini nasıl yükleyeceğinizi, onu niceleme teknikleriyle nasıl optimize edeceğinizi ve uyumlu herhangi bir TFLite LLM'yi çalıştırabilen bir Android demo uygulamasına nasıl dağıtacağınızı öğrenin. | |
|
| |
|
|  | | Visual Blocks'u kullanarak makine öğrenimi fikirlerini hayata geçirin | | Visual Blocks, hızlı prototip oluşturma ve denemeler için yeni bir grafik programlama çerçevesidir. PaLM 2 gibi güçlü makine öğrenimi yapı taşlarını kullanın, görsel bir arayüz içinde yineleyin ve kolayca dağıtın. | |
|
| |
|
|  | | TensorFlow Lite ile ultrason teknolojisine erişimin genişletilmesi | | Google'ın Health AI ekibinin, cihaz içi çıkarım için TensorFlow Lite'ı kullanarak mobil cihazlar için optimize edilmiş bir fetal ultrason sistemi oluşturarak anne sağlığı hizmetlerine küresel erişimi genişletmek için nasıl çalıştığını okuyun. | |
|
| |
|
|  | | Karar ağaçlarını dtreeviz ile görselleştirin ve yorumlayın | | Bir ağaçtaki her karar düğümünün belirli bir özelliğin alanını nasıl böldüğünü görselleştirmek ve her tahminde eğitim örneklerinin dağılımını göstermek için dtreeviz kitaplığını TensorFlow Karar Ormanları ile birlikte kullanın. | |
|
| |
|
| |  | | En son teknolojiye sahip LLM'lerle öneri sistemlerini artırın | | Sohbet uygulamalarında öneriler oluşturmak, öneriler oluşturmak ve sıralamak, bilinmeyen adayları almak için yerleştirmeleri kullanmak ve daha fazlası için PaLM API'yi nasıl kullanabileceğinizi keşfedin. | |
|
| |
|
|  | | Yazılım mühendisliğinden makine öğrenimi mühendisliğine geçiş | | Makine Öğrenimi Mühendisliği (MLE) ile Yazılım Mühendisliği (SWE) arasındaki temel zihniyet farklılıkları nelerdir? Her bir rol için tipik bir iş gününün nasıl göründüğünü, karmaşıklıklarını ve bunların planlamadan başarıyı tanımlamaya kadar nasıl farklılaştığını öğrenin. | |
|
| |
|
|
|
|
| |  | | Bağlantıda Kalın | | |
|
|
|
|
,
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
[[["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"]],[],[],[]]
