Schulungsübersicht
Einführung
- ML Kit im Vergleich zu TensorFlow und anderen Diensten für maschinelles Lernen
- Überblick über die Funktionen und Komponenten von ML Kit
Erste Schritte
- Einrichten des ML Kit SDK
- Erkunden von APIs und Beispielanwendungen
Implementierung von ML Kit Vision-APIs
- Automatisierung der Dateneingabe (Texterkennung)
- Erkennung von Gesichtern für Selfies und Porträts (Face Detection)
- Interpretation von Körperpositionen (Posenerkennung)
- Hinzufügen von Hintergrundeffekten (Selfie-Segmentierung)
- Integration von Barcode-Scans
- Identifizierung von Objekten, Orten, Arten usw. (Bildbeschriftung)
- Auffinden markanter Objekte in einem Bild (Objekterkennung und -verfolgung)
- Erkennen von handschriftlichen Texten (Digitale Tintenerkennung)
Arbeiten mit natürlichsprachlichen APIs
- Identifizierung von Sprachen
- Texte übersetzen
- Generierung intelligenter Antworten
- Entitätsextraktion verwenden
Optimierung bestehender Anwendungen mit ML Kit
- Verwendung benutzerdefinierter Modelle mit ML Kit
- Umstellung von Firebase auf das neue ML Kit SDK
- Umstellung von Mobile Vision auf das ML Kit SDK
- Reduzieren der App-Größe für die Bereitstellung
- Refactoring von Anwendungen zur Verwendung dynamischer Funktionsmodule
Tipps zur Fehlerbehebung
Zusammenfassung und nächste Schritte
Voraussetzungen
- Ein Verständnis für maschinelles Lernen
- Erfahrung mit mobiler Entwicklung
Publikum
- Software-Ingenieure
- Entwickler mobiler Anwendungen
Erfahrungsberichte (4)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurs - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Kurs - Applied AI from Scratch in Python
Es kurz und einfach halten. Schaffung von Intuition und visuellen Modellen rund um die Konzepte (Entscheidungsbaumdiagramm, lineare Gleichungen, manuelle Berechnung von y_pred, um zu beweisen, wie das Modell funktioniert).
Nicolae - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung