Suchanwendung für Spielzeuggeschäfte mit Cloud-Datenbanken, serverlosen Laufzeiten und Open-Source-Integrationen

In diesem Codelab erstellen Sie eine RAG-basierte Vektorsuchanwendung, die passende Spielzeuge für die Kundensuche (über Texte und Bilder) finden, benutzerdefinierte Spielzeuge auf der Grundlage von Nutzeranfragen erstellen und den Preis für das benutzerdefinierte Spielzeug mit AlloyDB, Gemini, Imagen, LangChain4j und der GenAI Toolbox for Databases vorhersagen soll.

Mit AlloyDB AI und LangChain eine LLM- und RAG-basierte Chat-App erstellen

In diesem Codelab erfahren Sie, wie Sie einen AlloyDB-Cluster erstellen, den Gen AI Databases Retrieval Service für Datenbanken bereitstellen und mit dem Dienst eine Beispielanwendung erstellen.

• AlloyDB for PostgreSQL

Erste Schritte mit Vektoreinbettungen mit AlloyDB AI

In diesem Codelab erfahren Sie, wie Sie AlloyDB AI in Kombination mit der Vektorsuche verwenden und einen Index für die Vektordaten erstellen.

• AlloyDB for PostgreSQL

Erste Schritte mit Vektoreinbettungen in Cloud SQL for PostgreSQL

In diesem Codelab erfahren Sie, wie Sie die Cloud SQL-KI-Integration in Kombination mit der Vektorsuche verwenden und einen Index für die Vektordaten erstellen.

• Cloud SQL

Toolbox für Ihre Gen AI- und Agentic-Anwendungen in AlloyDB installieren und einrichten

In diesem Codelab erstellen und stellen Sie eine Toolbox für Ihre Preisvorhersage-Anwendung bereit, die AlloyDB und generative KI-Funktionen mit dem Gen AI Toolbox for Databases-Dienst verwendet.

Kontextbezogene Yoga-Posen-Empfehlungs-App mit Firestore, Vector Search und Gemini 2.0 erstellen

In diesem Codelab erstellen Sie eine kontextbezogene Such-App für Yoga-Posen, die Nutzerfragen zu Yoga-Posen beantworten soll. Außerdem kannst du damit administrative Aufgaben wie das Erstellen und Bearbeiten von Yoga-Posen erledigen.

Mit ML Kit und CameraX die Sprache erkennen, die Sprache erkennen und Text übersetzen: Android

In diesem Codelab erstellen Sie mit ML Kit eine Android-App, die maschinelles Lernen auf dem Gerät nutzt, um Text in 59 Sprachen zu erkennen, zu identifizieren und zu übersetzen. Außerdem erfahren Sie, wie Sie die CameraX-Bibliothek einbinden, um diese Aufgaben über einen Echtzeit-Kamerafeed auszuführen.

• Firebase
• Android

Gemini in Java mit Vertex AI und LangChain4j

In diesem Codelab chatten Sie mit Ihren Nutzern, stellen Fragen zu Ihrer Dokumentation, erweitern ein Modell mit Funktionsaufrufen, verwenden generative KI in Java, binden das Large Language Model von Gemini in Vertex AI ein und nutzen das LangChain4j-Framework

Translation API mit Python verwenden

In dieser Anleitung erfahren Sie, wie Sie die Translation API mit Python verwenden.

Build a Smart Shopping Assistant with AlloyDB und Vertex AI Agent Builder – Part 1

In diesem Codelab entwickeln Sie eine wissensbasierte Chatanwendung, die Kundenfragen beantworten, die Produktsuche anleiten und die Suchergebnisse für ein E-Commerce-Dataset anpassen soll.

TensorFlow.js: Mit Firebase Hosting ein ML-Modell in großem Maßstab bereitstellen und hosten

In diesem Codelab erfahren Sie, wie Sie mithilfe der Firebase-Infrastruktur ein ML-Modell bereitstellen, damit es mit TensorFlow.js auf Ihrer Website verwendet und genutzt werden kann.

• TensorFlow

Auf den Gemini-Chat mit dem Python SDK über den Private Service Connect-Endpunkt zugreifen

Über das Python SDK und den PSC-Endpunkt von einer VM aus auf Gemini zugreifen

• Vertex AI

Generative Chat-App mit Vertex AI Conversation erstellen

In diesem Codelab verwenden Sie Vertex AI Conversation, um einen Datenspeicher-Agent und eine Chat-App zu erstellen, zu konfigurieren und bereitzustellen, um Kundenfragen zu Produkten im Google Store zu beantworten.

Cloud Functions-Funktion für die Zusammenfassung von Inhalten mit der PaLM Vertex AI API und Google Cloud Storage

Cloud Functions-Funktion, die zeigt, wie eine hochgeladene Datei in Google Cloud Storage verarbeitet und mit der PaLM API von Vertex AI eine Zusammenfassung der Inhalte durchgeführt wird.

Vorhersage von Filmbewertungen mit BQML und SQL

Wir erstellen mit BigQuery ML ein Vorhersagemodell für Filmbewertungen ausschließlich mit SQL.

Vorhersage der Filmbewertung mit Vertex AI AutoML

Wir erstellen mit Vertex AI AutoML ein Movie Score-Vorhersagemodell, stellen es auf einem API-Endpunkt bereit und lösen die Prediction API über Java Cloud Functions aus.

Einfache Bereitstellung von "Google Übersetzer" Anwendung in Cloud Functions für Python 3

In diesem Codelab erfahren Sie, wie Sie die Google Cloud Translation API mit Python verwenden und entweder lokal ausführen oder auf einer serverlosen Cloud-Computing-Plattform (App Engine, Cloud Functions oder Cloud Run) bereitstellen.

Einfache Implementierung von "Google Übersetzer" App in Python 2 Cloud Run (Docker)

In diesem Codelab erfahren Sie, wie Sie die Google Cloud Translation API mit Python verwenden und entweder lokal ausführen oder auf einer serverlosen Cloud-Computing-Plattform (App Engine, Cloud Functions oder Cloud Run) bereitstellen.

Einfache Implementierung von "Google Übersetzer" Anwendung in Python 3 Cloud Run (Docker)

In diesem Codelab erfahren Sie, wie Sie die Google Cloud Translation API mit Python verwenden und entweder lokal ausführen oder auf einer serverlosen Cloud-Computing-Plattform (App Engine, Cloud Functions oder Cloud Run) bereitstellen.

Mit ML Kit: Android Objekte in Bildern erkennen, um eine visuelle Produktsuche zu erstellen

In diesem Codelab entwickeln Sie eine Android-App mit ML Kit, die mithilfe von maschinellem Lernen auf dem Gerät Objekte in Bildern erkennt und Nutzern dann eine visuelle Produktsuche ermöglicht.

• ML Kit
• Android

Verwenden Sie Procurement Document AI, um Rechnungen mithilfe von AI Platform Notebooks zu parsen

Sie erfahren, wie Sie Procurement DocAI verwenden, um eine Rechnung intelligent zu parsen.

Prototyping für Modelle in AI Platform Notebooks

In diesem Lab erfahren Sie, wie Sie AI Platform Notebooks zum Prototyping Ihrer Workflows für maschinelles Lernen verwenden können. Wir behandeln das Erstellen einer benutzerdefinierten Notebook-Instanz, das Tracking Ihres Notebook-Codes in Git und das Debugging von Modellen mit dem What-If-Tool.

• TensorFlow

PySpark für Natural Language Processing in Dataproc

In diesem Lab erfahren Sie, wie Sie mit Spark MLlib und spark-nlp maschinelles Lernen und NLP für große Datenmengen durchführen.

Natural Language API mit Python verwenden

In dieser Anleitung erfahren Sie, wie Sie die Natural Language API mit Python verwenden.

Einfache Bereitstellung von "Google Übersetzer" app in Python 2 App Engine

In diesem Codelab erfahren Sie, wie Sie die Google Cloud Translation API mit Python verwenden und entweder lokal ausführen oder auf einer serverlosen Cloud-Computing-Plattform (App Engine, Cloud Functions oder Cloud Run) bereitstellen.

Bookshelf Analytics: Mit Gemini SQL-Anwendungen mit BigQuery und generativer KI erstellen

Wir verwenden Gemini, um mit BigQuery Analysen für Buchempfehlungen und Zusammenfassungen zu erstellen (nur generative KI in SQL).

Bookshelf Analytics: Mit Gemini eine Java Cloud Run-Anwendung erstellen, die BigQuery-Daten im Web bringt

Wir verwenden Gemini, um eine Anwendung zur Zusammenfassung von Bücherregalen zu erstellen, die BigQuery-Daten einfach ins Web bringt und in Cloud Run bereitgestellt wird.

• Cloud Run

Mit Vertex AI ein Suchsystem in Google-Qualität erstellen

In diesem Codelab erstellen Sie eine Google-Suchmaschine, die mithilfe von Vertex AI Search/Agent Builder Anfragen in Ihren Dokumenten und Textdateien beantworten kann.

• Vertex AI
• Google Cloud

Bookshelf-Builder: Mit Gemini eine Java-Cloud Functions-Funktion für eine Gemini-Anwendung erstellen

Wir erstellen eine App für Buchempfehlungen und Zusammenfassungen mit der generativen KI von Vertex AI (Gemini) in einer Cloud Functions-Funktion als Remote-Funktion von BigQuery.

Text- und Gesichtsmerkmale mit ML Kit erkennen: Android

In diesem Codelab entwickeln Sie eine Android-App mit ML Kit, die maschinelles Lernen auf dem Gerät nutzt, um Text- und Gesichtsmerkmale in Bildern zu erkennen.

• ML Kit
• Android

Mit ML Kit und CameraX die Sprache erkennen, die Sprache erkennen und Text übersetzen: Android

In diesem Codelab entwickeln Sie eine Android-App mit ML Kit, die maschinelles Lernen auf dem Gerät nutzt, um Sprache zu erkennen, zu erkennen und Text aus 59 Sprachen zu übersetzen. Außerdem erfahren Sie, wie Sie die CameraX-Bibliothek einbinden, um diese Aufgaben über einen Echtzeit-Kamerafeed auszuführen.

• ML Kit
• Firebase
• Android

Anwendung zur Verwendung eines Spamfiltermodells für maschinelles Lernen aktualisieren

Hier erfahren Sie, wie Sie eine Anwendung mit einem ML-Modell aktualisieren, das einfache Spamfilter für Kommentare unterstützt.

• Android
• TensorFlow

ML-Finanzmodell mit dem What-If-Tool und Vertex AI erstellen

In diesem Lab lernen Sie, wie Sie ein XGBoost-Modell mit einem Finanz-Dataset trainieren, es in Vertex AI bereitstellen und mit dem What-if-Tool analysieren.

• TensorFlow

Convolutional Neural Networks, mit Keras und TPUs

In diesem Lab lernen Sie, wie Sie die Faltschicht zu einem neuronalen Netzwerkmodell zusammensetzen, das Blumen erkennen kann. Dieses Mal erstellen Sie das Modell von Grund auf neu und nutzen die Leistungsfähigkeit von TPU, um es in Sekundenschnelle zu trainieren und das Design zu iterieren. Dieses Lab enthält die notwendigen theoretischen Erläuterungen zu Convolutional Neural Networks und ist ein guter Ausgangspunkt für Entwickler, die sich mit Deep Learning vertraut machen.

• TensorFlow

Keras und moderne Convnets auf TPUs

In diesem Lab lernen Sie, wie Sie eigene Convolutional Neural Networks von Grund auf erstellen, trainieren und optimieren. Dank TPUs ist dies jetzt innerhalb weniger Minuten möglich. Außerdem lernen Sie mehrere Ansätze kennen – von sehr einfachen Lerntransfers bis hin zu modernen Convolutional-Architekturen wie Squeezenet. Dieses Lab enthält die notwendigen theoretischen Erläuterungen zu neuronalen Netzwerken und ist ein guter Ausgangspunkt für Entwickler, die sich mit Deep Learning vertraut machen. In diesem Lab wird Tensorflow 2 verwendet.

• TensorFlow

Datenpipelines mit TPU-Geschwindigkeit: tf.data.Dataset und TFRecords

TPUs sind sehr schnell. Die Trainingsdaten müssen mit ihrer Trainingsgeschwindigkeit Schritt halten. In diesem Lab lernen Sie, wie Sie Daten aus GCS mit der tf.data.Dataset API laden, um Ihre TPU zu speisen.

• TensorFlow

Ihr erstes Keras-Modell mit Lerntransfer

In diesem Lab lernen Sie, wie Sie einen Keras-Klassifikator erstellen. Anstatt zu versuchen, die perfekte Kombination neuronaler Netzwerkebenen zum Erkennen von Blumen zu finden, verwenden wir zuerst eine Technik namens Lerntransfer, um ein leistungsstarkes vortrainiertes Modell an unser Dataset anzupassen. Dieses Lab enthält die notwendigen theoretischen Erläuterungen zu neuronalen Netzwerken und ist ein guter Ausgangspunkt für Entwickler, die sich mit Deep Learning vertraut machen.

Moderne Convnets, Squeezenet, Xception, mit Keras und TPUs

In diesem Lab lernen Sie die moderne Convolutional Architektur kennen und nutzen Ihr Wissen, um ein einfaches, aber effektives Convnet namens „Squeezenet“ zu implementieren. Dieses Lab enthält die notwendigen theoretischen Erläuterungen zu Convolutional Neural Networks und ist ein guter Ausgangspunkt für Entwickler, die sich mit Deep Learning vertraut machen.

• TensorFlow

LLM- und RAG-basierte Chatanwendung mithilfe von Cloud SQL-Datenbanken und LangChain erstellen

In diesem Codelab erfahren Sie, wie Sie eine Datenbank erstellen, GenAI Retrieval Service für Datenbanken bereitstellen und mithilfe des Dienstes eine Beispiel-Chat-Anwendung erstellen.

• Cloud SQL

TensorFlow, Keras und Deep Learning, ohne Doktortitel

In diesem Codelab lernen Sie den Computer dazu, in 100 Zeilen von Python / Keras-Code handschriftliche Ziffern mit 99% Genauigkeit zu erkennen.

• TensorFlow

Video Intelligence API mit Python verwenden

In dieser Anleitung erfahren Sie, wie Sie die Video Intelligence API mit Python verwenden.

Kubeflow Pipelines – GitHub-Problemzusammenfassung

In diesem Codelab richten Sie eine Cloud AI Platforms Pipeline-Installation (gehostetes KFP) mit GKE ein, erstellen und führen ML-Workflows mit Kubeflow Pipelines aus und definieren und führen Pipelines in einem AI Platform Notebook (Jupyter) aus.

• TensorFlow

Von Notebook zu Kubeflow Pipelines mit MiniKF und Kale

In diesem Codelab erfahren Sie, wie Sie mit Kubeflow Pipelines komplexe Data-Science-Pipelines erstellen und bereitstellen, ohne CLI-Befehle oder SDKs verwenden zu müssen.

Von Notebook zu Kubeflow Pipelines mit HP Tuning: Eine Data Science Journey

In diesem Codelab erfahren Sie, wie Sie komplexe Data-Science-Pipelines mit Hyperparameter-Abstimmung in Kubeflow Pipelines erstellen und bereitstellen, ohne CLI-Befehle oder SDKs verwenden zu müssen.

Generative KI für Videoanalysen mit Vertex AI

Hier erfahren Sie, wie Sie mit den Gen AI-Funktionen von Google die Aufrufe von Influencern auf YouTube zu beliebigen Unternehmen oder Produkten analysieren.

Document AI-Prozessoren mit Python verwalten

In dieser Anleitung erfahren Sie, wie Sie Document AI-Prozessoren mit Python verwalten.

XGBoost-Modell in der Cloud AI Platform erstellen, trainieren und bereitstellen

In diesem Lab lernen Sie einen vollständigen ML-Workflow auf der GCP kennen: Daten aus BigQuery aufnehmen, ein XGBoost-Modell in einer Cloud AI Platform Notebooks-Instanz erstellen und das Modell in AI Platform bereitstellen.

Auf der Cloud AI Platform bereitgestelltes ML-Modell mit dem What-if-Tool analysieren

In diesem Lab lernen Sie, wie Sie ein XGBoost-Modell mit einem Finanz-Dataset trainieren, es auf der Cloud AI Platform bereitstellen und mit dem What-if-Tool analysieren.

• TensorFlow

Build a Smart Shopping Assistant with AlloyDB und Vertex AI Agent Builder – Part 2

In diesem Codelab entwickeln Sie eine wissensbasierte Chatanwendung, die Kundenfragen beantworten, die Produktsuche anleiten und die Suchergebnisse für ein E-Commerce-Dataset anpassen soll.

Build a Patent Search Assistant with AlloyDB and Vertex AI Agent Builder – Part 2

In diesem Codelab entwickeln Sie eine wissensbasierte Chatanwendung, die Fragen im Zusammenhang mit der Patentsuche beantworten und kontextbezogene Ergebnisse auf der Grundlage des Patent-Datasets liefern soll.

Deterministische generative KI mit Gemini-Funktionsaufrufen in Java

Zeigt das Gemini-Funktionsaufruf-Feature in einer Java-Anwendung. Dazu wird das Gemini-Modell aufgerufen, um die Eingabe für den Funktionsaufruf zu orchestrieren, die API aufzurufen und dann die Antwort in einem anderen Gemini-Aufruf zu verarbeiten und auf einem REST-Endpunkt bereitzustellen.

Optische Zeichenerkennung (Optical Character Recognition, OCR) mit Document AI (Python)

In diesem Codelab führen Sie die optische Zeichenerkennung (OCR) von PDF-Dokumenten mithilfe von Document AI und Python aus. Sie erfahren, wie Sie Anfragen sowohl online (synchron) als auch im Batch (asynchron) verarbeiten können.

Formularparsen mit Document AI (Python)

In diesem Codelab erfahren Sie, wie Sie mit dem Document AI-Formularparser ein handschriftliches Formular mit Python parsen. Wir verwenden als Beispiel ein einfaches medizinisches Aufnahmeformular, aber dieses Verfahren funktioniert mit jeder von

Document AI Workbench – Benutzerdefinierter Dokumentextraktor

In diesem Codelab erfahren Sie, wie Sie mit Document AI Workbench vollständig benutzerdefinierte Modelle anhand Ihrer eigenen Trainingsdaten erstellen.

Document AI Workbench – Aufbautraining

In diesem Codelab erfahren Sie, wie Sie mit dem Document AI-Uptraining die Modellqualität mithilfe Ihrer eigenen Trainingsdaten verbessern können.

Spezialisierte Prozessoren mit Document AI (Python)

In diesem Codelab lernen Sie, wie Sie mit Procurement DocAI und Lending DocAI spezialisierte Dokumente klassifizieren und parsen.

Document AI: Human in the Loop

In diesem Codelab erfahren Sie, wie Sie mithilfe von Document AI Human in the Loop Aufgaben der manuellen Überprüfung mit spezialisierten Prozessoren erledigen.

TensorFlow.js – Handschriftliche Ziffernerkennung mit CNNs

In diesem Codelab trainieren Sie ein Modell, um handschriftliche Ziffern zu erkennen. In der Terminologie des maschinellen Lernens wird dies als Klassifizierungsaufgabe bezeichnet, da damit eine Kategorie für eine bestimmte Eingabe vorhergesagt wird.

• TensorFlow

TensorFlow.js – Vorhersagen aus 2D-Daten treffen

In diesem Codelab trainieren Sie ein Modell, um Vorhersagen aus numerischen Daten zu treffen. Angesichts der „Pferdestärke“ eines Autos versucht das Modell, „Meilen pro Gallone“ für dieses Auto vorherzusagen. In der Terminologie des maschinellen Lernens wird dies als Regressionsaufgabe beschrieben, da damit ein kontinuierlicher Wert vorhergesagt wird.

• TensorFlow

Zeitachsenprognosen mit Vertex AI und BigQuery ML

In diesem Lab erfahren Sie, wie Sie Zeitreihenprobleme mit Vertex AI lösen. Dabei werden Notebooks, Training, Vorhersage und BigQuery ML behandelt.

• TensorFlow

Training und Hyperparameter-Abstimmung eines PyTorch-Modells in der Cloud AI Platform

In diesem Lab lernen Sie, wie Sie Ihr Modell mit Hyperparameter-Abstimmung in der Cloud trainieren. Wir zeigen Ihnen, wie das mit PyTorch funktioniert. Sie können dabei jedoch ein beliebiges Framework verwenden.

Using the Text-to-Speech API with Python

In dieser Anleitung erfahren Sie, wie Sie die Text-to-Speech API mit Python verwenden.

Vision API mit Python verwenden

In dieser Anleitung erfahren Sie, wie Sie die Vision API mit Python verwenden.

Generative Insights mit BigQuery SQL und Vertex AI

Erstellen Sie mit BigQuery-SQL-Abfragen und der Vertex AI PaLM API eine App für die Vorhersage und Verschreibung von Filmerfolgsbewertungen.

Nur SQL-LLM mit BigQuery ML unter Verwendung der Vertex AI PaLM API

Zusammenfassung von Quellcode für GitHub-Repositories, die als öffentliches BigQuery-Dataset verfügbar sind, mit Vertex AI Large Language Model für die Textgenerierung (Text-Bison) als gehostete Remote-Funktion in BigQuery.

Chat-App mit der PaLM API in Cloud Run

Entwickeln Sie eine Chatanwendung mit dem Python Flask-Framework und dem PaLM API-Modell von Vertex AI.

• Cloud Run

On-Device-Bildklassifizierungsmodell mit AutoML Vision im ML Kit trainieren und bereitstellen

In diesem Codelab trainieren Sie einen Bildklassifikator mit AutoML Vision Edge in ML Kit und führen ihn mit dem ML Kit SDK auf einem Android- oder iOS-Smartphone aus.

• ML Kit
• TensorFlow
• Firebase
• Android

Apps für Google Chat mit Gemini erstellen

In diesem Codelab erstellen Sie Google Chat-Apps mit den neuesten verfügbaren Funktionen, darunter die Gemini-basierten KI-Modelle von Vertex AI, Dialogflow CX, die App-Startseite, Google Chat-Ereignisse und Zubehör-Widgets.

• Google Workspace

Cloud Functions-Funktion, die die PaLM-Text-Bison-Modelle umschließt

Zeigt eine in Python geschriebene Cloud Functions-Funktion, die das Vertex AI-Modul initialisiert und dann einen Endpunkt zum Aufrufen des PaLM Text Bison-Modells bereitstellt.

Benutzerdefiniertes Textklassifizierungsmodell erstellen und Ihre Apps damit aktualisieren

In diesem Codelab erfahren Sie, wie Sie das Modell optimieren, das Sie im Pfad „Erste Schritte mit der mobilen Textklassifizierung“ erstellt haben, damit Sie ein Modell haben, das mit Ihren eigenen Daten funktioniert. Dann erfahren Sie, wie Sie Ihre Android- und iOS-Apps mit dem neuen Modell aktualisieren.

• Android
• TensorFlow

Einfache Messaging-App erstellen

In diesem Codelab lernen Sie, wie Sie eine einfache Messaging-App mit einem Textfeld und einer Schaltfläche „Senden“ erstellen.

• Android
• TensorFlow

Benutzerdefiniertes Modell für den Bildklassifikator erstellen

In diesem Codelab trainieren Sie ein ML-Modell so, dass es bestimmte Blumen erkennt.

• TensorFlow
• Android

TensorFlow.js: Modell zur Spamerkennung für Kommentare neu trainieren, um Grenzfälle zu verarbeiten

In diesem Codelab lernen Sie, wie Sie mithilfe von Model Maker ein Kommentar-Spam-Modell neu trainieren, um Grenzfälle zu berücksichtigen, für die das vortrainierte Modell nicht in der Lage war, und anschließend das neue Modell in der Webanwendung bereitstellen.

• TensorFlow

App zur Textzusammenfassung mit Vertex AI und Svelte Kit

Erstellen Sie einen Anwendungsfall für die Textzusammenfassung, damit Nutzer Artikel, Texte und andere Arten von Inhalten mit Google Cloud Vertex AI in einer Svelte Kit-Webanwendung zusammenfassen können.

Benutzerdefiniertes Modell in Ihre App einbinden

In diesem Codelab erfahren Sie, wie Sie mithilfe benutzerdefinierter ML Kit-Modelle ein benutzerdefiniertes Bildklassifizierungsmodell in eine Android- oder iOS-App einbinden.

• Android
• TensorFlow

Modell für maschinelles Lernen für Kommentarspam erstellen

In diesem Codelab erfahren Sie, wie ein Modell für maschinelles Lernen erstellt wird, das Spam aus anderen Kommentaren herausfiltern kann.

• Android
• TensorFlow

Methoden zur Textzusammenfassung mit der PaLM API von Vertex AI

In diesem Tutorial erfahren Sie, wie Sie generative Modelle verwenden, um Informationen aus Text mithilfe der Stuffing-Methode zusammenzufassen.

Intelligente Webcam in JavaScript mit einem vortrainierten TensorFlow.js-Modell für maschinelles Lernen erstellen

In diesem Codelab erfahren Sie, wie Sie eines der vortrainierten TensorFlow.js-Modelle (COCO-SSD) laden und verwenden, um gängige Objekte zu erkennen, mit denen es trainiert wurde.

• TensorFlow

Document AI Warehouse zum Aufnehmen, Verarbeiten und Suchen von Dokumenten verwenden

In diesem Codelab verwenden Sie Document AI Warehouse, um den vollständigen Text von Dokumenten aufzunehmen, zu verarbeiten und zu suchen.

Einfache Bereitstellung von "Google Übersetzer" Express.js-Anwendung in der App Engine, Cloud Functions und Cloud Run

In diesem Codelab erfahren Sie, wie Sie die Google Cloud Translation API mit Node.js verwenden und entweder lokal ausführen oder auf einer serverlosen Cloud-Computing-Plattform (App Engine, Cloud Functions oder Cloud Run) bereitstellen.

Mit TensorFlow Enterprise und BigQuery ein Betrugserkennungsmodell auf der Cloud AI Platform erstellen

In diesem Lab nehmen Sie direkt ein BigQuery-Dataset auf und trainieren ein Betrugserkennungsmodell mit TensorFlow Enterprise auf der Google Cloud AI Platform.

• TensorFlow

Erklärung eines Betrugserkennungsmodells mit Cloud AI Platform

In diesem Lab erstellen Sie eine tf.keras zur Identifizierung betrügerischer Transaktionen mit TensorFlow und interpretieren die Ergebnisse des Modells dann mit dem Explainable AI SDK von Cloud.

• TensorFlow

Daten zu generativer KI mit Spanner und der Vertex AI Imagen API

Erstellen Sie eine Posengenerator-App, um Bilder basierend auf vom Nutzer erstellten Pose-Prompts mit Daten zu generieren, die über die Server-App-API aus der Spanner-Datenbank abgerufen wurden.

Auf generativer KI basierender Chat mit Nutzern und Dokumenten in Java über PaLM und LangChain4J

In diesem Codelab chatten Sie mit Ihren Nutzern oder stellen Fragen zu Ihrer Dokumentation, indem Sie Generative AI in Java verwenden, das PaLM Large Language Model einbinden und das LangChain4J LLM-Orchestrierungs-Framework nutzen.

Google Workspace-Aufgaben mit der Gemini API automatisieren

Hier erfahren Sie, wie Sie mit der Gemini API Google Workspace-Aufgaben automatisieren können, und entdecken weitere Möglichkeiten.

• Google Workspace

Über Funktionsaufrufe in Gemini mit APIs interagieren

In diesem Codelab verwenden Sie Funktionsaufrufe in Gemini, um eine App zu erstellen, mit der Nutzer nach Wechselkursen fragen, die neuesten Daten von einer externen API abrufen und dem Nutzer dann eine Antwort senden können.

Generative AI-Textgenerierung in Java mit PaLM und LangChain4J

In diesem Codelab lernen Sie Generative AI in Java kennen, integrieren das Large Language Model von PaLM und nutzen das LLM-Orchestrierungs-Framework LangChain4J

TensorFlow.js-Training in Node.js-Codelab

In diesem Codelab erfahren Sie, wie Sie ein Baseball-Spielfeldschätzungsmodell mit TensorFlow.js auf einem Node.js-Server erstellen und trainieren sowie Messwerte für einen Client bereitstellen.

• TensorFlow

TensorFlow.js: Python-Gerät in das TensorFlow.js-Format konvertieren

In diesem Codelab erfahren Sie, wie Sie ein vorhandenes Python ML-Modell im SavedModel-Format in das TensorFlow.js-Format konvertieren, damit es in einem Webbrowser ausgeführt werden kann. Außerdem lernen Sie, wie Sie häufige Probleme beheben, die bei Konvertierungen auftreten können.

• TensorFlow

Slack-Befehlsautomatisierung

Quellcode zum Erstellen eines Slack-Slash-Befehls für die Textzusammenfassung in der Slack-Anwendung. Die Slack-Anwendung verwendet die Cloud Functions-Funktion, um die PaLM API für die Textzusammenfassung aufzurufen.

Mit TensorFlow Lite auf Android Blumen erkennen

In diesem Codelab führen Sie einen Bildklassifikator mit TensorFlow Lite auf einem Android-Smartphone aus.

• Android
• TensorFlow

Ähnlichkeitssuche mit Spanner und Vertex AI

Erstellen Sie eine Anwendung zur Ähnlichkeitssuche für Bekleidungsempfehlungen auf der Grundlage von Nutzereingaben und führen Sie eine Suche anhand von Daten durch, die in Schraubenschlüssel gespeichert und von der Vektorsuche indexiert wurden, um mit den nächsten Nachbarn zu antworten.

KI-Spracherkennung mit TensorFlow Lite für Mikrocontroller und SparkFun Edge

In diesem Codelab erfahren Sie, wie Sie ein Spracherkennungsmodell mit TensorFlow Lite für Mikrocontroller auf dem SparkFun Edge ausführen, einem batteriebetriebenen Entwicklungsboard mit Mikrocontroller.

• TensorFlow

TensorFlow.js – Audioerkennung mit Lerntransfer

In diesem Codelab bauen Sie ein einfaches Audioerkennungsnetzwerk auf, das Ihre Geräusche erkennen und damit einen Schieberegler im Browser steuern kann. Sie verwenden TensorFlow.js, eine leistungsstarke und flexible ML-Bibliothek für JavaScript.

• TensorFlow

Text- und Gesichtsfunktionen erkennen ML Kit: iOS

In diesem Codelab entwickeln Sie eine iOS-App mit ML Kit, die maschinelles Lernen auf dem Gerät nutzt, um Text- und Gesichtsmerkmale in Bildern zu erkennen.

• ML Kit

使用 TensorFlow Lite 和 Firebase 向您的应用添加设备端文本分类 - Android Codelab

在此 Codelab 中，您将学习如何使用 Firebase 和 TensorFlow Lite 实现文本分类。

• Firebase
• Firebase ML
• Android
• TensorFlow

使用 TensorFlow Lite 和 Firebase 向您的应用添加建议 - iOS Codelab

在此 Codelab 中，您将学习如何使用 TensorFlow 和 Firebase 为应用创建内容推荐引擎

• Firebase ML
• Firebase
• Google Analytics
• TensorFlow

“实时设备端应用内购优化”Codelab

在此 Codelab 中，您将学习如何部署 TFLite 模型，以针对每位用户量身定制应用并优化应用内购买

• Firebase
• Firebase ML
• Firebase Remote Config
• Firebase A/B Testing
• BigQuery
• Google Analytics
• TensorFlow
• Android

使用 TensorFlow Lite 和 Firebase 向您的应用添加建议 - Android Codelab

在此 Codelab 中，您将学习如何使用 TensorFlow 和 Firebase 为应用创建内容推荐引擎。

• Firebase ML
• Android
• Google Analytics
• TensorFlow
• Firebase

使用 TensorFlow Lite 和 Firebase 向您的应用添加设备端文本分类 - iOS Codelab

在此 Codelab 中，您将学习如何使用 Firebase 和 TensorFlow Lite 实现文本分类。

• Firebase
• Firebase ML
• TensorFlow

对象检测入门

了解对象检测的基础知识，以及如何将预训练的对象检测器集成到您的移动应用中。

• Android
• TensorFlow

商品图片搜索入门

了解如何使用设备端对象检测功能为移动应用构建商品图片搜索功能。

• TensorFlow
• Android

移动文本分类入门

了解如何在一个移动应用中使用机器学习技术来识别文本，并打造一个能够过滤评论中的垃圾内容的应用。

• TensorFlow
• Android

在 Google Cloud 中构建自定义响应式聊天机器人

学习如何为 Dialogflow 聊天机器人构建自定义前端，为用户打造自然的对话式体验，然后使用 Cloud Vision 增强前端，使它能够分析上传的图片，并将相关分析结果包含在响应中。

• Dialogflow

轻松实现计算机视觉：Spring Boot 和 Java 上的 Vision AI

我们将使用 Spring Boot 和 Java 创建计算机视觉应用，使您能够在项目中释放图像识别和分析的潜力。

• Cloud Run

深入了解图片分类

了解如何构建自定义图片分类模型，进一步提高您在“图片分类入门”在线课程中学到的技能。

• Android
• TensorFlow

深入了解对象检测

了解如何使用 TensorFlow Lite 和 TensorFlow Lite Model Maker 库训练您自己的自定义对象检测模型，并提升您在“对象检测入门”在线课程中学到的所有技能。

• Android
• TensorFlow

深入了解音频分类

了解如何借助 TFlite Model Maker，根据您的需求自定义经过预训练的音频分类模型，并将其部署到您的应用中。

• Android
• TensorFlow

垃圾评论检测入门

了解有关使用 TensorFlow.js 为 Web 应用创建自定义文本分类模型方面的基础知识。

• TensorFlow

音频分类入门

了解如何在移动应用中使用机器学习功能对移动设备接收到的声音进行分类。

• TensorFlow
• Android

深入了解商品图片搜索

了解如何构建商品图片搜索后端并从移动应用调用该后端，从而增强在“商品图片搜索入门”在线课程中构建的商品搜索功能。

• Android
• TensorFlow

使用 TensorFlow 进行神经网络编程

从新编程范式的首要原则，到如何创建卷积神经网络来实现高级图像识别和分类，从而解决常见的计算机视觉问题；在这里，您可以获得所需的一切信息，真正理解机器学习。

• TensorFlow

移动图片分类入门

了解如何使用计算机视觉技术构建能够“看到”和标记图片的移动应用。

• Android
• TensorFlow

深入了解垃圾评论检测

了解如何再训练垃圾评论模型，使之涵盖使用默认的预制模型时可能会漏掉的极端情况。

• TensorFlow

使用 Document AI 智能处理手写表单 (Python)

在此 Codelab 中，我将创建一个以 Python 编写的 Document AI API 教程。

TensorFlow.js 迁移学习图片分类器

在此 Codelab 中，您将学习如何构建一个“会学习的机器”，即一个可使用 TensorFlow.js 在浏览器中即时训练的自定义图片分类器。

• TensorFlow

在 Android 上使用 TensorFlow Lite 识别花卉（Beta 版）

在此 Codelab 中，您将提取一个图像分类器，然后使用 TensorFlow Lite 在 Android 手机上运行它。

• Android
• TensorFlow

使用 TensorFlow Lite Model Maker 训练垃圾评论检测模型

了解如何使用 TensorFlow Lite Model Maker 训练垃圾评论检测模型。

• TensorFlow
• Flutter

创建 Flutter 应用以对文本进行分类

了解如何构建一个 Flutter 应用，用于对文本进行分类并在界面中显示结果。

• Flutter
• TensorFlow

使用 TensorFlow Lite (Android) 构建和部署自定义对象检测模型

在此 Codelab 中，您将构建一个可以检测图片中对象的 Android 应用。首先，使用 TFLite Model Maker 训练自定义对象检测模型，然后使用 TFLite Task 库部署该模型

• Android
• TensorFlow

在 Android 或 iOS 上构建您的首个计算机视觉应用

在此 Codelab 中，您将学习如何构建适用于 Android 和 iOS 且可正确标记图片的简单应用。

• Android
• TensorFlow

创建一款基本的音频分类应用

在此 Codelab 中，您将学习如何创建可使用手机麦克风录制音频的基本音频分类应用。

• Android
• TensorFlow

构建自定义的预训练音频分类模型

在此 Codelab 中，您将学习如何自定义预训练的音频分类模型，以便检测鸟的叫声。

• Android
• TensorFlow

TensorFlow.js：构建垃圾评论检测系统

在此 Codelab 中，您将学习如何构建具有博文功能的简单评论功能的网页，并将其与预训练的机器学习模型集成，以检测垃圾评论，从而让您在垃圾评论出现之前将其滤除存储在任何后端数据库中，可缩短服务器处理时间和费用。

• TensorFlow

TensorFlow.js：重新训练垃圾评论检测模型以处理极端情况

在此 Codelab 中，您将学习如何使用 Model Maker 重新训练垃圾评论模型，使之涵盖预训练模型无法处理的极端情况，然后将新模型重新部署到 Web 应用。

• TensorFlow

在 Android 上调用 Vision API Product Search 后端

在此 Codelab 中，您将向 Android 应用添加代码以调用 Vision API Product Search 后端，以便应用用户可以使用图片搜索商品。

• Android

使用 Vision API Product Search 构建商品图片搜索后端

在此 Codelab 中，您将学习如何使用 Vision API Product Search 构建商品图片搜索后端，以及如何创建 API 密钥以从移动应用调用该后端。

• Android

创建 Android 应用以检测图片中的对象

了解如何构建一个 Android 应用，用于检测图片中的对象并呈现其界面中的结果。

• TensorFlow
• Android

创建一个 iOS 应用以预测值

了解如何构建 iOS 应用，以检测图片中的对象并在界面中呈现结果。

• TensorFlow

创建用于对图片进行分类的简单网站

了解如何创建一个简单的网站，以使用 TensorFlow Serving 对图片进行分类。

• TensorFlow

使用 TensorFlow Lite Model Maker 创建自定义文本分类模型

了解如何使用 TensorFlow Lite Model Maker 重新训练垃圾内容检测模型，以检测特定类型的垃圾内容。

• Flutter
• TensorFlow

机器学习入门“Hello, World”

了解创建神经网络的基础知识，以及了解它如何定义行为的规则。

• TensorFlow

构建卷积并执行池化

了解如何构建卷积并执行池化以增强计算机视觉。

• TensorFlow

使用 TensorFlow 构建计算机视觉模型

了解如何使用 TensorFlow 创建用以识别衣物的计算机视觉模型。

• TensorFlow

使用卷积神经网络 (CNN) 处理复杂图像

了解如何使用 CNN 处理复杂图像（需要识别的主体可能位于图像上的任意位置）。

• TensorFlow

构建卷积神经网络 (CNN) 以增强计算机视觉

了解如何构建 CNN，从而使计算机更加高效地根据检测到的特征对图像内容进行分类。

• TensorFlow

使用大型数据集训练卷积神经网络 (CNN)，以免过拟合

学习使用大型数据集训练 CNN 以避免过拟合。

• TensorFlow

Leveraging the Gemini Pro Vision model for image understanding, multimodal prompts and accessibility

Explore how you can use the new Gemini Pro Vision model with the Gemini API to handle multimodal input data including text and image prompts to receive a text result. In this solution, you will learn how to access the Gemini API with image and text data, explore a variety of examples of prompts that can be achieved using images using Gemini Pro Vision and finally complete a codelab exploring how to use the API for a real-world problem scenario involving accessibility and basic web development.

• Gemini

Getting started with the Gemini API and Android

Learn how to use the Gemini API and the Google AI SDK to prototype generative AI in Android applications.

• Android
• Vertex AI in Firebase
• Gemini

Getting started with the Gemini API and Web apps

Learn how to use the Gemini API and the Google AI JavaScript SDK to prototype generative AI for web apps. Use the Google AI JavaScript SDK to make your first generative AI call using the Gemini API in your client-side web application. Explore a sample application and learn how to make multimodal prompts (that combine image and text).

• Vertex AI in Firebase
• Gemini

Getting started with the Gemini API and Dart and Flutter

Learn how to use the Gemini API and the Google AI Dart SDK to prototype generative AI in Dart and Flutter applications.

• Gemini
• Flutter
• Vertex AI in Firebase

Getting started with the Gemini API and Swift

Learn how to use the Gemini API and the Google AI Swift SDK to prototype generative AI with Swift. Use the Google AI Swift SDK to make your first generative AI call using the Gemini API in your application. Explore a sample application and learn how to make multimodal prompts (that combine image and text).

• Gemini
• Vertex AI in Firebase

Getting started with Google AI Studio and the Gemini API using Node.js

Learn how to prototype text-based prompts with Google AI Studio and get started writing your first Gemini API Node.js script.

• Gemini

Incorporating generative AI into your game development process with Gemini and Gemma AI

Learn how generative AI can be used in different stages of game development from preproduction to in-game solutions using Gemini AI and Gemma model.

• Gemini

Creating a multiplayer crossword with Gemini, Flutter, and Firebase

Learn how the Google engineering teams created a multiplayer crossword using Gemini, Flutter, and Firebase.

• Firebase
• Flutter

Integrating machine learning APIs

In this codelab, we’ll explore the Vision, Speech-to-Text, Translation and Natural Language APIs. At the end, we’ll use these APIs to analyse audio recordings and map them to relevant images.

Build a computer vision model with TensorFlow

Learn to create a computer vision model that recognizes items of clothing with TensorFlow.

• TensorFlow