Aplikacja do wyszukiwania zabawek z bazami danych w chmurze, środowiskiem uruchomieniowym bez serwera i integracjami z oprogramowaniem open source

W tym laboratorium programistycznym utworzysz aplikację wyszukiwania wektorowego opartą na RAG, która wyszukuje zabawki pasujące do wyszukiwania przez klienta (za pomocą tekstów i obrazów), tworzy zabawki niestandardowe na podstawie prośby użytkownika oraz przewiduje cenę niestandardowej zabawki, korzystając z AlloyDB, Gemini, Imagen, LangChain4j i GenAI Toolbox for Databases.

Tworzenie aplikacji do obsługi czatu na podstawie LLM i RAG przy użyciu AlloyDB AI i LangChain

Z tego ćwiczenia w Codelab dowiesz się, jak utworzyć klaster AlloyDB, wdrożyć usługę GenAI Databases Retrieval Service do baz danych i utworzyć przykładową aplikację korzystającą z tej usługi.

• AlloyDB for PostgreSQL

Wprowadzenie do wektorów dystrybucyjnych z AlloyDB AI

Z tego ćwiczenia w Codelabs dowiesz się, jak używać AlloyDB AI w połączeniu z wyszukiwaniem wektorowym i tworzyć indeksy danych wektorowych

• AlloyDB for PostgreSQL

Pierwsze kroki z wektorami dystrybucyjnymi w Cloud SQL for PostgreSQL

W tym laboratorium programistycznym dowiesz się, jak używać integracji Cloud SQL AI w połączeniu z wyszukiwaniem wektorowym i tworzyć indeksy danych wektorowych.

• Cloud SQL

Instalowanie i konfigurowanie Toolboxa do zastosowań generatywnej AI i agentów w AlloyDB

W tym laboratorium programistycznym utworzysz i wdrożysz narzędzia dla aplikacji do prognozowania cen, która korzysta z AlloyDB i funkcji generatywnej AI za pomocą usługi GenAI Toolbox for Databases.

Utwórz kontekstualną aplikację do rekomendowania pozycji jogi za pomocą Firestore, wyszukiwania wektorowego i Gemini 2.0.

W tym ćwiczeniu w Codelab utworzysz kontekstową aplikację do wyszukiwania pozycji jogi, która odpowiada na pytania użytkowników o jogę. Pozwala też na wykonywanie zadań administracyjnych, takich jak tworzenie i edytowanie pozycji jogi.

Rozpoznawanie, rozpoznawanie i tłumaczenie tekstu za pomocą ML Kit i AparatuX: Android

W tym laboratorium programistycznym utworzysz aplikację na Androida z ML Kit, która wykorzystuje uczenie maszynowe na urządzeniu do rozpoznawania języka i tłumaczenia tekstu z 59 języków. Dowiesz się też, jak zintegrować bibliotekę CameraX, aby wykonywać te czynności na podstawie danych z kamery w czasie rzeczywistym.

• Android
• Firebase

Gemini w Javie z Vertex AI i LangChain4j

W ramach tych ćwiczeń w Codelabs będziesz rozmawiać z użytkownikami, zadawać pytania na temat dokumentacji lub rozszerzać model za pomocą wywołań funkcji, wykorzystywać generatywną AI w Javie, zintegrować duży model językowy Gemini z Vertex AI i wykorzystać platformę LangChain4j

Korzystanie z interfejsu Translation API w Pythonie

Z tego samouczka dowiesz się, jak korzystać z interfejsu Translation API w Pythonie.

Tworzenie inteligentnego asystenta zakupowego za pomocą Kreatora agentów AlloyDB i Vertex AI – część 1

W ramach tego ćwiczenia w Codelabs utworzysz aplikację do obsługi czatu opartą na wiedzy, która będzie odpowiadać na pytania klientów, ułatwiać odkrywanie produktów i dostosowywać wyniki wyszukiwania do zbioru danych e-commerce.

Dostęp do czatu z Gemini za pomocą pakietu SDK Pythona przez punkt końcowy Private Service Connect

Uzyskiwanie dostępu do Gemini z maszyny wirtualnej za pomocą pakietu Python SDK i punktu końcowego PSC

• Vertex AI

Tworzenie generatywnej aplikacji do obsługi czatu za pomocą Vertex AI Conversation

W ramach tego ćwiczenia w programie użyjesz Vertex AI Conversation, aby utworzyć, skonfigurować i wdrożyć agenta magazynu danych oraz aplikację czatu, aby odpowiadać na pytania klientów na temat produktów w Google Store.

TensorFlow.js: wykorzystanie Hostingu Firebase do wdrożenia i hostowania modelu systemów uczących się na dużą skalę

Z tego ćwiczenia w Codelabs dowiesz się, jak za pomocą infrastruktury Firebase wdrożyć model ML, który będzie można wykorzystać w witrynie za pomocą TensorFlow.js.

• TensorFlow

Funkcja w Cloud Functions do podsumowywania treści przy użyciu interfejsu PaLM Vertex AI API i Google Cloud Storage

Funkcja w Cloud Functions, która pokazuje, jak przetworzyć przesłany plik w Google Cloud Storage i wykonywać podsumowanie treści przy użyciu interfejsu Vertex AI PaLM API.

Prognozowanie oceniania filmów z użyciem BQML przy użyciu SQL

Utworzymy model prognozowania wyników filmu za pomocą wyłącznie SQL w BigQuery ML

Przewidywanie ocen filmu w Vertex AI AutoML

Za pomocą Vertex AI AutoML utworzymy model prognozowania wyników filmu, wdrożymy go w punkcie końcowym interfejsu API oraz uruchomimy interfejs API prognozowania za pomocą Javy Cloud Functions.

Wdróż podstawową wersję Tłumacza Google aplikacja w Pythonie 3 w Cloud Functions

Z tego ćwiczenia w Codelabs dowiesz się, jak używać interfejsu Google Cloud Translation API w Pythonie i uruchamiać go lokalnie lub wdrażać w bezserwerowej platformie obliczeniowej Cloud (App Engine, Cloud Functions lub Cloud Run).

Wdróż podstawową wersję Tłumacza Google aplikacja w języku Python 2 Cloud Run (Docker)

Z tego ćwiczenia w Codelabs dowiesz się, jak używać interfejsu Google Cloud Translation API w Pythonie i uruchamiać go lokalnie lub wdrażać w bezserwerowej platformie obliczeniowej Cloud (App Engine, Cloud Functions lub Cloud Run).

Wdróż podstawową wersję Tłumacza Google aplikacja w Pythonie 3 Cloud Run (Docker)

Z tego ćwiczenia w Codelabs dowiesz się, jak używać interfejsu Google Cloud Translation API w Pythonie i uruchamiać go lokalnie lub wdrażać w bezserwerowej platformie obliczeniowej Cloud (App Engine, Cloud Functions lub Cloud Run).

Wykrywanie obiektów na obrazach w celu wizualnego wyszukiwania produktów za pomocą ML Kit: Android

W ramach tego ćwiczenia w programie utworzysz aplikację na Androida z systemem ML Kit, który wykorzystuje uczenie maszynowe działające na urządzeniu do wykrywania obiektów na obrazach, a następnie pozwoli użytkownikom przeprowadzić wizualne wyszukiwanie produktów.

• ML Kit
• Android

Analizuj faktury za pomocą notatników w AI Platform za pomocą narzędzi Procurement Document AI

Dowiesz się, jak korzystać z Procurement DocAI do inteligentnego analizowania faktur.

PySpark do przetwarzania języka naturalnego w Dataproc

Z tego modułu dowiesz się, jak używać Spark MLlib i Spark-nlp do wykonywania systemów uczących się i NLP na dużych ilościach danych.

Prototypowanie modeli w notatnikach AI Platform

W tym module dowiesz się, jak używać notatników AI Platform do prototypowania przepływów pracy systemów uczących się. Omówimy tworzenie instancji niestandardowych notatników, śledzenie kodu notatnika w git i debugowanie modeli przy użyciu narzędzia What-If.

• TensorFlow

Wdróż podstawową wersję Tłumacza Google aplikacja w Pythonie 2 App Engine

Z tego ćwiczenia w Codelabs dowiesz się, jak używać interfejsu Google Cloud Translation API w Pythonie i uruchamiać go lokalnie lub wdrażać w bezserwerowej platformie obliczeniowej Cloud (App Engine, Cloud Functions lub Cloud Run).

Używanie interfejsu Natural Language API w Pythonie

Z tego samouczka dowiesz się, jak używać interfejsu Natural Language API w Pythonie.

Analityka półek na książki: używaj Gemini do tworzenia aplikacji SQL za pomocą BigQuery i generatywnej AI

Będziemy używać Gemini, aby pomóc nam tworzyć rekomendacje dotyczące książek i statystyki podsumowań za pomocą BigQuery (generatywnej AI wykorzystującej tylko SQL).

Analityka półek na książki: użyj Gemini do utworzenia aplikacji w Javie Cloud Run, która przenosi dane BigQuery do internetu

Użyjemy Gemini, żeby utworzyć aplikację do podsumowywania półki na książki, która po prostu przenosi dane BigQuery do internetu i wdroży ją w Cloud Run.

• Cloud Run

Kreator półki: użyj Gemini, aby utworzyć funkcję w Cloud Functions dla aplikacji Gemini w Javie

W funkcji w Cloud Functions jako funkcji zdalnej z BigQuery utworzymy aplikację z rekomendacjami książek i podsumowaniem, wykorzystującą generatywną AI (Gemini) Vertex AI.

Tworzenie systemu wyszukiwania wysokiej jakości za pomocą Vertex AI

W ramach tego ćwiczenia w Codelabs utworzysz wyszukiwarkę Google o wysokiej jakości, która pomoże Ci odpowiadać na zapytania z dokumentów i plików tekstowych za pomocą Vertex AI Search/Agent Builder.

• Google Cloud
• Vertex AI

Rozpoznawanie tekstu i twarzy za pomocą ML Kit: Android

W ramach tego ćwiczenia w programie utworzysz aplikację na Androida z systemem ML Kit, która używa systemów uczących się działających na urządzeniu do rozpoznawania tekstu i rysunków twarzy na obrazach.

• ML Kit
• Android

Rozpoznawanie, rozpoznawanie i tłumaczenie tekstu za pomocą ML Kit i AparatuX: Android

W ramach tego ćwiczenia w programie utworzysz aplikację na Androida z systemem ML Kit, który wykorzystuje systemy uczące się działające na urządzeniu do rozpoznawania, identyfikowania języka i tłumaczenia tekstu z 59 języków. Dowiesz się też, jak zintegrować bibliotekę CameraX, aby wykonywać te zadania na podstawie obrazu z kamery w czasie rzeczywistym.

• ML Kit
• Android
• Firebase

Zaktualizuj aplikację, aby używać modelu systemów uczących się do filtrowania spamu

Dowiedz się, jak zaktualizować aplikację za pomocą modelu ML umożliwiającego podstawowe filtrowanie spamu w komentarzach.

• TensorFlow
• Android

Tworzenie finansowego modelu ML za pomocą narzędzia What-If i Vertex AI

Z tego modułu dowiesz się, jak wytrenować model XGBoost na finansowym zbiorze danych, wdrożyć go w Vertex AI i przeanalizować go za pomocą narzędzia What-If.

• TensorFlow

Konwolucyjne sieci neuronowe wykorzystujące Keras i TPU

W tym module dowiesz się, jak połączyć warstwę splotową w model sieci neuronowej rozpoznającej kwiaty. Tym razem zbudujesz model od podstaw i wykorzystasz moc TPU, aby wytrenować go w kilka sekund i ponownie wykorzystać jego projekt. Ten moduł zawiera niezbędne wyjaśnienia teoretyczne dotyczące splotowych sieci neuronowych i jest dobrym punktem wyjścia dla deweloperów, którzy chcą poznać deep learning.

• TensorFlow

Keras i nowoczesne konwety w TPU

W tym module nauczysz się od podstaw budować, trenować i dostrajać własne splotowe sieci neuronowe. Teraz można to zrobić w ciągu kilku minut dzięki mocy jednostek TPU. Poznasz też różne podejścia, od bardzo prostej metody uczenia maszynowego do współczesnych architektur konwolucyjnych, takich jak Squeezenet. W tym module znajdziesz niezbędne wyjaśnienia teorii dotyczące sieci neuronowych. To dobry punkt wyjścia dla deweloperów, którzy chcą poznać deep learning. W tym module wykorzystano Tensorflow 2.

• TensorFlow

Potoki danych działające z szybkością TPU: tf.data.Dataset i TFRecords

Jednostki TPU są bardzo szybkie. Strumień danych treningowych musi na bieżąco odpowiadać szybkości trenowania. W tym module dowiesz się, jak wczytać dane z GCS przy użyciu interfejsu tf.data.Dataset API w celu przesyłania plików danych TPU.

• TensorFlow

Twój pierwszy model Keras z nauką przenoszenia

W tym module dowiesz się, jak utworzyć klasyfikator Keras. Zamiast próbować wymyślić idealną kombinację warstw sieci neuronowych do rozpoznawania kwiatów, zaczniemy najpierw stosować technikę zwaną transfer learning, aby dostosować zaawansowany, wytrenowany model do naszego zbioru danych. W tym module znajdziesz niezbędne wyjaśnienia teorii dotyczące sieci neuronowych. To dobry punkt wyjścia dla deweloperów, którzy chcą poznać deep learning.

Nowoczesne konwnety, squeezenet, Xception przy użyciu Keras i TPU

W tym module zapoznasz się z nowoczesną architekturą konwolucyjną i wykorzystasz swoją wiedzę do wdrożenia prostej, ale skutecznej metody „squeezenet”. Ten moduł zawiera niezbędne wyjaśnienia teoretyczne dotyczące splotowych sieci neuronowych i jest dobrym punktem wyjścia dla deweloperów, którzy chcą poznać deep learning.

• TensorFlow

Tworzenie aplikacji czatu opartej na LLM i RAG przy użyciu baz danych Cloud SQL i LangChain

Z tego ćwiczenia w Codelabs dowiesz się, jak utworzyć bazę danych, wdrożyć usługę GenAI Retrieval Service dla baz danych oraz utworzyć przy użyciu przykładową aplikację czatu.

• Cloud SQL

TensorFlow, Keras i deep learning bez doktora

Dzięki niemu dowiesz się, jak rozpoznawać odręcznie napisane cyfry w 90% z dokładnością w 100 wierszach kodu Pythona / Keras.

• TensorFlow

Korzystanie z interfejsu Video Intelligence API w Pythonie

Z tego samouczka dowiesz się, jak korzystać z interfejsu Video Intelligence API w Pythonie.

Od notatnika do Kubeflow Pipelines z HP Tuning: A Data Science Journey

Z tego ćwiczenia w Codelabs dowiesz się, jak tworzyć i wdrażać złożone potoki badania danych z dostrajaniem hiperparametrów w Kubeflow Pipelines bez używania poleceń interfejsu wiersza poleceń ani pakietów SDK.

Kubeflow Pipelines – podsumowanie problemów na GitHubie

W ramach tego ćwiczenia w Codelabs dowiesz się, jak skonfigurować instalację potoku Cloud AI Platform (hostowane KFP) w GKE, utworzyć i uruchomić przepływy pracy systemów uczących się z użyciem Kubeflow Pipelines oraz zdefiniować i uruchomić potoki z poziomu notatnika AI Platform (Jupyter).

• TensorFlow

Od notatnika do Kubeflow Pipelines z MinKF i jarmużem

W ramach tego ćwiczenia w Codelabs dowiesz się, jak tworzyć i wdrażać złożone potoki badania danych za pomocą Kubeflow Pipelines bez używania poleceń interfejsu wiersza poleceń ani pakietów SDK.

Generatywna AI w statystykach filmów z Vertex AI

Dowiedz się, jak za pomocą funkcji generatywnej AI od Google analizować poglądy influencerów w YouTube w odniesieniu do dowolnej firmy lub usługi.

Deterministyczna generatywna AI z wywołaniem funkcji Gemini w języku Java

Demonstruje funkcję wywoływania funkcji Gemini w aplikacji w Javie przez wywołanie modelu Gemini w celu administrowania danymi wejściowymi na potrzeby wywoływania funkcji, wywoływania interfejsu API, a następnie przetwarzania odpowiedzi w innym wywołaniu Gemini i wdrożenia jej w punkcie końcowym REST.

Zarządzanie procesorami Document AI w Pythonie

Z tego samouczka dowiesz się, jak zarządzać procesorami Document AI w Pythonie.

Utwórz, wytrenuj i wdróż model XGBoost w Cloud AI Platform

W tym module poznasz pełny przepływ pracy ML w GCP: pozyskasz dane z BigQuery, utworzysz model XGBoost w instancji Notatników w Cloud AI Platform i wdrożysz model w AI Platform.

Analiza finansowego modelu ML wdrożonego w Cloud AI Platform za pomocą narzędzia What-If

Z tego modułu dowiesz się, jak wytrenować model XGBoost na finansowym zbiorze danych, wdrożyć go w Cloud AI Platform i przeanalizować za pomocą narzędzia What-If.

• TensorFlow

Ćwiczenie z programowania dotyczące optymalizacji zakupów w aplikacji w czasie rzeczywistym na urządzeniu

Z tego ćwiczenia w Codelabs dowiesz się, jak wdrożyć model TFLite, aby spersonalizować aplikację pod kątem każdego użytkownika i zoptymalizować zakupy w aplikacji.

• Zdalna konfiguracja Firebase
• Firebase ML
• Android
• BigQuery
• Testy A/B Firebase
• Firebase
• Google Analytics
• TensorFlow

Dodawanie klasyfikacji tekstu na urządzeniu za pomocą TensorFlow Lite i Firebase – iOS Codelabs

Z tego ćwiczenia w Codelabs dowiesz się, jak wdrożyć klasyfikację tekstu za pomocą Firebase i TensorFlow Lite.

• TensorFlow
• Firebase ML
• Firebase

Dodawanie rekomendacji do aplikacji za pomocą TensorFlow Lite i Firebase – iOS Codelabs

Z tego ćwiczenia w Codelabs dowiesz się, jak utworzyć system rekomendacji treści w aplikacji za pomocą Tensorflow i Firebase

• Firebase ML
• Google Analytics
• TensorFlow
• Firebase

Dodawanie rekomendacji do aplikacji za pomocą TensorFlow Lite i Firebase – ćwiczenia z programowania na Androida

Z tego ćwiczenia w Codelabs dowiesz się, jak utworzyć system rekomendacji treści w aplikacji za pomocą Tensorflow i Firebase.

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

Dodawanie klasyfikacji tekstu na urządzeniu za pomocą TensorFlow Lite i Firebase – ćwiczenia z programowania na Androida

Z tego ćwiczenia w Codelabs dowiesz się, jak wdrożyć klasyfikację tekstu za pomocą Firebase i TensorFlow Lite.

• TensorFlow
• Firebase
• Android
• Firebase ML

Tworzenie Asystenta wyszukiwania patentów za pomocą AlloyDB i Kreatora agentów Vertex AI – część 2

W ramach tego ćwiczenia w programie utworzysz aplikację do obsługi czatu opartą na wiedzy, która będzie odpowiadać na pytania związane z wyszukiwaniem patentów i dostarczać trafne wyniki kontekstowe oparte na danych ze zbioru danych patentów.

Proste rozpoznawanie obrazów: Vision AI w Spring Boot i Javie

Stworzymy aplikację do rozpoznawania obrazów przy użyciu Spring Boot i Javy. Pozwoli Ci to w pełni wykorzystać potencjał rozpoznawania i analizy obrazów w Twoich projektach.

• Cloud Run

Używanie interfejsu Speech-to-Text API w Pythonie

Z tego samouczka dowiesz się, jak używać interfejsu Speech-to-Text API w Pythonie.

Analiza formularzy za pomocą Document AI (Python)

Z tego ćwiczenia w Codelabs dowiesz się, jak używać parsera formularzy Document AI do analizowania odręcznych formularzy w Pythonie. Jako przykładu użyjemy prostego formularza przyjmowania leków, ale ta procedura sprawdzi się w przypadku każdej

Document AI Workbench – moduł wyodrębniania dokumentów niestandardowych

Z tego ćwiczenia w Codelabs dowiesz się, jak używać Document AI Workbench do tworzenia w pełni dostosowanych modeli z użyciem własnych danych treningowych.

Document AI Workbench – trenowanie wyższego poziomu

Z tego ćwiczenia w Codelabs dowiesz się, jak korzystać z trenowania ulepszonego Document AI, aby poprawić jakość modelu z wykorzystaniem własnych danych treningowych.

Wyspecjalizowane procesory z Document AI (Python)

Z tego ćwiczenia w Codelabs dowiesz się, jak używać Procurement DocAI i Lending DocAI do klasyfikowania i analizowania wyspecjalizowanych dokumentów.

Optyczne rozpoznawanie znaków (OCR) w Document AI (Python)

W ramach tego ćwiczenia w Codelabs wykorzystasz optyczne rozpoznawanie znaków (OCR) w dokumentach PDF przy użyciu Document AI i Pythona. Dowiesz się, jak tworzyć żądania procesów online (synchroniczne) i wsadowe (asynchroniczne).

Document AI: ludzki człowiek

Z tego ćwiczenia w Codelabs dowiesz się, jak korzystać z systemu Document AI z udziałem człowieka, aby wykonywać zadania weryfikacji manualnej za pomocą specjalistycznych procesorów.

TensorFlow.js – odręczne rozpoznawanie cyfr z CNN

W ramach tego ćwiczenia w Codelabs wytrenujesz model do rozpoznawania odręcznych cyfr. W terminologii systemów uczących się jest to tzw. zadanie klasyfikacji, ponieważ prognozuje kategorię dla określonych danych wejściowych.

• TensorFlow

TensorFlow.js – Making Predictions na podstawie danych 2D

Z tego ćwiczenia w Codelabs dowiesz się, jak wytrenować model do generowania prognoz na podstawie danych liczbowych. Biorąc pod uwagę moc silnika samochodu, model spróbuje przewidywać jego wartość w milach na galon. W terminologii uczenia maszynowego jest to nazywane zadaniem regresji, ponieważ prognozuje ciągłą wartość.

• TensorFlow

Prognozowanie ciągu czasowego za pomocą Vertex AI i BigQuery ML

W tym module dowiesz się, jak rozwiązywać problemy z serialami czasowymi za pomocą Vertex AI. Dowiesz się z niego, jak notatniki, trenowanie, prognozy i BigQuery ML.

• TensorFlow

Trenowanie i dostrajanie hiperparametrów modelu PyTorch w Cloud AI Platform

Z tego modułu dowiesz się, jak wytrenować model w chmurze za pomocą dostrajania hiperparametrów. Pokażemy Ci, jak to zrobić w PyTorch, ale możesz to zrobić na dowolnej platformie.

Używanie interfejsu Text-to-Speech API w Pythonie

Z tego samouczka dowiesz się, jak używać interfejsu Text-to-Speech API w języku Python.

Korzystanie z interfejsu Vision API w Pythonie

Z tego samouczka dowiesz się, jak korzystać z interfejsu Vision API w języku Python.

Statystyki generatywne za pomocą BigQuery SQL i Vertex AI

Stwórz przewidywaną listę sukcesu filmu i aplikację na receptę, korzystając z zapytań BigQuery SQL i interfejsu Vertex AI PaLM API.

LLM tylko dla SQL z BigQuery ML przy użyciu interfejsu Vertex AI PaLM API

Podsumowanie kodu źródłowego dla repozytoriów GitHub dostępnych jako publiczny zbiór danych BigQuery przy użyciu dużego modelu językowego Vertex AI do generowania tekstu (text-bison) jako hostowanej funkcji zdalnej w BigQuery.

Aplikacja do obsługi czatu z interfejsem PaLM API w Cloud Run

Nauczysz się tworzyć aplikacje do obsługi czatu przy użyciu platformy Python Flask i modelu interfejsu Vertex AI PaLM API.

• Cloud Run

Wytrenuj i wdróż model klasyfikacji obrazów na urządzeniu za pomocą AutoML Vision w ML Kit

W ramach tego ćwiczenia w programie wytrenujesz klasyfikator obrazów z użyciem AutoML Vision Edge w ML Kit i uruchomisz go na telefonie z Androidem lub iOS za pomocą pakietu ML Kit SDK.

• ML Kit
• Firebase
• Android
• TensorFlow

Tworzenie aplikacji na potrzeby Google Chat za pomocą Gemini

W ramach tego ćwiczenia w programie utworzysz aplikacje Google Chat, korzystając z najnowszych dostępnych funkcji, takich jak modele AI oparte na Vertex AI dla Vertex AI, Dialogflow CX, strona główna aplikacji, wydarzenia w Google Chat oraz widżety akcesoriów.

• Google Workspace

Funkcja w Cloud Functions opakowująca modele Bison w modelu PaLM

Demonstruje funkcję w Cloud Functions napisaną w języku Python, która inicjuje moduł Vertex AI, a następnie udostępnia punkt końcowy do wywoływania modelu PaLM Text Bison.

Tworzenie niestandardowego modelu klasyfikacji tekstu i aktualizowanie go w aplikacjach

Z tego ćwiczenia w Codelabs dowiesz się, jak ulepszyć model utworzony na ścieżce klasyfikacji tekstu Pierwsze kroki z tekstem mobilnym, aby móc opracować model działający z Twoimi danymi. Następnie zobaczysz, jak zaktualizować aplikacje na Androida i iOS,

• Android
• TensorFlow

Utwórz aplikację z podstawowym stylem przekazu

W ramach tego ćwiczenia w Codelabs dowiesz się, jak stworzyć prostą aplikację do obsługi wiadomości z polem tekstowym i przyciskiem wysyłania.

• Android
• TensorFlow

Tworzenie modelu niestandardowego dla klasyfikatora obrazów

W ramach tego ćwiczenia w Codelabs wytrenujesz model ML do rozpoznawania konkretnych kwiatów.

• Android
• TensorFlow

Aplikacja Text Summarizer z Vertex AI i Svelte Kit

Utwórz przypadek użycia podsumowywania tekstu, który umożliwia użytkownikom streszczanie artykułów, tekstu i innych rodzajów treści za pomocą Vertex AI Google Cloud w aplikacji internetowej Svelte Kit.

TensorFlow.js: ponowne wytrenowanie modelu wykrywania spamu w komentarzach do obsługi przypadków skrajnych

Z tego ćwiczenia dowiesz się, jak za pomocą Kreatora modeli ponownie nauczyć spam w komentarzach, aby uwzględniać przypadki brzegowe, których model nie był w stanie wytrenować, a następnie ponownie wdrożyć nowy model w aplikacji internetowej.

• TensorFlow

Zintegruj model niestandardowy z aplikacją

Z tego ćwiczenia w Codelabs dowiesz się, jak za pomocą niestandardowych modeli ML Kit zintegrować niestandardowy model klasyfikacji obrazów z aplikacją na Androida lub iOS.

• Android
• TensorFlow

Utwórz model uczenia maszynowego dotyczącego spamu w komentarzach

Z tego ćwiczenia w Codelabs dowiesz się, jak powstaje model systemów uczących się do filtrowania spamu z innych komentarzy.

• TensorFlow
• Android

Metody podsumowywania tekstu korzystające z interfejsu Vertex AI PaLM API

Z tego samouczka dowiesz się, jak korzystać z modeli generatywnych do podsumowania informacji z tekstu, wykorzystując metodę upychania.

Utwórz inteligentną kamerę internetową z JavaScriptem, korzystając z już wytrenowanego modelu uczenia maszynowego TensorFlow.js

Z tego ćwiczenia w Codelabs dowiesz się, jak wczytać i wytrenować jeden z wytrenowanych modeli TensorFlow.js (COCO-SSD) oraz jak go używać do rozpoznawania typowych obiektów, na których był trenowany.

• TensorFlow

Używanie Document AI Warehouse do przetwarzania, przetwarzania i wyszukiwania dokumentów

W ramach tego ćwiczenia w Codelabs wykorzystasz Document AI Warehouse do pozyskiwania, przetwarzania i przeszukiwania pełnego tekstu dokumentów.

Wdróż podstawową wersję Tłumacza Google Aplikacja Express.js w App Engine, Cloud Functions i Cloud Run

Z tego ćwiczenia w Codelabs dowiesz się, jak korzystać z interfejsu Google Cloud Translation API w środowisku Node.js oraz jak uruchamiać je lokalnie lub wdrażać w bezserwerowej platformie obliczeniowej Cloud (App Engine, Cloud Functions lub Cloud Run).

Utwórz model wykrywania oszustw w Cloud AI Platform za pomocą TensorFlow Enterprise i BigQuery

W tym module bezpośrednio pozyskasz zbiór danych BigQuery i wytrenujesz model wykrywania oszustw za pomocą TensorFlow Enterprise w Google Cloud AI Platform.

• TensorFlow

Wyjaśnienie modelu wykrywania oszustw za pomocą Cloud AI Platform

W tym module utworzysz tf.keras do identyfikowania fałszywych transakcji przy użyciu TensorFlow, a następnie zinterpretujesz wyniki modelu za pomocą pakietu Cloud SDK Explainable AI.

• TensorFlow

Dane przesyłane do generatywnej AI za pomocą interfejsów Spanner i Vertex AI Imagen API

Utwórz aplikację do generowania pozycji, która będzie generowała obrazy na podstawie utworzonych przez użytkownika promptów dotyczących pozycji. Dane pobrane z bazy danych Spannera zostaną pobrane przez interfejs API aplikacji serwera.

Automatyzowanie zadań w Google Workspace przy użyciu interfejsu Gemini API

Dowiedz się, jak wykorzystać możliwości interfejsu Gemini API do automatyzacji zadań w Google Workspace i odkryć dodatkowe możliwości.

• Google Workspace

Oparty na generatywnej AI czat z użytkownikami i dokumentami w języku Java z PaLM i LangChain4J

W ramach tych ćwiczeń w Codelabs będziesz rozmawiać z użytkownikami lub zadawać pytania na temat dokumentacji przy użyciu generatywnej AI w Javie, integracji dużego modelu językowego PaLM i platformy administracji LLM LangChain4J.

Jak korzystać z interfejsów API za pomocą wywołań funkcji w Gemini

W ramach tego ćwiczenia w programie użyjesz wywołania funkcji w Gemini, aby utworzyć aplikację, za pomocą której użytkownicy będą mogli pytać o kursy wymiany, będą pobierać najnowsze dane z zewnętrznego interfejsu API, a następnie odpowiedzieć użytkownikowi.

Generowanie tekstu przez generatywną AI w języku Java za pomocą PaLM i LangChain4J

W ramach tych ćwiczeń w programie zaczniesz korzystać z generatywnej AI w języku Java, zintegrujesz duży model językowy PaLM i wykorzystasz platformę administrowania LangChain4J LLM

Trenowanie TensorFlow.js w Node.js Codelab

Z tego ćwiczenia w Codelabs dowiesz się, jak utworzyć i wytrenować model szacowania wysokości rzutu baseballowego za pomocą TensorFlow.js na serwerze Node.js oraz udostępniać wskaźniki klientowi.

• TensorFlow

TensorFlow.js: konwertowanie modelu Pythona SavedModel na format TensorFlow.js

Z tego ćwiczenia w Codelabs dowiesz się, jak wykorzystać istniejący model ML w języku Python w formacie SavedModel i przekonwertować go na format TensorFlow.js, aby można było go uruchamiać w przeglądarce, a także jak rozwiązywać typowe problemy, które mogą wystąpić podczas konwersji.

• TensorFlow

Automatyzacja poleceń w Slacku

Kod źródłowy tworzenia polecenia po ukośniku w Slacku do podsumowywania tekstu w aplikacji Slack. Aplikacja Slack używa funkcji w Cloud Functions do wywoływania interfejsu PaLM API do podsumowywania tekstu.

Rozpoznawanie kwiatów za pomocą TensorFlow Lite na Androidzie

W ramach tego ćwiczenia w programie wykorzystasz klasyfikator obrazów i uruchomisz go na telefonie z Androidem za pomocą TensorFlow Lite.

• TensorFlow
• Android

Wyszukiwanie podobieństw w usługach Spanner i Vertex AI

Utwórz aplikację do wyszukiwania podobieństw w celu uzyskania rekomendacji dotyczących odzieży na podstawie danych wejściowych użytkownika i przeszukuj dane przechowywane w usłudze Spanner oraz zindeksowane przez Wyszukiwanie wektorowe, aby odpowiadać najbliższym sąsiadom.

Rozpoznawanie mowy AI z użyciem TensorFlow Lite dla mikrokontrolerów i SparkFun Edge

W ramach tego ćwiczenia w Codelabs dowiesz się, jak uruchomić model rozpoznawania mowy przy użyciu TensorFlow Lite do mikrokontrolerów na SparkFun Edge – zasilanej baterią płytce deweloperskiej z mikrokontrolerem.

• TensorFlow

TensorFlow.js – rozpoznawanie dźwięku przy użyciu uczenia się transferu

W ramach tego ćwiczenia w Codelabs utworzysz podstawową sieć rozpoznawania dźwięku, która będzie rozpoznawać Twoje dźwięki i używać jej do sterowania suwakiem w przeglądarce. Będziesz używać TensorFlow.js – wydajnej i elastycznej biblioteki systemów uczących się dla JavaScriptu.

• TensorFlow

Rozpoznawanie tekstu i cech twarzy za pomocą ML Kit: iOS

W ramach tego ćwiczenia w programie utworzysz aplikację na iOS przy użyciu ML Kit, która używa systemów uczących się działających na urządzeniu do rozpoznawania tekstu i twarzy na obrazach.

• ML Kit

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

使用 AlloyDB 和 Vertex AI Agent Builder 构建智能购物助理 - 第 2 部分

在此 Codelab 中，您将构建一个知识驱动型聊天应用，该应用旨在回答客户问题、引导产品发现以及针对电子商务数据集定制搜索结果

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 w 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 w 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 w 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 w 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