Course Outline

Εισαγωγή

  • ML Kit έναντι TensorFlow έναντι άλλων υπηρεσιών μηχανικής εκμάθησης
  • Επισκόπηση των ML Kit χαρακτηριστικών και στοιχείων

Ξεκινώντας

  • Ρύθμιση του ML Kit SDK
  • Εξερεύνηση API και δειγμάτων εφαρμογών

Εφαρμογή ML Kit Vision API

  • Αυτοματοποίηση εισαγωγής δεδομένων (Αναγνώριση κειμένου)
  • Ανίχνευση προσώπων για selfies και πορτρέτα (Ανίχνευση προσώπου)
  • Ερμηνεία θέσεων σώματος (Ανίχνευση στάσης)
  • Προσθήκη εφέ φόντου (Τμηματοποίηση Selfie)
  • Ενσωμάτωση σάρωσης γραμμωτού κώδικα
  • Αναγνώριση αντικειμένων, τόπων, ειδών κ.λπ. (Ετικέτα εικόνων)
  • Εντοπισμός εμφανών αντικειμένων σε μια εικόνα (Ανίχνευση αντικειμένων και παρακολούθηση)
  • Αναγνώριση χειρόγραφων κειμένων (Digital Ink Recognition)

Εργασία με API φυσικής γλώσσας

  • Αναγνώριση γλωσσών
  • Μετάφραση κειμένων
  • Δημιουργία έξυπνων απαντήσεων
  • Χρήση εξαγωγής οντοτήτων

Βελτιστοποίηση υπαρχουσών εφαρμογών με ML Kit

  • Χρήση προσαρμοσμένων μοντέλων με ML Kit
  • Μετεγκατάσταση από το Firebase στο νέο ML Kit SDK
  • Μετεγκατάσταση από το Mobile Vision στο ML Kit SDK
  • Μείωση του μεγέθους της εφαρμογής για ανάπτυξη
  • Ανακατασκευή εφαρμογών για χρήση λειτουργικών μονάδων δυναμικής λειτουργίας

Συμβουλές αντιμετώπισης προβλημάτων

Περίληψη και Επόμενα Βήματα

Requirements

  • Κατανόηση της μηχανικής μάθησης
  • Εμπειρία στην ανάπτυξη κινητών τηλεφώνων

Ακροατήριο

  • Μηχανικοί Λογισμικού
  • Προγραμματιστές εφαρμογών για κινητά
 14 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories