Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
FastAPI voor het uitrollen van AI-modellen
FastAPI is een Python-webframework dat perfect is voor het bouwen van API's, vooral voor het inzetten van machine learning- en AI-modellen. De snelheid en modulariteit van FastAPI maken het een krachtige keuze voor data scientists en machine learning engineers die AI-oplossingen willen integreren in webapplicaties.API's bouwen voor modellen in productie
In deze cursus leer je hoe je API's bouwt en implementeert voor model serving met FastAPI. Aan het einde maak je krachtige API-eindpunten die gegevensinvoer valideren, authenticatie uitvoeren en foutafhandeling beheren. Praktische oefeningen begeleiden je bij het bouwen van volledige API's die zijn ontworpen om AI-modelinteracties te verwerken.Beveiligen en opschalen van FastAPI-toepassingen
Je gaat ook API-sleutelauthenticatie implementeren, aangepaste rate limiting toepassen om het verzoekenverkeer te beheersen en de prestaties verbeteren met asynchrone verwerking. Daarnaast leer je hoe je API-versies beheert, de invoervalidatie voor complexe gegevenstypen verbetert en monitoring en logging implementeert, zodat je applicatie stabiel draait in productieomgevingen.Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot FastAPI voor modeldeployments
Begin met het aanbieden van voorspellingen van je ML-model via FastAPI-endpoints. Je leert voorgetrainde ML-modellen te laden en API-endpoints te maken die voorspellingen als geserialiseerde responses over HTTP-requests teruggeven. Je gebruikt Pydantic-datamodellen om requests en responses te valideren.
- GET- en POST-verzoeken voor AI50 XP
- GET-endpoint voor modelinformatie100 XP
- POST-endpoint voor modelregistratie100 XP
- FastAPI-voorspelling met een voorgetraind model50 XP
- Laad het voorgetrainde model100 XP
- Maak het prediction-endpoint100 XP
- De FastAPI-app uitvoeren100 XP
- Request- en responsemodellen50 XP
- Maak een Pydantic-model voor ML-input100 XP
- Valideer request en response voor ML-voorspelling100 XP
2
AI-modellen integreren
Leer hoe je machine learning-modellen via FastAPI-endpoints kunt aanbieden. Dit hoofdstuk behandelt het maken van endpoints die voorspellingen teruggeven, het omgaan met verschillende typen invoergegevens en het implementeren van robuuste invoervalidatie. Je bouwt productieklare API's die verschillende soorten invoer kunnen valideren, terwijl ML-modellen bij het opstarten van de server worden geladen zonder downtime.
3
De API beveiligen en optimaliseren
Dit hoofdstuk behandelt het beveiligen van API's met key-based authenticatie, het beheersen van verzoekfrequenties met aangepaste rate limiting en het verbeteren van de performance via asynchrone verwerking. Je leert endpoints te beschermen, misbruik te voorkomen en tijdrovende taken efficiënt af te handelen, zodat je API klaar is voor productie.
4
API-versiebeheer, monitoring en logging
Dit hoofdstuk behandelt geavanceerde onderwerpen die je in staat stellen FastAPI-apps langdurig in productie te ondersteunen. Onderwerpen zijn onder meer versiebeheer en documentatie van API-endpoints, geavanceerde invoervalidatie voor complexere input en output, en monitoring en logging om te garanderen dat apps correct draaien en om live te troubleshooten als dat niet zo is.
AI in productie brengen met FastAPI
Cursus
voltooid
