Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
FastAPI för driftsättning av AI-modeller
FastAPI är ett Python-webbramverk som är idealiskt för att bygga API:er, särskilt för att driftsätta maskininlärnings- och AI-modeller. FastAPI:s hastighet och modularitet gör det till ett kraftfullt val för data scientists och machine learning-ingenjörer som vill integrera AI-lösningar i webbapplikationer.Bygga API:er för modeller i produktion
I den här kursen lär du dig hur du bygger och driftsätter API:er för modellservering med FastAPI. I slutet kommer du att skapa robusta API-slutpunkter som hanterar validering av datainmatning, autentisering och felhantering. Praktiska övningar guidar dig genom att bygga kompletta API:er som är utformade för att hantera interaktioner med AI-modeller.Säkra och skala FastAPI-applikationer
Du kommer också att implementera autentisering med API-nyckel, tillämpa anpassad hastighetsbegränsning för att kontrollera förfrågningsflödet och förbättra prestandan genom asynkron bearbetning. Dessutom lär du dig att hantera API-versioner, förbättra indata-validering för komplexa datatyper och implementera övervakning och loggning för att säkerställa att din applikation körs robust i produktionsmiljöer.Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till FastAPI för modelldriftsättning
Börja leverera prediktioner från din ML-modell via FastAPI-endpoints. Du lär dig att läsa in förtränade ML-modeller och skapa API-endpoints som returnerar prediktioner som serialiserade svar över HTTP-förfrågningar. Du använder Pydantics datamodeller för att validera förfrågningar och svar.
- GET- och POST-förfrågningar för AI50 XP
- GET-endpoint för modellinformation100 XP
- POST-endpoint för modellregistrering100 XP
- FastAPI-prediktion med en förtränad modell50 XP
- Ladda den förtränade modellen100 XP
- Skapa prediktionsendpointen100 XP
- Köra FastAPI-appen100 XP
- Modeller för förfrågningar och svar50 XP
- Skapa en Pydantic-modell för ML-indata100 XP
- Validera förfrågan och svar för ML-prediktion100 XP
2
Integrering av AI-modeller
Lär dig att exponera maskininlärningsmodeller via FastAPI-endpoints. Det här kapitlet behandlar hur du skapar endpoints som returnerar prediktioner, hanterar olika typer av indata och implementerar robust indatavalidering. Du bygger produktionsklara API:er som kan validera olika typer av indata, med ML-modeller inlästa vid serverstart och utan driftstopp.
3
Säkring och optimering av API:et
Det här kapitlet behandlar hur du säkrar API:er med nyckelbaserad autentisering, hanterar förfrågningsfrekvens med anpassad hastighetsbegränsning och förbättrar prestanda genom asynkron bearbetning. Du lär dig att skydda endpoints, förhindra missbruk och hantera tidskrävande uppgifter effektivt – och gör därigenom ditt API redo för produktion.
4
API-versionering, övervakning och loggning
Det här kapitlet tar upp avancerade ämnen som hjälper dig att underhålla FastAPI-applikationer i produktion på lång sikt. Ämnena inkluderar versionering och dokumentation av API-endpoints, avancerad indatavalidering för mer komplex in- och utdata samt övervakning och loggning för att säkerställa att applikationerna fungerar korrekt och för att felsöka i realtid när de inte gör det.
Driftsättning av AI i produktion med FastAPI
Kurs
slutförd
