After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
FastAPI для розгортання AI-моделей
FastAPI — це вебфреймворк Python, ідеальний для створення API, особливо для розгортання моделей машинного навчання та ШІ. Швидкість і модульність FastAPI роблять його потужним вибором для data scientists і machine learning engineers, які прагнуть інтегрувати AI-рішення у вебзастосунки.Створення API для моделей у продакшені
У цьому курсі ви дізнаєтеся, як створювати та розгортати API для обслуговування моделей за допомогою FastAPI. Наприкінці ви створите надійні API-ендпоїнти, які обробляють перевірку вхідних даних, автентифікацію та керування помилками. Практичні вправи проведуть вас через створення повноцінних API, призначених для обробки взаємодій із моделями ШІ.Забезпечення безпеки та масштабування застосунків FastAPI
Ви також реалізуєте автентифікацію за API-ключем, застосуєте власне обмеження швидкості для контролю потоку запитів і підвищите продуктивність завдяки асинхронній обробці. Крім того, ви навчитеся керувати версіями API, покращувати валідацію введення для складних типів даних і впроваджувати моніторинг та логування, щоб забезпечити стабільну роботу вашого застосунку в продуктивних середовищах.Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до FastAPI для розгортання моделей
Почніть надавати передбачення вашої ML-моделі через ендпоїнти FastAPI. Ви навчитеся завантажувати попередньо натреновані ML-моделі та створювати ендпоїнти API, щоб віддавати передбачення як серіалізовані відповіді на HTTP-запити. Ви використаєте моделі даних Pydantic для валідації запитів і відповідей.
- Запити GET і POST для ШІ50 XP
- GET-ендпойнт для інформації про модель100 XP
- Endpoint POST для реєстрації моделі100 XP
- Прогноз у FastAPI з попередньо натренованою моделлю50 XP
- Завантажте попередньо натреновану модель100 XP
- Створіть кінцеву точку для прогнозування100 XP
- Запуск застосунку FastAPI100 XP
- Моделі запитів і відповідей50 XP
- Створіть модель Pydantic для вхідних даних ML100 XP
- Валідація запиту та відповіді для ML-прогнозу100 XP
2
Інтеграція AI-моделей
Дізнайтеся, як надавати моделі машинного навчання через ендпоїнти FastAPI. У цьому розділі ви створите ендпоїнти, що повертають передбачення, навчитеся обробляти різні типи вхідних даних і впроваджувати надійну валідацію вводу. Ви збудуєте продакшн-готові API, які вміють перевіряти різні типи даних, а ML-моделі завантажуватимуться під час запуску сервера без простоїв.
3
Захист і оптимізація API
У цьому розділі ви захищатимете API за допомогою автентифікації на основі ключів, керуватимете частотою запитів за допомогою кастомного rate limiting і підвищуватимете продуктивність завдяки асинхронній обробці. Ви навчитеся захищати ендпоїнти, запобігати зловживанням і ефективно обробляти тривалі завдання, готуючи свій API до продакшну.
4
Версіонування API, моніторинг і логування
Цей розділ охоплює просунуті теми, які допоможуть вам довгостроково підтримувати застосунки FastAPI у продакшні. Ви розглянете версіонування та документування ендпоїнтів API, розширену валідацію вводу для підтримки складніших вхідних і вихідних даних, а також моніторинг і логування, щоб контролювати роботу застосунків і оперативно усувати проблеми.
Розгортання AI у продакшні з FastAPI
Курс
завершено
