لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش استقرار مدلهای یادگیری ماشین: ساخت API عملیاتی با FastAPI
- آخرین آپدیت
دانلود ML Model Deployment: Build a Production API with FastAPI
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره کاملاً کاربردی به دانشجویان میآموزد که چگونه مدلهای یادگیری ماشین را از محیط Jupyter notebook به سرویسهای عملیاتی در سطح تولید (Production) با استفاده از استک مدرن MLOps منتقل کنند. با استفاده از یک پروژه جامع و مرحلهبهمرحله — استقرار سیستم تشخیص کلاهبرداری در لحظه (Real-Time Fraud Detection) برای یک شرکت فینتک — دانشجویان بر تمامی مراحل چرخه استقرار ML مسلط خواهند شد: بستهبندی مدلها با FastAPI، کانتینرسازی با Docker، ردیابی آزمایشها با MLflow، ساخت خط لولههای CI/CD با GitHub Actions، مدیریت ارکستراسیون با Docker Compose و Kubernetes، نظارت بر عملکرد مدل با Prometheus و Grafana و شناسایی رانش دادهها (Data Drift) در محیط عملیاتی. پروژه تشخیص کلاهبرداری به دلیل شباهت زیاد به سیستمهای واقعی ML ایدهآل است؛ زیرا نیازمند استنتاج با تأخیر کم، مدیریت ترافیک بالا، نسخهبندی مدل (به دلیل الزامات نظارتی و حسابرسی) و نظارت مستمر برای شناسایی تغییر در الگوهای کلاهبرداری است. هر مفهوم با گسترش خط لوله استقرار نمایش داده میشود تا دانشجویان رشد پروژه خود را از یک فایل pickle محلی تا یک سرویس ML کاملاً خودکار، مانیتور شده و مستقر در فضای ابری مشاهده کنند. در پایان دوره، دانشجویان یک خط لوله MLOps کامل و مهارتهای لازم برای استقرار هر مدل ML در محیط تولید را با اطمینان کامل کسب خواهند کرد.
سلب مسئولیت: این یک منبع آموزشی مستقل است که توسط Board Infinity صرفاً برای اهداف اطلاعرسانی و آموزشی ایجاد شده است. این دوره وابسته به هیچ شرکت، سازمان یا نهاد صدور گواهینامهای نیست، مگر اینکه صراحتاً ذکر شده باشد. محتوای ارائه شده بر اساس دانش صنعت و بهترین روشها است اما به عنوان مطالب آموزشی رسمی برای هیچ کارفرما یا برنامه گواهینامه خاصی تلقی نمیشود. تمامی نامهای شرکتها، علائم تجاری و لوگوهای ذکر شده متعلق به مالکان مربوطه بوده و صرفاً برای شناسایی و مقایسه آموزشی استفاده شدهاند.
سرفصل ها و درس ها
سرویسدهی مدلهای یادگیری ماشین با FastAPI
Serving ML Models with FastAPI
چرا مدلها به محیط عملیاتی نمیرسند
Why Models Dont Reach Production
معرفی پروژه: API تحلیل احساسات
Meet the Project Sentiment Analysis API
محیط و سریالسازی مدل
Environment & Model Serialization
مبانی FastAPI و ساخت اولین Endpoint
FastAPI Fundamentals & Your First Endpoint
مدلهای Pydantic برای اعتبارسنجی درخواست و پاسخ
Pydantic Models for Request & Response Validation
اتصال مدل به Endpoint پیشبینی
The Prediction Endpoint Wiring the Model In
بهینهسازی تصویر و بهترین روشها
Image Optimization & Best Practices.
کانتینرسازی و استقرار با داکر
Containerization & Deployment with Docker
مستندات API، متادیتا و پیکربندی
API Docs, Metadata & Configuration
تست API با pytest
Testing the API with pytest
راهاندازی سرور آماده برای محیط عملیاتی
Production-Ready Server Setup
مبانی داکر برای یادگیری ماشین
Docker Fundamentals for ML
برنامههای چند کانتینری با Docker Compose
Multi-Container Apps with Docker Compose
نمایش نظرات