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

آموزش استقرار مدل‌های یادگیری ماشین: ساخت API عملیاتی با FastAPI
جزییات دوره
5h 17m
12
(آخرین آپدیت)
21
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Board Infinity Board Infinity

Board Infinity: توانمندسازی مشاغل با مسیرهای یادگیری