تحلیل دادهها و ساخت مدلهای یادگیری ماشین تنها یک بخش از کار است. بستهبندی این تحلیلها و مدلها به گونهای که قابل اشتراکگذاری باشند، چالشی متفاوت است.
این دوره آموزشی به سریعترین و آسانترین روش ساخت و اشتراکگذاری اپلیکیشنهای داده با استفاده از Streamlit میپردازد. برای این منظور، نیازی به هیچگونه تجربه قبلی در ساخت اپلیکیشنهای فرانتاند ندارید. در این دوره به مباحث زیر خواهید پرداخت:
آموزش سریع پایتون (Python Crash Course)
آموزش سریع NumPy
معرفی Streamlit
یکپارچهسازی Matplotlib و Seaborn در Streamlit
استفاده از Altair و Vega-Lite در Streamlit
آشنایی با تمام ویجتهای Streamlit
آپلود و پردازش فایلها
ساخت اپلیکیشن پردازش تصویر
توسعه اپلیکیشن پردازش زبان طبیعی (NLP)
یکپارچهسازی نقشهها با Streamlit
پیادهسازی نمودارهای Plotly
احراز هویت اپلیکیشنهای شما
چیدمان اپلیکیشن در Streamlit
توسعه با کامپوننتهای Streamlit
استقرار اپلیکیشنهای داده
چرا Streamlit؟
کتابخانههای مختلفی برای ساخت اپلیکیشنهای داده وجود دارند. با این حال، چرا Streamlit را باید در نظر گرفت؟
بدون نیاز به تجربه فرانتاند
همه چیز را با آنچه میدانید بنویسید - پایتون
به راحتی تعامل با ویجتهایی مانند اسلایدرها را اضافه کنید
استقرار سریع و آسان
سازگاری با اکثر چارچوبهای علم داده
بدون نیاز به تجربه فرانتاند
اگر قصد داشتید با Flask یا Django یک اپلیکیشن داده بسازید، دانش ابزارهای فرانتاند مانند HTML، CSS و JavaScript ضروری است. اما در Streamlit، همه این کارها با استفاده از ویجتهای Streamlit انجام میشود. به عنوان مثال، یک لیست کشویی به راحتی با ویجت `selectbox` قابل دستیابی است. سایر تگهای HTML مانند فیلدهای ورودی و دکمهها نیز از طریق ویجتهای ساده Streamlit پیادهسازی میشوند.
اسکریپتنویسی پایتون
هنگام ساخت اپلیکیشنهای داده در Streamlit، هرگز ویرایشگر پایتون خود را ترک نمیکنید، زیرا همه چیز با پایتون اسکریپتنویسی میشود. این یک مزیت بزرگ است زیرا شما به کار با زبانی که با آن آشنایی دارید ادامه میدهید. در سایر چارچوبهای پایتون، اجتناب از نوشتن کد HTML، CSS و JavaScript غیرممکن بود.
تعاملپذیری
افزودن تعامل به اپلیکیشنهای Streamlit بسیار ساده است. Streamlit ویجتهایی را ارائه میدهد که میتوان از آنها برای تعبیه تعامل در اپلیکیشن شما استفاده کرد. به عنوان مثال، میتوان از ویجت ورودی تاریخ برای فیلتر کردن دادهها استفاده کرد. جعبههای انتخابی (Select boxes) و اسلایدرها نیز میتوانند برای دستیابی به همین هدف به کار روند.
استقرار
اشتراکگذاری اپلیکیشنهای Streamlit بسیار آسان است. به راحتی میتوانید آنها را در پلتفرمهایی مانند Heroku و AWS مستقر کنید. همچنین میتوانید اپلیکیشن خود را با کلیک تنها دو دکمه در Streamlit Sharing مستقر کنید. برای این کار کافی است درخواست دسترسی کنید. آدرس ایمیل گیتهاب شما به Streamlit Sharing متصل خواهد شد. پس از انجام این کار، میتوانید هر پروژه Streamlit موجود در حساب گیتهاب خود را مستقر کنید.
سازگاری
Streamlit با محبوبترین کتابخانههای علم داده سازگار است. به عنوان مثال، میتوانید با ابزارهایی که قبلاً با آنها کار کردهاید، در Streamlit ویژوالسازی انجام دهید. کتابخانههای ویژوالسازی پشتیبانی شده عبارتند از:
Matplotlib
Seaborn
Altair
Plotly
Bokeh
قطعاً قبل از ویژوالسازی نتایج، نیاز به پاکسازی و پردازش دادهها دارید. Pandas و NumPy پشتیبانی میشوند تا بتوانید این کار را انجام دهید.
هنگامی که صحبت از یادگیری ماشین میشود، میتوانید مدلهای ساخته شده با کتابخانههای محبوب که قبلاً با آنها آشنا هستید را مستقر کنید. این به دلیل پشتیبانی آماده از Keras، TensorFlow و PyTorch است.
کامپوننتهای Streamlit
در صورتی که به تابعی نیاز دارید که Streamlit در ابتدا پشتیبانی نمیکند، اولین جایی که باید جستجو کنید صفحه کامپوننتهای Streamlit است. کامپوننتهای Streamlit تابعیهای شخص ثالثی هستند که توسط جامعه کاربری ساخته شدهاند. این کامپوننتها را میتوان از طریق pip نصب کرد و بلافاصله در پروژه خود استفاده نمود.
کامپوننتهای Streamlit
نکته جالب این است که شما میتوانید کامپوننتهای خود را بنویسید و آنها را با جامعه کاربری به اشتراک بگذارید.
در پایان دوره، چندین اپلیکیشن خواهید ساخت که میتوانید آنها را به مجموعه کارهای علم داده خود اضافه کنید. همچنین مهارت جدیدی به رزومه خود اضافه خواهید کرد.
این دوره همچنین دارای ضمانت بازگشت وجه ۳۰ روزه است. هماکنون ثبتنام کنید و اگر دوره را دوست نداشتید، بدون سوال پول خود را پس خواهید گرفت.
نمایش نظرات