فلش‌کارت‌های آموزشی FastAPI و ساخت APIهای AI for Smart Cities Development

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب FastAPI و ساخت APIهای AI for Smart Cities Development

موضوع کلی: برنامه نویسی

موضوع میانی: فست ای‌پی‌آی (FastAPI)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر FastAPI
• 2. چرا FastAPI برای APIهای هوش مصنوعی در شهرهای هوشمند؟
• 3. نصب FastAPI
• 4. اولین برنامه FastAPI
• 5. مسیرها (Routes) در FastAPI
• 6. پارامترهای مسیر (Path Parameters)
• 7. پارامترهای Query
• 8. پارامترهای بدنه (Body Parameters)
• 9. اعتبارسنجی داده ها با Pydantic
• 10. انواع داده در Pydantic
• 11. اعتبارسنجی لیست ها و دیکشنری ها
• 12. اعتبارسنجی فیلدهای اختیاری
• 13. اعتبارسنجی انواع سفارشی
• 14. مدل های Pydantic و Serialisation
• 15. مدل های Pydantic برای درخواست ها
• 16. مدل های Pydantic برای پاسخ ها
• 17. مدیریت خطا در FastAPI
• 18. مدیریت خطاهای سفارشی
• 19. کدهای وضعیت HTTP
• 20. پاسخ های سفارشی
• 21. تزریق وابستگی (Dependency Injection)
• 22. توابع وابستگی
• 23. استفاده از وابستگی ها برای احراز هویت
• 24. استفاده از وابستگی ها برای دسترسی به پایگاه داده
• 25. تست نویسی برای FastAPI
• 26. تست مسیرها
• 27. تست پارامترهای Query
• 28. تست پارامترهای بدنه
• 29. مدیریت وضعیت برنامه (State Management)
• 30. ذخیره سازی در حافظه
• 31. استفاده از پایگاه داده برای ذخیره سازی
• 32. مقدمه ای بر هوش مصنوعی برای شهرهای هوشمند
• 33. کاربردهای هوش مصنوعی در شهرهای هوشمند
• 34. مبانی یادگیری ماشین
• 35. یادگیری تحت نظارت (Supervised Learning)
• 36. رگرسیون
• 37. طبقه بندی
• 38. یادگیری بدون نظارت (Unsupervised Learning)
• 39. خوشه بندی (Clustering)
• 40. کاهش ابعاد (Dimensionality Reduction)
• 41. یادگیری تقویتی (Reinforcement Learning)
• 42. مقدمه ای بر یادگیری عمیق
• 43. شبکه های عصبی پرسپترون چند لایه (MLP)
• 44. شبکه های عصبی کانولوشنال (CNN)
• 45. شبکه های عصبی بازگشتی (RNN)
• 46. شبکه های LSTM و GRU
• 47. پردازش زبان طبیعی (NLP)
• 48. مدل های زبانی
• 49. استخراج اطلاعات
• 50. تحلیل احساسات
• 51. بینایی ماشین (Computer Vision)
• 52. تشخیص اشیاء
• 53. تقسیم بندی تصاویر
• 54. تشخیص چهره
• 55. اینترنت اشیاء (IoT) و ارتباط آن با هوش مصنوعی
• 56. سنسورها و جمع آوری داده ها
• 57. پلتفرم های IoT
• 58. اتصال دستگاه های IoT به FastAPI
• 59. دریافت داده های سنسورها
• 60. پردازش داده های سنسورها در زمان واقعی
• 61. مدل های پیش بینی برای شهرهای هوشمند
• 62. پیش بینی ترافیک
• 63. پیش بینی مصرف انرژی
• 64. پیش بینی کیفیت هوا
• 65. پیش بینی تقاضای خدمات شهری
• 66. مدل های تشخیص ناهنجاری
• 67. تشخیص ناهنجاری در داده های سنسورها
• 68. تشخیص ناهنجاری در رفتار کاربران
• 69. مدل های توصیه گر (Recommender Systems)
• 70. توصیه مسیرهای بهینه
• 71. توصیه خدمات شهری
• 72. توصیه فعالیت های شهری
• 73. بهینه سازی منابع شهری با هوش مصنوعی
• 74. مدیریت بهینه ترافیک
• 75. مدیریت بهینه انرژی
• 76. مدیریت بهینه زباله
• 77. مدیریت بهینه آب
• 78. امنیت هوشمند شهری با هوش مصنوعی
• 79. تشخیص رفتارهای مشکوک
• 80. پیشگیری از جرم
• 81. مدیریت بحران
• 82. ساخت API برای مدل های یادگیری ماشین
• 83. آماده سازی مدل های ML برای استقرار
• 84. ذخیره و بارگذاری مدل های ML
• 85. بسته بندی مدل های ML
• 86. استقرار مدل های ML با FastAPI
• 87. API برای مدل های رگرسیون
• 88. API برای مدل های طبقه بندی
• 89. API برای مدل های خوشه بندی
• 90. API برای مدل های NLP
• 91. API برای مدل های بینایی ماشین
• 92. ارتباط FastAPI با فریمورک های ML (TensorFlow, PyTorch, Scikit-learn)
• 93. استفاده از TensorFlow Serving
• 94. استفاده از TorchServe
• 95. ادغام Scikit-learn با FastAPI
• 96. ساخت API برای پردازش تصویر در زمان واقعی
• 97. دریافت تصاویر از طریق API
• 98. پردازش تصاویر با مدل های CNN
• 99. ارسال نتایج پردازش تصویر
• 100. ساخت API برای پردازش متن در زمان واقعی