فلش‌کارت‌های آموزشی FastAPI و Machine Learning APIs: ادغام با Machine Learning APIs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره FastAPI و Machine Learning APIs: ادغام با Machine Learning APIs

موضوع کلی: برنامه نویسی

موضوع میانی: فست ای‌پی‌آی (FastAPI)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر FastAPI و ساخت API
• 2. نصب و راه‌اندازی FastAPI
• 3. مفاهیم پایه‌ای Request و Response در FastAPI
• 4. تعریف مسیرها (Routes) و متدهای HTTP
• 5. مدیریت پارامترهای مسیر (Path Parameters)
• 6. مدیریت کوئری پارامترها (Query Parameters)
• 7. ارسال داده‌ها در بدنه درخواست (Request Body)
• 8. اعتبارسنجی داده‌ها با Pydantic
• 9. تعریف مدل‌های داده با Pydantic
• 10. ارتباط با پایگاه داده در FastAPI
• 11. استفاده از SQLAlchemy با FastAPI
• 12. مدیریت اتصال به پایگاه داده
• 13. تکنیک‌های CRUD در FastAPI
• 14. ایجاد (Create) داده‌ها
• 15. خواندن (Read) داده‌ها
• 16. به‌روزرسانی (Update) داده‌ها
• 17. حذف (Delete) داده‌ها
• 18. مدیریت خطاها و استثنائات در FastAPI
• 19. پیام‌های خطا سفارشی
• 20. احراز هویت (Authentication) در FastAPI
• 21. توکن‌های JWT
• 22. مدیریت مجوزها (Authorization)
• 23. امنیت API در FastAPI
• 24. مقدمه‌ای بر Machine Learning
• 25. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت، تقویتی)
• 26. مفاهیم پایه‌ای یادگیری ماشین
• 27. پیش‌پردازش داده‌ها
• 28. مهندسی ویژگی (Feature Engineering)
• 29. انتخاب مدل‌های یادگیری ماشین
• 30. مدل‌های رگرسیون خطی
• 31. مدل‌های رگرسیون لجستیک
• 32. درختان تصمیم (Decision Trees)
• 33. جنگل‌های تصادفی (Random Forests)
• 34. ماشین‌های بردار پشتیبان (SVM)
• 35. شبکه‌های عصبی مقدماتی
• 36. آموزش مدل‌های یادگیری ماشین
• 37. ارزیابی مدل‌ها (Metric ها)
• 38. دقت (Accuracy)
• 39. صحت (Precision) و بازیابی (Recall)
• 40. امتیاز F1
• 41. منحنی ROC و AUC
• 42. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 43. اعتبارسنجی متقابل (Cross-Validation)
• 44. مقدمه‌ای بر ساخت API برای مدل‌های یادگیری ماشین
• 45. چرا API برای مدل‌های ML؟
• 46. چالش‌های ارائه مدل‌های ML
• 47. معماری‌های رایج برای ML APIs
• 48. استفاده از FastAPI برای ارائه مدل‌های ML
• 49. بارگذاری مدل‌های آموزش‌دیده
• 50. ذخیره‌سازی و بارگذاری مدل‌ها (Pickle, Joblib)
• 51. ساخت API برای پیش‌بینی ساده
• 52. دریافت داده ورودی برای پیش‌بینی
• 53. ارسال نتیجه پیش‌بینی
• 54. مدیریت انواع داده‌های ورودی
• 55. ادغام مدل‌های پیچیده‌تر
• 56. پیاده‌سازی API برای رگرسیون
• 57. پیاده‌سازی API برای طبقه‌بندی
• 58. مدیریت چندین مدل در یک API
• 59. استفاده از کلاس‌ها برای سازماندهی کد
• 60. مستندسازی خودکار API با Swagger UI
• 61. مستندسازی خودکار API با ReDoc
• 62. آزمایش API با ابزارهای تست
• 63. ارسال درخواست‌های POST و GET به API
• 64. مدیریت فایل‌ها در API (تصاویر، داده)
• 65. پردازش تصاویر در API
• 66. تشخیص اشیاء در تصاویر (API)
• 67. تولید متن با مدل‌های زبانی (API)
• 68. مدیریت وابستگی‌ها (Dependencies) در FastAPI
• 69. استفاده از Dependency Injection
• 70. بهینه‌سازی عملکرد API
• 71. کش کردن نتایج (Caching)
• 72. استفاده از Celery برای پردازش‌های طولانی
• 73. مقدمه‌ای بر MLOps
• 74. اصول MLOps
• 75. پایپ‌لاین‌های MLOps
• 76. استقرار مدل‌های ML (Deployment)
• 77. مانیتورینگ مدل‌های ML
• 78. بازآموزی مدل‌ها (Retraining)
• 79. امنیت در ML APIs
• 80. اعتبارسنجی ورودی مدل‌های ML
• 81. مدیریت نسخه‌بندی مدل‌ها
• 82. مقایسه رویکردهای مختلف استقرار
• 83. استقرار مدل‌ها در محیط‌های ابری (مباحث عمومی)
• 84. استقرار مدل‌ها در محیط‌های داخلی (On-Premise)
• 85. معرفی ابزارهای MLOps (اشاره کلی)
• 86. استفاده از Docker برای بسته‌بندی API
• 87. مقدمه‌ای بر Kubernetes برای ارکستراسیون
• 88. نکات پیشرفته در FastAPI
• 89. Middleware در FastAPI
• 90. WebSockets در FastAPI
• 91. Event Handlers در FastAPI
• 92. تنظیمات پیشرفته Pydantic
• 93. ساخت API های RESTful پیشرفته
• 94. اصول طراحی APIهای مقیاس‌پذیر
• 95. ملاحظات امنیتی در APIهای Machine Learning
• 96. بررسی الگوهای رایج در ML APIs
• 97. مثال عملی: API برای پیش‌بینی قیمت مسکن
• 98. مثال عملی: API برای تشخیص بیماری
• 99. مثال عملی: API برای خلاصه‌سازی متن
• 100. اصول توسعه پایدار در ML APIs