استقرار مدل‌های یادگیری ماشین با FastAPI و Streamlit

آنچه یاد خواهید گرفت:

• توسعه و استقرار REST APIs قوی با استفاده از FastAPI برای مدل‌های یادگیری ماشین خود
• ساخت رابط‌های تعاملی و کاربرپسند برای تعامل با مدل‌ها با استفاده از Streamlit
• استقرار اپلیکیشن‌های یادگیری ماشین خود روی پلتفرم‌های مختلف
• پیاده‌سازی بهترین شیوه‌ها برای استقرار ایمن و مقیاس‌پذیر مدل‌های یادگیری ماشین
• نمایش مدل‌های یادگیری ماشین خود به‌ صورت وب اپلیکیشن‌های تعاملی برای ارائه‌ها یا ایجاد پورتفولیو

پیش‌نیازهای دوره

• درک اولیه از پایتون مانند تایپ‌های داده، ساختارهای داده، توابع و کلاس‌ها
• درک اولیه از مفاهیم علم داده مانند انجام EDA و ساخت مدل

توضیحات دوره

چرا باید مدل‌ها را مستقر کنیم؟

مدل‌های یادگیری ماشین صرفاً برای نمایش نیستند؛ بلکه باید در دنیای واقعی استفاده می‌شوند. با استقرار مدل، می‌توانید دسترسی کاربران به این مدل‌ها را فراهم کنید تا از بینش‌ها و پیش‌بینی‌های آن بهره‌مند شوند. دلایل مختلفی برای استقرار مدل وجود دارد:

تعامل کاربران:

یادگیری ماشین تنها مربوط به ساخت مدل‌های پیچیده نیست؛ بلکه به ارائه ارزش به کاربران مربوط است. استقرار مدل امکان می‌دهد که کاربران از طریق رابط‌های کاربرپسند مانند APIs یا وب اپلیکیشن‌ها با بینش‌های شما تعامل داشته باشند و کار شما ملموس و تاثیرگذار شود.

اپلیکیشن‌های پیچیده:

برخی مدل‌های یادگیری ماشین برای استفاده در اپلیکیشن‌های پیچیده‌ مانند دستیاران صوتی هوش مصنوعی، توصیه‌های ویدئو و پیش‌بینی وضعیت هوا طراحی شده‌اند. با استقرار مدل، این اپلیکیشن‌ها می‌توانند از پیش‌بینی‌های آن بهره‌مند شده و سرویس‌های ارزشمندی به کاربران ارائه دهند.

مقیاس‌پذیری و کارایی:

استقرار مدل روی سرور یا پلتفرم ابری موجب مقیاس‌پذیری و افزایش کارایی می‌شود که امکان می‌دهد تا بتوانید تعداد زیادی درخواست را همزمان مدیریت کنید تا مدل شما بدون افت عملکرد، به چندین کاربر خدمت‌رسانی کند.

پیش‌بینی‌های بلادرنگ:

با استقرار مدل می‌توانید پیش‌بینی‌های بلادرنگ انجام دهید. این ویژگی برای اپلیکیشن‌هایی که به پاسخ فوری نیاز دارند مثل سیستم‌های تشخیص تقلب یا پلتفرم‌های معاملات سهام اهمیت زیادی دارد. مدل استقرار یافته می‌تواند به سرعت پیش‌بینی کند و بینش‌های بروز به کاربران ارائه دهد.

بهبود مداوم:

استقرار مدل یک تسک یکباره نیست و شامل نظارت و بهبود مداوم است. با دنبال‌کردن عملکرد مدل در سناریوهای واقعی، می‌توانید نقاط قابل بهبود را شناسایی و تغییرات لازم را برای افزایش دقت و اثربخشی انجام دهید.

در این دوره هشت فصلی، به فهم جامع استقرار مدل‌ها می‌رسید که شامل بهترین شیوه‌ها، متدهای مختلف استقرار و نکات مرتبط با یوزکیس‌های گوناگون است.

هر فصل با اهداف مشخصی طراحی شده تا دانش و مهارت‌های لازم برای استقرار موفق مدل‌های یادگیری ماشین را در اختیار شما قرار دهد.

مقدمه

در این بخش، به مفهوم استقرار مدل پرداخته و اهمیت و استراتژی‌های مختلف آن را بررسی می‌کنیم. معرفی کوتاهی از FastAPI و Streamlit ارائه می‌دهیم و نقش هرکدام در استقرار مدل را توضیح می‌دهیم.

ساخت APIs با FastAPI

در این بخش، به طور عمیق به ساخت APIs با FastAPI می‌پردازیم. مفاهیمی مثل مدیریت پارامترهای مختلف، دریافت ورودی‌های داده‌ و ایجاد رابط‌های کاربرپسند پوشش داده می‌شود. شما یاد می‌گیرید چگونه APIs بسازید که داده‌ متنوع را قبول کرده و پردازش کنند و همچنین با روش‌های تست مؤثر کیفیت و نگهداری آنها را تضمین نمایید. در پایان، توانایی ساخت APIs قدرتمند و مقیاس‌پذیر برای الزامات وب مدرن را خواهید داشت.

مدل‌های یادگیری ماشین به عنوان API با FastAPI

شما یاد خواهید گرفت چگونه با FastAPI می‌توانید APIs مدل یادگیری ماشین، با ساخت API پیش‌بینی آب‌وهوا را از ابتدا بسازید و از آن برای پیش‌بینی در اندپوینت‌های API استفاده می‌کنید.

ساخت وب اپلیکیشن‌ها با Streamlit

در این بخش، با کامپوننت‌های اولیه اپلیکیشن Streamlit مثل ورودی‌ها، ویجت‌ها و طرح‌بندی‌ها آشنا می‌شوید. شما همچنین درباره کش کردن و مدیریت سشن، دو ویژگی مهم در ساخت وب اپلیکیشن‌های با عملکرد بالا، یاد می‌گیرید.

یکپارچه‌سازی FastAPI با Streamlit

در این بخش، رابط کاربری مدل پیش‌بینی آب‌وهوای ساخته شده در بخش قبل را می‌سازید و این API را با Streamlit یکپارچه می‌کنید.

استقرار

در این بخش، نحوه استقرار API مدل و اپلیکیشن Streamlit را با استفاده از Render و Streamlit Cloud آموزش می‌بینید.

چت‌بات هوش مصنوعی برای تبدیل متن به تصویر واتساپ

این پروژه به شما نشان می‌دهد چگونه با دانش موجود FastAPI و ابزارهای خارجی مثل Vonage و DALL-E API، یک چت‌بات واتساپ بسازید.

پروژه Capstone

مهارت‌هایی که در این دوره آموخته‌اید را با ساخت یک اپلیکیشن کامل به نمایش می‌گذارید. این اپلیکیشن به آژانس‌های املاک کمک می‌کند با استفاده از ویژگی‌های مختلف، قیمت خانه‌ها را پیش‌بینی کنند.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده و مهندسان یادگیری ماشین با دانش پایه از پایتون و مفاهیم یادگیری ماشین
• توسعه‌دهندگانی که علاقه‌مند به ساخت و استقرار وب اپلیکیشن‌ها با قابلیت‌های یادگیری ماشین هستند.
• کسی که می‌خواهد پروژه یادگیری ماشین خود را با رابط‌های تعاملی و کاربرپسند ارتقا دهد.