دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: François Voron
سری:
ISBN (شابک) : 1801079218, 9781801079211
ناشر: Packt Publishing
سال نشر: 2021
تعداد صفحات: 426
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 Mb
در صورت تبدیل فایل کتاب Building Data Science Applications with FastAPI: Develop, manage, and deploy efficient machine learning applications with Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب ساخت برنامه های کاربردی علم داده با FastAPI: توسعه، مدیریت و استقرار برنامه های یادگیری ماشینی کارآمد با پایتون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
با ویژگیهای FastAPI و بهترین روشها برای آزمایش، نظارت و استقرار برای اجرای برنامههای علمی داده با کیفیت بالا و قوی آشنا شوید
FastAPI یک چارچوب وب برای ساخت API با Python 3.6 و آن است. نسخه های بعدی بر اساس نکات استاندارد از نوع پایتون. با این کتاب، میتوانید با استفاده از مثالهای عملی، پشتیبانهای API علم داده سریع و قابل اعتماد ایجاد کنید.
این کتاب با اصول چارچوب FastAPI و مفاهیم زبان برنامهنویسی مدرن پایتون مرتبط شروع میشود. شما از تمام جنبههای چارچوب، از جمله سیستم تزریق وابستگی قدرتمند آن و نحوه استفاده از آن برای برقراری ارتباط با پایگاههای داده، پیادهسازی احراز هویت و یکپارچهسازی مدلهای یادگیری ماشین، آشنا خواهید شد. بعداً، بهترین روشهای مربوط به آزمایش و استقرار را برای اجرای یک برنامه کاربردی با کیفیت بالا و قوی پوشش خواهید داد. همچنین با اکوسیستم گسترده بسته های علم داده پایتون آشنا خواهید شد. همانطور که پیشرفت می کنید، یاد خواهید گرفت که چگونه با استفاده از FastAPI برنامه های علوم داده در پایتون بسازید. این کتاب همچنین نشان می دهد که چگونه می توان باطن های پیش بینی یادگیری ماشین سریع و کارآمد را توسعه داد و آنها را برای دستیابی به بهترین عملکرد آزمایش کرد. در نهایت، نحوه پیادهسازی یک سیستم تشخیص چهره بلادرنگ را با استفاده از WebSockets و یک مرورگر وب به عنوان مشتری خواهید دید.
در پایان این کتاب FastAPI، نه تنها یاد خواهید گرفت که چگونه پایتون را در پروژههای علم داده پیادهسازی کنید، اما همچنین نحوه نگهداری و طراحی آنها برای برآورده کردن استانداردهای برنامهنویسی بالا با کمک FastAPI.
این کتاب علوم داده پایتون برای دانشمندان داده و توسعه دهندگان نرم افزار است که علاقه مند به کسب دانش FastAPI و اکوسیستم آن برای ساخت برنامه های کاربردی علم داده هستند. دانش اولیه علوم داده و مفاهیم یادگیری ماشین و نحوه به کارگیری آنها در پایتون توصیه می شود.
Get well-versed with FastAPI features and best practices for testing, monitoring, and deployment to run high-quality and robust data science applications
FastAPI is a web framework for building APIs with Python 3.6 and its later versions based on standard Python-type hints. With this book, you'll be able to create fast and reliable data science API backends using practical examples.
This book starts with the basics of the FastAPI framework and associated modern Python programming language concepts. You'll be taken through all the aspects of the framework, including its powerful dependency injection system and how you can use it to communicate with databases, implement authentication and integrate machine learning models. Later, you'll cover best practices relating to testing and deployment to run a high-quality and robust application. You'll also be introduced to the extensive ecosystem of Python data science packages. As you progress, you'll learn how to build data science applications in Python using FastAPI. The book also demonstrates how to develop fast and efficient machine learning prediction backends and test them to achieve the best performance. Finally, you'll see how to implement a real-time face detection system using WebSockets and a web browser as a client.
By the end of this FastAPI book, you'll have not only learned how to implement Python in data science projects but also how to maintain and design them to meet high programming standards with the help of FastAPI.
This Python data science book is for data scientists and software developers interested in gaining knowledge of FastAPI and its ecosystem to build data science applications. Basic knowledge of data science and machine learning concepts and how to apply them in Python is recommended.
Cover Title Page Copyright and Credits Contributors Table of Contents Preface Section 1: Introduction to Python and FastAPI Chapter 1: Python Development Environment Setup Technical requirements Installing a Python distribution using pyenv Creating a Python virtual environment Installing Python packages with pip Installing the HTTPie command-line utility Summary Chapter 2: Python Programming Specificities Technical requirements Basics of Python programming Running Python scripts Indentation matters Working with built-in types Working with data structures – lists, tuples, dictionaries, and sets Performing Boolean logic and checking for existence Controlling the flow of a program Defining functions Writing and using packages and modules Operating over sequences – list comprehensions and generators List comprehensions Generators Writing object-oriented programs Defining a class Implementing magic methods Reusing logic and avoiding repetition with inheritance Type hinting and type checking with mypy Getting started The typing module Type function signatures with Callable Any and cast Asynchronous I/O Summary Chapter 3: Developing a RESTful API with FastAPI Technical requirements Creating the first endpoint and running it locally Handling request parameters Path parameters Query parameters The request body Form data and file uploads Headers and cookies The request object Customizing the response Path operation parameters The response parameter Raising HTTP errors Building a custom response Structuring a bigger project with multiple routers Summary Chapter 4: Managing Pydantic Data Models in FastAPI Technical requirements Defining models and their field types with Pydantic Standard field types Optional fields and default values Field validation Validating email addresses and URLs with Pydantic types Creating model variations with class inheritance Adding custom data validation with Pydantic Applying validation at a field level Applying validation at an object level Applying validation before Pydantic parsing Working with Pydantic objects Converting an object into a dictionary Creating an instance from a sub-class object Updating an instance with a partial one Summary Chapter 5: Dependency Injections in FastAPI Technical requirements What is dependency injection? Creating and using a function dependency Get an object or raise a 404 error Creating and using a parameterized dependency with a class Use class methods as dependencies Using dependencies at a path, router, and global level Use a dependency on a path decorator Use a dependency on a whole router Use a dependency on a whole application Summary Section 2: Build and Deploy a Complete Web Backend with FastAPI Chapter 6: Databases and Asynchronous ORMs Technical requirements An overview of relational and NoSQL databases Relational databases NoSQL databases Which one should you choose? Communicating with a SQL database with SQLAlchemy Creating the table schema Connecting to a database Making insert queries Making select queries Making update and delete queries Adding relationships Setting up a database migration system with Alembic Communicating with a SQL database with Tortoise ORM Creating database models Setting up the Tortoise engine Creating objects Updating and deleting objects Adding relationships Setting up a database migration system with Aerich Communicating with a MongoDB database using Motor Creating models compatible with MongoDB ID Connecting to a database Inserting documents Getting documents Updating and deleting documents Nesting documents Summary Chapter 7: Managing Authentication and Security in FastAPI Technical requirements Security dependencies in FastAPI Storing a user and their password securely in a database Creating models and tables Hashing passwords Implementing registration routes Retrieving a user and generating an access token Implementing a database access token Implementing a login endpoint Securing endpoints with access tokens Configuring CORS and protecting against CSRF attacks Understanding CORS and configuring it in FastAPI Implementing double-submit cookies to prevent CSRF attacks Summary Chapter 8: Defining WebSockets forTwo-Way Interactive Communication in FastAPI Technical requirements Understanding the principles of two-way communication with WebSockets Creating a WebSocket with FastAPI Handling concurrency Using dependencies Handling multiple WebSocket connections and broadcasting messages Summary Chapter 9: Testing an API Asynchronously with pytest and HTTPX Technical requirements Introduction to unit testing with pytest Generating tests with parametrize Reusing test logic by creating fixtures Setting up testing tools for FastAPI with HTTPX Writing tests for REST API endpoints Writing tests for POST endpoints Testing with a database Writing tests for WebSocket endpoints Summary Chapter 10: Deploying a FastAPI Project Technical requirements Setting and using environment variables Using a .env file Managing Python dependencies Adding Gunicorn as a server process for deployment Deploying a FastAPI application on a serverless platform Adding database servers Deploying a FastAPI application with Docker Writing a Dockerfile Building a Docker image Running a Docker image locally Deploying a Docker image Deploying a FastAPI application on a traditional server Summary Section 3: Build a Data Science API with Python and FastAPI Chapter 11: Introduction to NumPy and pandas Technical requirements Getting started with NumPy Creating arrays Accessing elements and sub-arrays Manipulating arrays with NumPy – computation, aggregations, comparisons Adding and multiplicating arrays Aggregating arrays – sum, min, max, mean… Comparing arrays Getting started with pandas Using pandas Series for one-dimensional data Using pandas DataFrames for multi-dimensional data Importing and exporting CSV data Summary Chapter 12: Training Machine Learning Models with scikit-learn Technical requirements What is machine learning? Supervised versus unsupervised learning Model validation Basics of scikit-learn Training models and predicting Chaining pre-processors and estimators with pipelines Validating the model with cross-validation Classifying data with Naive Bayes models Intuition Classifying data with Gaussian Naive Bayes Classifying data with Multinomial Naive Bayes Classifying data with support vector machines Intuition Using SVM in scikit-learn Finding the best parameters Summary Chapter 13: Creating an Efficient Prediction API Endpoint with FastAPI Technical requirements Persisting a trained model with Joblib Dumping a trained model Loading a dumped model Implementing an efficient prediction endpoint Caching results with Joblib Choosing between standard or async functions Summary Chapter 14: Implement a Real-Time Face Detection System Using WebSockets with FastAPI and OpenCV Technical requirements Getting started with OpenCV Implementing an HTTP endpoint to perform face detection on a single image Implementing a WebSocket to perform face detection on a stream of images Sending a stream of images from the browser in a WebSocket Showing the face detection results in the browser Summary Other Books You May Enjoy Index