ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Building Data Science Applications with FastAPI: Develop, manage, and deploy efficient machine learning applications with Python

دانلود کتاب ساخت برنامه های کاربردی علم داده با FastAPI: توسعه، مدیریت و استقرار برنامه های یادگیری ماشینی کارآمد با پایتون

Building Data Science Applications with FastAPI: Develop, manage, and deploy efficient machine learning applications with Python

مشخصات کتاب

Building Data Science Applications with FastAPI: Develop, manage, and deploy efficient machine learning applications with Python

ویرایش:  
نویسندگان:   
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 

قیمت کتاب (تومان) : 53,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 1


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.


توضیحاتی در مورد کتاب ساخت برنامه های کاربردی علم داده با FastAPI: توسعه، مدیریت و استقرار برنامه های یادگیری ماشینی کارآمد با پایتون



با ویژگی‌های FastAPI و بهترین روش‌ها برای آزمایش، نظارت و استقرار برای اجرای برنامه‌های علمی داده با کیفیت بالا و قوی آشنا شوید

ویژگی‌های کلیدی

  • مفاهیم چارچوب FastAPI را پوشش دهید، از جمله جنبه های مربوط به برنامه نویسی ناهمزمان، اشاره به نوع، و تزریق وابستگی
  • توسعه API های RESTful کارآمد برای علم داده با پایتون مدرن
  • ساخت، آزمایش و استقرار سیستم‌های علم داده و یادگیری ماشین با کارایی بالا با FastAPI

Book Description

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.

آنچه خواهید آموخت

  • مبانی اولیه را کاوش کنید. پایتون مدرن و برنامه نویسی ورودی/خروجی غیرهمگام
  • با مفاهیم اولیه و پیشرفته چارچوب FastAPI آشنا شوید
  • یک وابستگی FastAPI را برای اجرای کارآمد یک مدل یادگیری ماشین پیاده سازی کنید
  • < li>یک الگوریتم ساده تشخیص چهره را در یک باطن FastAPI ادغام کنید
  • ادغام کتابخانه های رایج علوم داده Python در یک پشتیبان وب
  • استقرار یک پشتیبان وب کارآمد و قابل اعتماد برای یک برنامه علمی داده
  • li>

این کتاب برای چه کسی است

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.

فهرست محتوا

  1. راه اندازی محیط توسعه Python
  2. ویژگی های برنامه نویسی Python
  3. توسعه API RESTful با FastAPI
  4. مدیریت مدل های داده pydantic در FastAPI
  5. تزریق وابستگی در FastAPI
  6. پایگاه های داده و ORM های ناهمزمان
  7. مدیریت احراز هویت و امنیت در FastAPI
  8. تعریف سوکت های وب برای ارتباطات تعاملی دو طرفه در FastAPI
  9. تست یک API به صورت ناهمزمان با pytest و HTTPX< li>استقرار یک پروژه FastAPI
  10. مقدمه ای بر NumPy و Pandas
  11. آموزش مدل های یادگیری ماشین با scikit-learn
  12. ایجاد یک نقطه پایانی API پیش بینی کارآمد با FastAPI
  13. li>
  14. اجرای یک سیستم تشخیص چهره در زمان واقعی با استفاده از WebSockets با FastAPI و OpenCV

توضیحاتی درمورد کتاب به خارجی

Get well-versed with FastAPI features and best practices for testing, monitoring, and deployment to run high-quality and robust data science applications

Key Features

  • Cover the concepts of the FastAPI framework, including aspects relating to asynchronous programming, type hinting, and dependency injection
  • Develop efficient RESTful APIs for data science with modern Python
  • Build, test, and deploy high performing data science and machine learning systems with FastAPI

Book Description

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.

What you will learn

  • Explore the basics of modern Python and async I/O programming
  • Get to grips with basic and advanced concepts of the FastAPI framework
  • Implement a FastAPI dependency to efficiently run a machine learning model
  • Integrate a simple face detection algorithm in a FastAPI backend
  • Integrate common Python data science libraries in a web backend
  • Deploy a performant and reliable web backend for a data science application

Who this book is for

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.

Table of Contents

  1. Python Development Environment Setup
  2. Python Programming Specificities
  3. Developing RESTful API with FastAPI
  4. Managing pydantic Data Models in FastAPI
  5. Dependency Injections in FastAPI
  6. Databases and Asynchronous ORMs
  7. Managing Authentication and Security in FastAPI
  8. Defining WebSockets for Two-Way Interactive Communication in FastAPI
  9. Testing an API Asynchronously with pytest and HTTPX
  10. Deploying a FastAPI Project
  11. Introduction to NumPy and Pandas
  12. Training Machine Learning Models with scikit-learn
  13. Creating an Efficient Prediction API Endpoint with FastAPI
  14. Implement a Real-Time Face Detection System Using WebSockets with FastAPI and OpenCV


فهرست مطالب

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




نظرات کاربران