Je

Zobacz także:

• Platforma Xamarin. Kurs video. Poziom drugi. Zaawansowane techniki tworzenia aplikacji cross-platform 99,00 zł, (39,60 zł -60%)
• Angular 11. Kurs video. Poznaj moc tworzenia aplikacji typu SPA 129,00 zł, (58,05 zł -55%)
• OpenGL. Kurs video. Wprowadzenie do programowania grafiki komputerowej 99,00 zł, (44,55 zł -55%)
• Django REST framework. Kurs video. Praktyczne wprowadzenie do projektowania interfejsów REST API 99,00 zł, (50,49 zł -49%)
• ASP .NET Core. Kurs video. Rozwijanie dodatkowych funkcjonalności Web API 89,00 zł, (45,39 zł -49%)

Spis treści

Interfejsy API w AI i Data Science. Programowanie w Pythonie z użyciem FastAPI eBook -- spis treści

Przedmowa

Część I. Tworzenie interfejsów API do wykorzystania w danologii

• 1. Tworzenie API, które pokochają danolodzy
  • W jaki sposób danolodzy korzystają z API?
  • Jakich narzędzi używają danolodzy?
  • Projektowanie interfejsów API dla danologów
  • Wprowadzenie do projektu portfolio z części I
  • Każdy interfejs API ma swoją historię
    • Poznaj swoją firmę: SportsWorldCentral
    • SWC potrzebuje interfejsu API
  • Wybór pierwszych produktów API
    • Identyfikacja potencjalnych użytkowników
    • Tworzenie historyjek użytkownika
  • Dodatkowe zasoby
  • Podsumowanie
• 2. Wybór architektury API
  • Style architektoniczne interfejsu API
    • REST
    • GraphQL
    • gRPC
    • Twój wybór: REST
  • Architektura techniczna
  • Oprogramowanie używane w tym rozdziale
    • Python
    • GitHub
  • Pierwsze kroki z GitHub Codespaces
    • Tworzenie konta w serwisie GitHub
    • Klonowanie repozytorium części I
    • Uruchamianie środowiska GitHub Codespaces
    • Przeglądanie nowej przestrzeni kodu
    • Tworzenie pierwszego commita
  • Dodatkowe zasoby
  • Podsumowanie
• 3. Utworzenie bazy danych
  • Składniki Twojego API
  • Oprogramowanie używane w tym rozdziale
    • SQLite
    • SQLAlchemy
    • pytest
  • Tworzenie bazy danych SQLite
    • Tworzenie tabel w bazie danych
    • Struktura tabel
    • Wczytywanie danych
  • Dostęp do danych w Pythonie
    • Instalowanie SQLAlchemy w swoim środowisku
    • Tworzenie plików Pythona na potrzeby obsługi dostępu do bazy danych
    • Tworzenie pliku konfiguracyjnego bazy danych
    • Tworzenie funkcji pomocniczych SQLAlchemy
    • Instalacja pytest
    • Testowanie kodu SQLAlchemy
  • Dodatkowe zasoby
  • Podsumowanie
• 4. Tworzenie kodu FastAPI
  • Rozbudowa projektu portfolio
  • Oprogramowanie używane w tym rozdziale
    • FastAPI
    • HTTPX
    • Pydantic
    • Uvicorn
  • Kopiowanie plików z rozdziału 3.
  • Instalowanie nowych bibliotek w środowisku programistycznym
  • Tworzenie plików Pythona dla interfejsu API
    • Tworzenie schematów Pydantic
    • Tworzenie kontrolera FastAPI
  • Testowanie interfejsu API
  • Uruchamianie interfejsu API
  • Dodatkowe zasoby
  • Podsumowanie
• 5. Dokumentowanie interfejsu API
  • Wysyłanie sygnału zaufania
  • Tworzenie świetnych dokumentacji interfejsów API
    • Elementy kluczowe
    • Elementy dodatkowe
  • Przeglądanie przykładów dokumentacji API
    • Aplikacja Sleeper
    • MyFantasyLeague
    • Yahoo! Fantasy Football
  • Przeglądanie wbudowanej dokumentacji API
    • Kopiowanie plików z rozdziału 4.
    • Opcja dokumentacji 1. Swagger UI
    • Opcja dokumentacji 2. Redoc
  • Praca ze specyfikacją OpenAPI
  • Rozbudowa projektu portfolio
    • Dodawanie szczegółów do obiektu info w OAS
    • Dodawanie tagów do kategoryzacji ścieżek
    • Rozszerzanie informacji o poszczególnych punktach końcowych
    • Dodawanie opisów parametrów
    • Wyświetlanie zmian w interfejsie Swagger UI
    • Testy regresji API
  • Aktualizacja pliku README.md
  • Dodatkowe zasoby
  • Podsumowanie
• 6. Wdrażanie interfejsu API w chmurze
  • Korzyści i obowiązki związane z wdrażaniem rozwiązań chmurowych
    • Korzyści
    • Obowiązki
  • Wybór dostawcy chmury dla Twojego projektu
  • Konfigurowanie katalogu projektów
  • Korzystanie z GitHub Codespaces jako hosta w chmurze
  • Wdrażanie w usłudze Render
    • Rejestracja w usłudze Render
    • Tworzenie nowej usługi sieciowej
    • Automatyczne wdrażanie zmian w interfejsie API
  • Wdrażanie aplikacji w kontenerze Docker
    • Weryfikowanie instalacji platformy Docker
    • Tworzenie pliku Dockerfile
    • Tworzenie pliku .dockerignore
    • Tworzenie obrazu kontenera
    • Uruchamianie obrazu kontenera lokalnie
  • Wdrażanie do chmury AWS
    • Tworzenie usługi kontenerowej Lightsail
    • Instalowanie interfejsu wiersza poleceń platformy AWS
    • Instalacja wtyczki Amazon Lightsail Container Services
    • Konfiguracja danych logowania
    • Przesyłanie obrazu kontenera do usługi Lightsail
    • Tworzenie wdrożenia w Lightsail
  • Aktualizowanie dokumentacji API
  • Dodatkowe zasoby
  • Podsumowanie
• 7. Baterie w zestawie: tworzenie zestawu SDK języka Python
  • SDK niwelują różnice
  • Wybór języka dla Twojego SDK
  • Zacznij od minimalnej wersji pakietu SDK
    • Wskazówka eksperta. Jak ułatwić instalację pakietu SDK?
    • Wskazówka eksperta. Jak zapewnić spójność i idiomatyczność pakietu SDK?
  • Tworzenie zaawansowanego zestawu SDK
    • Wskazówka eksperta. Używanie rozsądnych ustawień domyślnych
    • Wskazówka eksperta. Zapewnianie rozbudowanej funkcjonalności
    • Wskazówka eksperta. Rejestrowanie zdarzeń
    • Wskazówka eksperta. Ukrywanie skomplikowanych szczegółów interfejsu API
    • Wskazówka eksperta. Obsługa pobierania w trybie masowym
    • Wskazówka eksperta. Dokumentowanie SDK
    • Testowanie pakietu SDK
    • Wskazówka eksperta. Implementacja wszystkich zadań obsługiwanych przez API
  • Dokończenie projektu portfolio w części I
  • Dodatkowe zasoby
  • Podsumowanie

Część II. Wykorzystanie API w projektach Data Science

• 8. Co o interfejsach API powinien wiedzieć danolog?
  • Korzystanie z różnych stylów interfejsu API
  • Podstawy protokołu HTTP
  • Jak odpowiedzialnie korzystać z interfejsów API?
  • Podział odpowiedzialności. Korzystanie z SDK lub tworzenie klientów API
  • Jak tworzyć interfejsy API?
  • Jak testować interfejsy API?
  • Wdrażanie i konteneryzacja interfejsów API
  • Stosowanie kontroli wersji
  • Wprowadzenie do projektu portfolio - część II
  • Pierwsze kroki z GitHub Codespaces
    • Klonowanie repozytorium części II
    • Uruchamianie środowiska GitHub Codespaces
  • Lokalne uruchomienie API SportsWorldCentral (SWC)
  • Dodatkowe zasoby
  • Podsumowanie
• 9. Korzystanie z interfejsów API do analizy danych
  • Niestandardowe metryki do analityki sportowej
  • Wykorzystanie interfejsów API jako źródeł danych do tworzenia niestandardowych metryk w ligach fantasy
  • Tworzenie niestandardowej metryki. Shark League Score
  • Oprogramowanie wykorzystane w tym rozdziale
    • httpx
    • Notatniki Jupyter
    • pandas
  • Instalowanie nowych bibliotek w środowisku Github Codespaces
  • Uruchamianie interfejsu API w środowisku Codespaces
  • Tworzenie pliku klienta interfejsu API
  • Tworzenie notatnika Jupyter
  • Dodawanie ogólnej konfiguracji do notatnika
  • Praca z danymi API
  • Obliczanie współczynnika zrównoważenia ligi
  • Obliczanie współczynnika soczystości ligi
  • Obliczanie współczynnika ligi rekinów (SLS)
  • Dodatkowe zasoby
  • Podsumowanie
• 10. Używanie interfejsów API w potokach danych
  • Typy źródeł danych dla potoków przetwarzania danych
  • Planowanie potoku danych
  • Orkiestracja potoku danych z użyciem Apache Airflow
  • Instalacja Apache Airflow w środowisku GitHub Codespaces
  • Tworzenie lokalnej analitycznej bazy danych
  • Uruchamianie interfejsu API w środowisku Codespaces
  • Konfiguracja połączeń Airflow
  • Tworzenie pierwszego grafu DAG
  • Tworzenie funkcji wspólnej
  • Uruchamianie grafu DAG
  • Podsumowanie
• 11. Wykorzystanie API w aplikacjach danych Streamlit
  • Angażowanie użytkowników za pomocą interaktywnych wizualizacji
  • Oprogramowanie wykorzystane w tym rozdziale
    • nfl_data_py
    • Streamlit
  • Instalacja Streamlit i nfl_data_py
  • Uruchamianie interfejsu API w Codespaces
  • Ponowne wykorzystanie pliku klienta API z rozdziału 9.
  • Tworzenie aplikacji Streamlit
  • Aktualizacja pliku startowego
  • Uruchamianie aplikacji Streamlit
  • Tworzenie strony ze składami drużyn
  • Tworzenie strony ze statystykami zespołów
  • Wdrażanie aplikacji Streamlit
  • Uzupełnianie projektu portfolio - część II
  • Dodatkowe zasoby
  • Podsumowanie

Część III. Wykorzystanie interfejsów API w sztucznej inteligencji

• 12. Wykorzystanie API w sztucznej inteligencji
  • Połączenie sztucznej inteligencji i interfejsów API
  • Projektowanie interfejsów API do wykorzystania z generatywną sztuczną inteligencją i modelami językowymi
  • Czym jest sztuczna inteligencja?
  • Generatywna sztuczna inteligencja i duże modele językowe
  • Tworzenie aplikacji wykorzystujących inteligentne agenty AI
  • Wprowadzenie do projektu portfolio - część III
  • Pierwsze kroki z GitHub Codespaces
    • Klonowanie repozytorium części III
    • Uruchamianie środowiska GitHub Codespaces
  • Dodatkowe zasoby
  • Podsumowanie
• 13. Wdrażanie interfejsu API na potrzeby uczenia maszynowego
  • Szkolenie modeli uczenia maszynowego
  • Oprogramowanie wykorzystane w tym rozdziale
    • Środowisko wykonawcze ONNX
    • scikit-learn
    • sklearn-onnx
  • Instalowanie nowych bibliotek w środowisku Codespaces
  • Zastosowanie procesu CRISP-DM
  • Zrozumienie potrzeb biznesowych
  • Zrozumienie danych
  • Przygotowanie danych
  • Modelowanie
  • Ocena
  • Wdrażanie
  • Dodatkowe zasoby
  • Podsumowanie
• 14. Korzystanie z interfejsów API z LangChain
  • Wykorzystanie sztucznej inteligencji poprzez API (za pomocą LangChain)
  • Tworzenie agenta LangGraph
    • Rejestracja w usłudze Anthropic
    • Uruchamianie środowiska GitHub Codespaces
  • Instalowanie nowych bibliotek w środowisku GitHub Codespaces
  • Tworzenie notatnika Jupyter
  • Czat z agentem LangGraph
  • Uruchomienie API SportsWorldCentral (SWC) lokalnie
  • Instalacja pakietu SDK biblioteki swcpy
  • Tworzenie zestawu narzędzi LangChain
  • Wywoływanie API z użyciem sztucznej inteligencji (z LangGraph)
  • Rozmowa z Twoim agentem (z użyciem narzędzi)
  • Dodatkowe zasoby
  • Podsumowanie
• 15. Wykorzystanie ChatGPT do wywoływania API
  • Architektura aplikacji
  • Pierwsze kroki z ChatGPT
  • Tworzenie niestandardowego modelu GPT
  • Uruchamianie środowiska GitHub Codespace
  • Uruchamianie interfejsu API SportsWorldCentral (SWC) w środowisku GitHub Codespace
  • Dodawanie opisu serwerów do pliku OAS
  • Tworzenie działania GPT
  • Testowanie interfejsów API w Twoim modelu GPT
  • Rozmowy z własnym GPT
  • Uzupełnianie projektu portfolio części III
  • Podsumowanie