کتاب Hands-On APIs for AI and Data Science

برای موفقیت در هوش مصنوعی، ابتدا بر APIها مسلط شوید. مهارت در APIها، عمدتاً به دلیل رشد هوش مصنوعی، یادگیری ماشین و علم داده، بیش از هر زمان دیگری ارزشمند است.

اما یادگیری چنین مهارت گسترده‌ای ترسناک است. چگونه باید انجام شود؟ می‌توانید از این واقعیت که لازم نیست همه مهارت‌ها را یاد بگیرید، و قطعاً نه همه را به طور همزمان، آسوده خاطر باشید. هر بار از طریق تمرین عملی، یک مهارت را یاد بگیرید. هر مهارتی که یاد می‌گیرید، مهارت بعدی را مانند آجرهای ساختمانی آسان‌تر می‌کند.

چرا باید کتاب Hands-On APIs for AI and Data Science را بخوانید؟

اگر این کتاب را می‌خوانید، می‌خواهید مهارت‌های خود را بسازید. من متوجه شده‌ام که بهترین راه برای انجام این کار، از طریق کدنویسی عملی است.

اگر کدنویسی خود را به صورت باز انجام دهید، با انتشار کد خود در یک مخزن عمومی و وبلاگ‌نویسی و به اشتراک‌گذاری آنچه ایجاد می‌کنید، می‌توانید دانش خود را برای کمک به دیگران منتقل کنید. همچنین یک نمونه کار قوی از کار ایجاد خواهید کرد که نمایش ملموسی از تخصص شما به کارفرمایان ارائه می‌دهد.

کتاب Hands-On APIs for AI and Data Science برای چه کسانی مناسب است؟

از آنجایی که این کتاب در تقاطع APIها، هوش مصنوعی و علم داده قرار دارد، برای انواع مختلفی از خوانندگان ارزشمند خواهد بود.

دانشمندان داده

دانشمندان داده همیشه از APIها استفاده می‌کنند، بنابراین وسوسه می‌شوید که فکر کنید چیز جدیدی برای یادگیری در مورد استفاده از APIها وجود ندارد. آیا فراخوانی یک API فقط چند خط کد نیست؟ درست است که یک بار فراخوانی یک API REST یک کار ساده است، که قطعاً دلیلی برای رایج شدن آنهاست. اما استفاده از یک API به روشی قوی و مقاوم – و که برای ارائه‌دهنده مشکلی ایجاد نکند – نیاز به دقت بیشتری دارد.

کتاب Hands-On APIs for AI and Data Science برخی از تکنیک‌هایی را آموزش می‌دهد که ممکن است هنوز یاد نگرفته باشید، مانند:

• توسعه و استقرار APIها
• ایجاد کیت‌های توسعه نرم‌افزار (SDK) و کلاینت‌های API
• ایجاد و انتشار بسته‌های پایتون در PyPI
• انتشار مدل‌های یادگیری ماشین به عنوان API
• ایجاد برنامه‌های داده Streamlit
• ایجاد پایپ‌لاین‌های داده Airflow
• ایجاد برنامه‌های هوش مصنوعی مولد با استفاده از LangChain و ChatGPT

توسعه‌دهندگان و طراحان API

توسعه‌دهندگان و طراحان API می‌توانند یاد بگیرند که چگونه APIهای خود را برای مخاطبان جدید مهم تقویت کنند. آنها در مورد دانشمندان داده یاد خواهند گرفت:

مشاغلی که انجام می‌دهند، وظایفی که انجام می‌دهند و ویژگی‌های API که دوست دارند. آنها همچنین در مورد برنامه‌های هوش مصنوعی مولد یاد خواهند گرفت: چگونه APIها را فراخوانی می‌کنند و چه ویژگی‌هایی در یک API نیاز دارند.

و مثال‌های عملی مهارت‌های جدید متنوعی را آموزش می‌دهد:

• ایجاد APIهای پایتون با FastAPI، SQLAlchemy و Pydantic
• کانتینرایز کردن APIها با Docker
• استقرار APIها در هاست‌های ابری
• ایجاد SDKهای پایتون و انتشار در PyPI
• ایجاد برنامه‌های هوش مصنوعی مولد با استفاده از LangChain و ChatGPT

جویندگان کار و تغییر دهندگان نقش

مهارت‌های فوق در بازار ارزشمند هستند، بنابراین یادگیری آنها می‌تواند به شما در یافتن اولین نقش یا نقش جدید در علم داده یا توسعه نرم‌افزار کمک کند. کتاب Hands-On APIs for AI and Data Science حول محور ساخت پروژه‌های نمونه کار تنظیم شده است، که اهداف مشخصی را برای انجام به شما می‌دهد و شواهد ملموسی از کار شما فراهم می‌کند.

استفاده از کتاب Hands-On APIs for AI and Data Science

به جای خواندن این کتاب از ابتدا تا انتها، توصیه می‌کنم مهارتی را که می‌خواهید یاد بگیرید انتخاب کنید و شروع به مطالعه فصلی کنید که آن را آموزش می‌دهد. می‌توانید این کار را به سرعت به روش زیر انجام دهید:

1. تصمیم بگیرید که آیا می‌خواهید با ایجاد یک API (بخش اول)، استفاده از APIها با علم داده (بخش دوم) یا استفاده از APIها با هوش مصنوعی (بخش سوم) شروع کنید.
2. دستورالعمل‌های فصل مقدماتی آن بخش را برای کلون کردن مخزن GitHub و راه‌اندازی Codespace دنبال کنید.
3. دستورالعمل‌های فصل مربوطه را دنبال کنید و کد را اجرا کنید.

اگر کارم را به درستی انجام داده باشم، هر فصل می‌تواند به تنهایی قابل فهم باشد. پس از یادگیری یک مهارت، به دنبال مهارت دیگری که می‌خواهید یاد بگیرید بگردید و همین کار را انجام دهید.

مهارت‌های این کتاب مانند بلوک‌های ساختمانی هستند: هر قطعه‌ای که یاد می‌گیرید شما را برای درک عمیق‌تر سایر بخش‌ها آماده می‌کند. همه آنها با هم درک قابل توجهی از APIها در علم داده و هوش مصنوعی به شما می‌دهند.

کتاب Hands-On APIs for AI and Data Science چه چیزی نیست

این کتاب سینتکس پایتون را به مبتدیان آموزش نمی‌دهد. اگر دانش پایه ای از پایتون داشته باشید، بیشترین بهره را از مثال های کدگذاری خواهید برد. اگرچه احتمالاً می‌توانید با دنبال کردن مراحل هر فصل، کد را به کار بیندازید، پیشنهاد می‌کنم با یکی از کتاب‌های مقدماتی عالی پایتون که O’Reilly منتشر می‌کند، مانند معرفی پایتون، ویرایش سوم، نوشته بیل لوبانوویچ، شروع کنید.

کتاب Hands-On APIs for AI and Data Science همچنین فرض می‌کند که درک اولیه‌ای از استفاده از ترمینال خط فرمان در لینوکس یا یونیکس دارید. لازم نیست مدیر لینوکس باشید، اما باید به عنوان یک توسعه‌دهنده با اجرای دستورات در ترمینال آشنا باشید. (همه مراحل توضیح داده شده است، اما اگر با مشکلی مواجه شدید، ممکن است بدون پیشینه در آن محیط ناامید شوید.)

کتاب Hands-On APIs for AI and Data Science چارچوب‌های مفید پایتون مانند FastAPI، Pydantic، Streamlit، Airflow و LangChain را معرفی می‌کند. با این حال، به موضوعات دقیقی که برای اجرای آنها در یک محیط تولیدی لازم است، مانند امنیت، عملکرد و زیرساخت نمی‌پردازد. امیدوارم از پروژه‌های این کتاب به اندازه‌ای لذت ببرید که یادگیری خود را با استفاده از منابعی که در پایان هر فصل ذکر می‌کنم ادامه دهید.

به خاطر داشته باشید که خدمات و ابزارهای این کتاب به سرعت در حال تغییر هستند، بنابراین بسته به زمان خواندن این مطلب، ممکن است برخی از مراحل و شکل‌ها کمی متفاوت به نظر برسند.