کتاب Building Data Science Applications with FastAPI

کتاب Building Data Science Applications with FastAPI یک منبع کامل و بسیار عالی برای یادگیری ابزار متن باز FastAPI می‌باشد. این کتاب در فصل به صورت کامل و با جزئیات این ابزار مفید در برنامه‌نویسی وب را توضیح داده و با مثال‌هایی برای برنامه‌نویس مسائل مربوط به آن را شفاف توضیح می‌دهد. در ادامه به توضیحاتی در مورد ابزار FastAPI و مقدمه‌ای از کتاب Building Data Science Applications with FastAPI می‌پردازیم.

FastAPI چیست؟

FastAPI یک چارچوب وب مدرن، سریع (با کارایی بالا) برای ساخت API با Python 3.6+ بر اساس نکات استاندارد نوع Python است.

ویژگی‌های کلیدی عبارتند از:

• سریع: عملکرد بسیار بالا، همتراز با NodeJS و Go (به لطف Starlette و Pydantic). یکی از سریع‌ترین چارچوب‌های پایتون موجود است.
• کدنویسی سریع: سرعت توسعه ویژگی‌ها را حدود 200% تا 300% افزایش دهید.
• اشکالات کمتر: حدود 40 درصد از خطاهای انسانی (توسعه‌دهنده) را کاهش می‌دهد.
• شهودی: پشتیبانی عالی از ویرایشگر. تکمیل همه‌جا. زمان کمتری برای رفع اشکال
• آسان: برای استفاده و یادگیری آسان طراحی شده است. زمان کمتری برای خواندن اسناد
• کوتاه: تکرار کد را به حداقل برسانید. چندین ویژگی از هر اعلان پارامتر. اشکالات کمتر.
• قوی: کد آماده تولید را دریافت کنید. با اسناد تعاملی خودکار.
• مبتنی بر استانداردها: بر اساس (و کاملاً سازگار با) استانداردهای باز برای APIها: OpenAPI (که قبلاً به نام Swagger شناخته می‌شد) و JSON Schema.

در ادامه مقدمه‌ای از کتاب Building Data Science Applications with FastAPI را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Building Data Science Applications with FastAPI:

کتاب Building Data Science Applications with FastAPI برای چه کسانی است؟

این کتاب برای دانشمندان داده و توسعه‌دهندگان نرم‌افزار است که علاقه‌مند به کسب دانش FastAPI و اکوسیستم آن برای ساخت برنامه‌های کاربردی علم داده هستند. دانش اولیه علوم داده و مفاهیم یادگیری ماشین و نحوه به کارگیری آن‌ها در پایتون توصیه می‌شود.
آنچه این کتاب پوشش می‌دهد.

فصل 1، تنظیم محیط توسعه پایتون

با هدف تنظیم محیط توسعه به گونه‌ای است که بتوانید کار با پایتون و FastAPI را شروع کنید. ما ابزارهای مختلفی را که معمولاً در جامعه پایتون برای سهولت توسعه استفاده می‌شود معرفی می‌کنیم.

فصل 2، ویژگی‌های برنامه‌نویسی پایتون

فصل دوم کتاب Building Data Science Applications with FastAPI، شما را با ویژگی‌های برنامه‌نویسی در پایتون، به طور خاص، تورفتگی بلوک، دستورات جریان کنترل، مدیریت استثناها و پارادایم شی‌گرا آشنا می‌کند. ما همچنین ویژگی‌هایی مانند درک لیست و ژنراتورها را پوشش خواهیم داد. در نهایت، خواهیم دید که چگونه نوع اشاره و ناهمزمان ورودی/خروجی کار می‌کند.

فصل 3، توسعه یک API RESTful با FastAPI

فصل سوم کتاب Building Data Science Applications with FastAPI، اصول اولیه ایجاد یک API RESTful با FastAPI را پوشش می‌دهد: مسیریابی، پارامترها، اعتبارسنجی بدنه درخواست و پاسخ. همچنین نحوه ساختار صحیح پروژه FastAPI را با ماژول‌های اختصاصی و روترهای جداگانه نشان خواهیم داد.

فصل 4، مدیریت مدل‌های داده pydantic در FastAPI

با جزئیات بیشتری به تعریف مدل‌های داده با Pydantic، کتابخانه اعتبارسنجی داده‌های اساسی که توسط FastAPI استفاده می‌شود، می‌پردازد. ما توضیح خواهیم داد که چگونه می توان تغییرات یک مدل را بدون تکرار خودمان به لطف وراثت کلاس پیاده‌سازی کرد. در نهایت، نحوه پیاده‌سازی منطق اعتبارسنجی داده‌های سفارشی را در آن مدل‌ها نشان خواهیم داد.

فصل 5، تزریق وابستگی در FastAPI

توضیح می‌دهد که چگونه تزریق وابستگی کار می‌کند و چگونه می‌توانیم وابستگی‌های خود را برای استفاده مجدد از منطق در مسیریاب‌ها و نقاط پایانی مختلف تعریف کنیم.

فصل 6، پایگاه‌های داده و ORM‌های ناهمزمان

نشان می‌دهد که چگونه می‌توانیم یک ارتباط با پایگاه داده برای خواندن و نوشتن داده‌ها ایجاد کنیم. نحوه استفاده از دو کتابخانه برای کار ناهمزمان با پایگاه داده‌های SQL و نحوه تعامل آن‌ها با مدل Pydantic را پوشش خواهیم داد. در نهایت، ما همچنین نحوه کار با MongoDB، پایگاه داده NoSQL را به شما نشان می‌دهیم.

بیشتر بخوانید: کتاب Web Development with MongoDB and Node

فصل 7، مدیریت احراز هویت و امنیت در FastAPI

فصل هفتم از کتاب Building Data Science Applications with FastAPI، به ما نشان می‌دهد که چگونه یک سیستم احراز هویت اولیه را برای محافظت از نقاط پایانی API خود پیاده‌سازی کنیم و داده‌های مربوطه را برای کاربر احراز هویت شده برگردانیم. ما همچنین در مورد بهترین شیوه‌ها در مورد CORS و نحوه ایمن ماندن از حملات CSRF صحبت خواهیم کرد.

فصل 8، تعریف WebSockets برای ارتباطات تعاملی دو طرفه در FastAPI

با هدف درک وب سوکت‌ها و نحوه ایجاد آن‌ها و مدیریت پیام‌های دریافتی با FastAPI است.

فصل 9، آزمایش یک API به صورت ناهمزمان با pytest و HTTPX

به ما نشان می‌دهد که چگونه برای نقاط پایانی REST API خود، آزمایش بنویسیم.

فصل 10، استقرار یک پروژه FastAPI

فصل دهم از کتاب Building Data Science Applications with FastAPI، پیکربندی رایج برای اجرای نرم‌افزارهای FastAPI در تولید را پوشش می‌دهد. ما همچنین چندین گزینه استقرار را بررسی می‌کنیم: DigitalOcean App Platform ،Docker و راه‌اندازی سرور سنتی.

فصل یازدهم، مقدمه‌ای بر NumPy و Pandas

دو کتابخانه اصلی برای علم داده در پایتون را معرفی می‌کند: NumPy و pandas. خواهیم دید که چگونه آرایه‌ها را با NumPy ایجاد و دستکاری کنیم و چگونه می‌توانیم عملیات کارآمدی روی آن‌ها انجام دهیم. سپس نحوه مدیریت مجموعه داده‌های بزرگ با Pandas را نشان خواهیم داد.

همچنین شما می‌توانید برای یادگیری کتابخانه Pandas از کتاب Pandas Cookbook نیز استفاده نمائید.

فصل 12، آموزش مدل‌های یادگیری ماشین با scikit-learn

قبل از حرکت به کتابخانه scikit-learn، مجموعه‌ای از ابزارهای آماده برای انجام وظایف یادگیری ماشین در پایتون، به آموزش ماشین می‌پردازد. ما برخی از رایج‌ترین الگوریتم‌ها و مدل‌های پیش‌بینی قطار (Train Prediction) را بررسی می‌کنیم.

فصل 13، ایجاد یک نقطه پایانی API پیش‌بینی کارآمد با FastAPI

به ما نشان می‌دهد که چگونه می‌توانیم یک مدل یادگیری ماشین آموزش‌دیده را با استفاده از Joblib ذخیره کنیم. سپس، با در نظر گرفتن برخی از جزئیات فنی داخلی‌های FastAPI برای دستیابی به حداکثر کارایی، آن را در قسمت سرور FastAPI ادغام می‌کنیم. در نهایت، ما راهی برای کَش کردن نتایج با استفاده از Joblib نشان خواهیم داد.

فصل 14، پیاده‌سازی یک سیستم تشخیص چهره بلادرنگ با استفاده از WebSockets با FastAPI و OpenCV

فصل آخر کتاب Building Data Science Applications with FastAPI، یک برنامه کاربردی ساده را برای انجام تشخیص چهره در مرورگر پیاده‌سازی می‌کند که توسط WebSocket FastAPI و OpenCV، یک کتابخانه محبوب برای بینایی رایانه پشتیبانی می‌شود.

سرفصل‌های کتاب Building Data Science Applications with FastAPI:

• Preface
• Section 1: Introduction to Python and FastAPI
  • 1 Python Development Environment Setup
  • 2 Python Programming Specificities
  • 3 Developing a RESTful API with FastAPI
  • 4 Managing Pydantic Data Models in FastAPI
  • 5 Dependency Injections in FastAPI
• Section 2: Build and Deploy a Complete Web Backend with 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
• Section 3: Build a Data Science API with Python and FastAPI
  • 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
• Index

فایل کتاب Building Data Science Applications with FastAPI را می‌توانید پس از پرداخت، دریافت کنید.