Încarcă modelul pre-antrenat

Ești un om de știință a datelor la o companie de conservare a animalelor. Ai primit un model de învățare automată pre-antrenat care prezice speciile de pinguini.

Sarcina ta este să încarci acest model pentru a putea fi utilizat într-un API. Modelul a fost salvat folosind joblib.

Modelul ML pre-antrenat este stocat în fișierul pickle: penguin_classifier.pkl

Scrie un script care să încarce fișierul pickle ca model. Testează scriptul rulând python3 solution.py în terminal.

Acest exercițiu face parte din cursul

Deployment AI în producție cu FastAPI

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Deployment AI în producție cu FastAPI

SkillTag.level.advancedSkillTag.label

4.8+

Începe cursul gratuit

Începe să servești predicțiile modelului tău ML prin endpoint-uri FastAPI. Vei învăța să încarci modele ML pre-antrenate și să creezi endpoint-uri API care returnează predicții ca răspunsuri serializate prin cereri HTTP. Vei folosi modelele de date Pydantic pentru a valida cererile și răspunsurile.

Exercise 1: Cereri GET și POST pentru inteligența artificială Exercise 2: Endpoint GET pentru informații despre model Exercise 3: Endpoint POST pentru înregistrarea modelelor Exercise 4: Predicții FastAPI cu un model pre-antrenat Exercise 5: Încarcă modelul pre-antrenat

Exercițiul curent

Exercise 6: Creează endpointul de predicție Exercise 7: Rularea aplicației FastAPI Exercise 8: Modele de cerere și răspuns Exercise 9: Creează un model Pydantic pentru datele de intrare în ML Exercise 10: Validează cererea și răspunsul pentru predicția ML

Învață să servești modele de învățare automată prin endpoint-uri FastAPI. Acest capitol acoperă crearea de endpoint-uri care returnează predicții, gestionarea diferitelor tipuri de date de intrare și implementarea validării robuste a datelor de intrare. Vei construi API-uri pregătite pentru producție, capabile să valideze tipuri variate de date, cu modele ML încărcate la pornirea serverului și fără timp de nefuncționare.

Exercise 1: Gestionarea diferitelor tipuri de date de intrare în FastAPI Exercise 2: Procesarea datelor textuale din cereri Exercise 3: Gestionarea datelor numerice din cereri Exercise 4: Validarea datelor de intrare în FastAPI Exercise 5: Validarea câmpurilor Exercise 6: Adăugarea validatorilor personalizați Exercise 7: Testarea validatorilor personalizați Exercise 8: Încărcarea unui model pre-antrenat Exercise 9: Încărcarea modelului AI la pornirea serverului Exercise 10: API de verificare a stării modelului încărcat Exercise 11: Returnarea unui răspuns structurat de predicție Exercise 12: Returnarea unui răspuns structurat din API Exercise 13: Testarea endpoint-ului pentru răspuns structurat

Acest capitol acoperă securizarea API-urilor prin autentificare bazată pe chei, gestionarea ratei cererilor cu limitare personalizată și îmbunătățirea performanței prin procesare asincronă. Vei învăța să protejezi endpoint-urile, să previi utilizarea abuzivă și să gestionezi eficient sarcinile consumatoare de timp, pregătind API-ul pentru producție.

Exercise 1: Autentificare prin cheie API Exercise 2: Securizarea API-urilor cu autentificare prin cheie Exercise 3: Securizează endpoint-ul API Exercise 4: Limitarea ratei de cereri Exercise 5: Implementarea unui limitator de rată Exercise 6: Adaugă limitarea ratei la endpoint Exercise 7: Procesare asincronă Exercise 8: Creează un endpoint asincron pentru analiza sentimentelor Exercise 9: Implementarea sarcinilor de fundal Exercise 10: Gestionarea erorilor de timeout

Acest capitol acoperă teme avansate care îți vor permite să susții aplicațiile FastAPI pe termen lung în producție. Temele includ versionarea și documentarea endpoint-urilor API, validarea avansată a datelor de intrare pentru a suporta date de intrare și de ieșire mai complexe, precum și monitorizarea și logging-ul pentru a verifica funcționarea corectă a aplicațiilor și pentru a depana problemele în timp real.

Exercise 1: Versionarea și documentarea API-ului Exercise 2: Clasifică modificările de cod pentru versiuni noi ale endpoint-ului Exercise 3: Adăugarea unei noi versiuni de endpoint Exercise 4: Adăugarea unui antet de descriere la API Exercise 5: Validare avansată a intrărilor și gestionarea erorilor Exercise 6: Modele imbricate Exercise 7: Validator personalizat de model Exercise 8: Gestionator global de excepții Exercise 9: Monitorizare și logare Exercise 10: Înregistrarea timpului de încărcare a modelului Exercise 11: Adăugarea unui endpoint simplu de verificare a sănătății Exercise 12: Partajarea parametrilor modelului cu sistemul de monitorizare Exercise 13: Rezumat