Implantação de modelos de machine learning como endpoints da Web com Python

Criar um modelo de machine learning poderoso é apenas metade da batalha; o valor real vem quando seus aplicativos podem consultá-lo em tempo real. A transição de um script local para um serviço da Web confiável requer o entendimento de como fazer a ponte entre a ciência de dados e o desenvolvimento da Web. Este curso somente de texto orienta você pelo processo de agrupamento de modelos preditivos em APIs da Web limpas e modernas. Você aprenderá a usar modelos treinados do scikit-learn e do Keras e a servi-los como pontos de extremidade da Web escalonáveis que qualquer aplicativo externo pode consumir. O que você vai aprender: - Entenda os conceitos básicos de serialização de modelos, protocolos da web e arquitetura de API. - Crie endpoints web de alto desempenho usando FastAPI e defina esquemas de dados rigorosos com Pydantic. - Prepare e serialize modelos treinados do scikit-learn e do Keras para implantação na web. - Crie pipelines de solicitação e resposta para lidar com o pré-processamento de dados em tempo real e a inferência de modelos. - Conteinerize seu aplicativo usando o Docker para garantir um comportamento consistente em diferentes ambientes. - Implemente testes básicos de endpoint para verificar a confiabilidade e o desempenho da API. Você começará explorando os termos fundamentais e a arquitetura das APIs de machine learning. A partir daí, você irá progredir através da serialização de modelos, escrevendo código de API limpo, validando dados de entrada e empacotando o aplicativo final para implantação. Este curso foi projetado para cientistas de dados iniciantes, entusiastas de aprendizado de máquina e desenvolvedores que têm uma compreensão básica de Python e aprendizado da máquina, mas são novos na implantação da web. Não é necessária experiência prévia em desenvolvimento web ou DevOps. Comece a ler hoje para transformar seus modelos offline em serviços da web ativos e acessíveis.