Interfejsy API w AI i Data Science. Programowanie w Pythonie z użyciem FastAPI (ebook) Woźniki

Jeśli chcesz projektować aplikacje oparte na sztucznej inteligencji, tworzyć dobry kod czy analizować dane, musisz opanować zasady pracy z interfejsami API. To już nie tylko kwestia wysłania prostego zapytania do REST API - niezawodność, bezpieczeństwo i skalowalność wymagają znacznie więcej. Łatwo dojść do wniosku, że zakres potrzebnej wiedzy jest przytłaczający. To nieocenione źródło praktycznej wiedzy o API w data science i sztucznej inteligencji - dziedzinach, w którym interfejsy API odgrywają coraz większą rolę! James Gough, wybitny inżynier w Morgan Stanley Ten przystępny podręcznik jest skierowany do analityków danych i programistów chcących zdobyć doświadczenie w tworzeniu i wdrażaniu interfejsów API z wykorzystaniem Pythona, a także frameworków takich jak FastAPI i Streamlit. Dzięki tej książce nauczysz się budować API od podstaw, integrować je z przepływami danych i używać dużych modeli językowych (LLM) do efektywnej interakcji z interfejsami. W efekcie zyskasz niezbędne przygotowanie, by projektować solidne, nowoczesne rozwiązania API dla branży AI i data science. To lektura obowiązkowa dla każdego, kto chce poszerzyć kompetencje w zakresie danologii! Eric Eager, wiceprezes do spraw analiz piłkarskich, Carolina Panthers W książce: zasady projektowania API na potrzeby aplikacji analitycznych wdrażanie API z użyciem Pythona i FastAPI integracja API z przepływami danych wdrażanie modeli uczenia maszynowego jako API użycie dużych modeli językowych (LLM) w architekturach API Zrób sobie przysługę - dodaj tę książkę do swojej biblioteczki! Alex Gutman, autor książek technicznych O książce w mediach: Eksperyment myślowy – recenzja 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 O autorze: Ryan Day jest ekspertem danologii w Conference of State Bank Supervisors (CSBS) i doświadczonym programistą. Aktywnie uczestniczy w projekcie FastAPI. Ma doświadczenie w przetwarzaniu w chmurze i tworzeniu API w sektorze federalnym.