کتاب FastAPI و ساخت APIهای Green AI Computing با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره FastAPI و ساخت APIهای Green AI Computing

موضوع کلی: برنامه نویسی

موضوع میانی: فست ای‌پی‌آی (FastAPI)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر FastAPI: چرا و چگونه؟
• 2. نصب و راه‌اندازی FastAPI و Uvicorn
• 3. ساختار یک پروژه FastAPI ساده
• 4. اولین API: ایجاد یک مسیر GET
• 5. پیکربندی Uvicorn و اجرای برنامه
• 6. مسیرهای دینامیک: Path Parameters
• 7. اعتبارسنجی Path Parameters
• 8. Query Parameters: دریافت داده از URL
• 9. Query Parameters با مقادیر پیش‌فرض
• 10. مدل‌سازی داده‌ها با Pydantic: پایه و اساس
• 11. درخواست‌های POST: ارسال Body
• 12. اعتبارسنجی خودکار Body با Pydantic
• 13. درخواست‌های PUT و DELETE
• 14. انواع پاسخ‌ها: JSONResponse و Response
• 15. کدهای وضعیت HTTP در پاسخ‌ها
• 16. تزریق وابستگی (Dependency Injection) در FastAPI
• 17. کاربردهای پیشرفته تزریق وابستگی
• 18. Pydantic Fields: اعتبارسنجی پیشرفته
• 19. مدیریت خطاها: HTTPException
• 20. هندلرهای خطای سفارشی
• 21. امنیت API: مقدمه‌ای بر احراز هویت
• 22. احراز هویت مبتنی بر Bearer Token (OAuth2)
• 23. پیاده‌سازی JWT برای احراز هویت
• 24. مدیریت کاربران و نقش‌ها (Authorization)
• 25. کار با پایگاه داده‌های رابطه‌ای: مقدمه
• 26. SQLAlchemy Core و ORM برای FastAPI
• 27. ارتباط با پایگاه داده‌های Async (AsyncPG, AIO-SQLAlchemy)
• 28. ایجاد مدل‌ها و شمای پایگاه داده
• 29. عملیات CRUD با پایگاه داده در FastAPI
• 30. مهاجرت‌های پایگاه داده با Alembic
• 31. تست واحد (Unit Testing) برای FastAPI
• 32. تست یکپارچه‌سازی (Integration Testing) با TestClient
• 33. ساختار پروژه‌های بزرگ: APIRouter
• 34. تقسیم‌بندی API به ماژول‌های مجزا
• 35. Middlewares: پردازش درخواست‌ها قبل و بعد
• 36. CORS: Cross-Origin Resource Sharing
• 37. Background Tasks: اجرای عملیات ناهمزمان
• 38. مدیریت فایل‌ها: آپلود فایل
• 39. سرویس‌دهی فایل‌های استاتیک
• 40. WebSockets: ارتباط بلادرنگ
• 41. استفاده از GraphQL در FastAPI (با Strawberry یا Ariadne)
• 42. Caching در FastAPI با Redis
• 43. Message Queues: Celery و RabbitMQ برای وظایف سنگین
• 44. زمان‌بندی وظایف با Celery Beat
• 45. Logging پیشرفته و مانیتورینگ
• 46. API Versioning: استراتژی‌های مختلف
• 47. سفارشی‌سازی مستندات OpenAPI (Swagger UI/ReDoc)
• 48. OpenAPI Generator: تولید کلاینت API
• 49. Dockerization: کانتینری کردن برنامه FastAPI
• 50. Docker Compose: ارکستراسیون سرویس‌ها
• 51. استقرار در سرورهای مجازی (VPS)
• 52. استقرار در پلتفرم‌های ابری (Heroku, Google Cloud Run)
• 53. CI/CD برای FastAPI با GitHub Actions
• 54. مانیتورینگ عملکرد (Performance Monitoring)
• 55. بهینه‌سازی عملکرد FastAPI: نکات و ترفندها
• 56. مدیریت محیط‌های مختلف (Development, Staging, Production)
• 57. استفاده از Alembic برای مهاجرت‌های پیچیده
• 58. مدیریت Secretها و تنظیمات امنیتی
• 59. معرفی بهینه‌سازی پایگاه داده
• 60. الگوهای طراحی برای APIهای مقیاس‌پذیر
• 61. مقدمه‌ای بر Green AI Computing
• 62. اهمیت پایداری در هوش مصنوعی و محاسبات
• 63. تعریف و اندازه‌گیری ردپای کربن در AI
• 64. عوامل موثر بر مصرف انرژی مدل‌های AI
• 65. مقایسه مصرف انرژی مراحل آموزش و استنتاج (Inference) AI
• 66. سخت‌افزارهای کم‌مصرف برای هوش مصنوعی
• 67. ارزیابی بهره‌وری انرژی سخت‌افزارها (flops/watt)
• 68. اصول طراحی نرم‌افزار برای بهره‌وری انرژی
• 69. متدهای اندازه‌گیری مصرف انرژی در کد (CodeCarbon)
• 70. تاثیر اندازه مدل و معماری بر مصرف انرژی
• 71. کاهش مصرف انرژی از طریق انتخاب الگوریتم
• 72. داده‌های کارآمد: تاثیر کیفیت و حجم داده
• 73. تکنیک‌های فشرده‌سازی مدل (Model Compression)
• 74. Quantization: کاهش دقت محاسبات
• 75. Pruning: حذف اتصالات و نورون‌های اضافی
• 76. Knowledge Distillation: آموزش مدل کوچک‌تر
• 77. فریم‌ورک‌های بهینه‌شده برای Inference (ONNX Runtime, TFLite)
• 78. Batch Processing در مقابل Real-time Inference (مصرف انرژی)
• 79. محاسبات لبه (Edge Computing) برای Green AI
• 80. مزایا و چالش‌های محاسبات لبه
• 81. طراحی APIهای AI با در نظر گرفتن پایداری
• 82. پیاده‌سازی Inference مدل‌های AI در FastAPI
• 83. بهینه‌سازی FastAPI برای پاسخ‌دهی سریع ML Inference
• 84. مدیریت منابع CPU/GPU برای مدل‌های AI
• 85. زمان‌بندی منابع بهینه با `run_in_threadpool`
• 86. استفاده از `asyncio` برای I/O سنگین در ML Pipelines
• 87. کانتینری‌سازی مدل‌های AI بهینه (Docker)
• 88. استقرار مدل‌های فشرده‌شده با FastAPI
• 89. Serverless Functions برای AI Inference متناوب
• 90. مزایای انرژی FaaS برای AI Workloads
• 91. انتخاب دیتاسنترهای سبز و مناطق ابری
• 92. مانیتورینگ مصرف انرژی APIهای AI
• 93. ابزارهای گزارش‌دهی ردپای کربن API
• 94. اتوماسیون مقیاس‌پذیری انرژی‌محور (Energy-aware Auto-scaling)
• 95. پیاده‌سازی API Gateway برای بهینه‌سازی ترافیک AI
• 96. مدیریت داده‌های ورودی و خروجی برای کاهش I/O
• 97. استفاده از فرمت‌های داده‌ای بهینه (Parquet, ORC)
• 98. چالش‌های مقیاس‌بندی و پایداری در AI Ops
• 99. اخلاق و مسئولیت اجتماعی در Green AI Computing
• 100. آینده Green AI و نقش FastAPI