Tworzenie interfejsów API do wykorzystania w danologii Tworzenie API, które pokochają danolodzy Projektowanie interfejsów API dla danologów Każdy interfejs API ma swoją historię Poznaj swoją firmę: SportsWorldCentral SWC potrzebuje interfejsu API Wybór pierwszych produktów API Identyfikacja potencjalnych użytkowników Tworzenie historyjek użytkownika Wybór architektury API Style architektoniczne interfejsu API REST GraphQL gRPC Twój wybór: REST Architektura techniczna Python GitHub 40Pierwsze kroki z GitHub Codespaces Tworzenie konta w serwisie GitHub Uruchamianie środowiska GitHub Codespaces Przeglądanie nowej przestrzeni kodu Tworzenie pierwszego commita Utworzenie bazy danych Składniki Twojego API 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 Tworzenie kodu FastAPI Rozbudowa projektu portfolio Oprogramowanie używane w tym rozdziale FastAPI HTTPX Pydantic Uvicorn Instalowanie nowych bibliotek w środowisku programistycznym Tworzenie plików Pythona dla interfejsu API Tworzenie schematów Pydantic Tworzenie kontrolera FastAPI Testowanie interfejsu API Uruchamianie interfejsu API 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 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 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 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 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 Pierwsze kroki z GitHub Codespaces Uruchamianie środowiska GitHub Codespaces

Lokalne uruchomienie API SportsWorldCentral (SWC) 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) 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 Wykorzystanie API w aplikacjach danych Streamlit Angażowanie użytkowników za pomocą interaktywnych wizualizacji Oprogramowanie wykorzystane w tym rozdziale nfl_data_py 218 Streamlit 218 Instalacja Streamlit i nfl_data_py Uruchamianie interfejsu API w Codespaces Tworzenie aplikacji Streamlit Aktualizacja pliku startowego Uruchamianie aplikacji Streamlit Tworzenie strony ze składami drużyn Tworzenie strony ze statystykami zespołów Wdrażanie aplikacji Streamlit Wykorzystanie interfejsów API w sztucznej inteligencji 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 Pierwsze kroki z GitHub Codespaces Uruchamianie środowiska GitHub Codespaces Wdrażanie interfejsu API na potrzeby uczenia maszynowego Szkolenie modeli uczenia maszynowego 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 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) 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