Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Birçok kurumda mevcut mikroservis altyapısı veya dahili analitik araçlar Flask tabanlıdır; ancak geliştirme sunucusuyla (app.run()) ayağa kaldırılan bir model script'i gerçek trafik altında kilitlenir. Bu eğitim, scikit-learn, XGBoost veya PyTorch modellerini Flask, Gunicorn ve Docker kullanarak üretime uygun, güvenilir bir WSGI servisine dönüştürmeyi öğretir.

Katılımcılar Application Factory ve Blueprint desenleriyle modüler bir tahmin servisi kurar, girdi doğrulama ve standart hata yanıtları ekler, Gunicorn --preload ve worker/thread ayarlarıyla bellek tüketimini optimize eder. Eğitim sonunda kurum içi sistemlere entegre edilmeye hazır bir Flask model servisi şablonu ve yayın kontrol listesi elde edilir.

Kimler Katılmalı?

  • Modellerini hızlıca kurum içi API veya arayüz haline getirmek isteyen veri bilimciler
  • Mevcut Flask/WSGI tabanlı kurumsal servislere ML modelleri entegre eden Python geliştiricileri
  • Hafif ve senkron model mikroservisleri kuran ML mühendisleri
  • Ön koşul: temel Python ve scikit-learn/pandas kullanımı

Kazanımlar

  • Flask Application Factory ve Blueprint yapısıyla modüler bir tahmin API'si kurmak
  • JSON ve dosya girdilerini doğrulayarak tutarlı hata kodları ve loglar üretmek
  • Modeli her istekte değil uygulama başlangıcında yükleyerek latency'yi düşürmek
  • Flask geliştirme sunucusu yerine Gunicorn WSGI worker ve thread ayarlarını yapılandırmak
  • Servisi Docker image'ı olarak paketleyip health check ve birim testleriyle doğrulamak

Konular

Flask Mimarisi ve Model Servisi Tasarımı
  • WSGI çalışma prensibi, Application Factory (create_app) ve Blueprint yapısı
  • Tekil tahmin (/predict), toplu tahmin (/predict-batch) ve /healthz uçları
Model Yükleme, Girdi Doğrulama ve Hata Yönetimi
  • Uygulama bağlamında (app context) güvenli model ve ön işleyici (pipeline) yükleme
  • Marshmallow veya Pydantic ile şema doğrulama ve özel HTTP hata işleyicileri
WSGI Üretim Sunucusu: Gunicorn ve Bellek Optimizasyonu
  • sync, gthread ve gevent worker tipleri ve GIL'in CPU-bound modellere etkisi
  • Copy-on-Write bellek paylaşımı için --preload kullanımı ve worker timeout ayarları
Loglama, Güvenlik ve Otomatik Testler
  • Yapılandırılmış JSON loglama, istek ID takibi ve temel API key doğrulaması
  • pytest ve Flask test client ile endpoint ve model çıktı testleri
Docker ve Nginx ile Paketleme ve Yayına Alma
  • Nginx reverse proxy + Gunicorn + Flask topolojisi ve boyut limitleri
  • Docker Compose ile yerel simülasyon ve yayın öncesi kontrol listesi

Bu Kategorideki Diğer Eğitimler

  • Ray Serve

    Ray Serve ile Python-native dağıtık model ve LLM sunumu: DeploymentGraph kompozisyonu, kesirli GPU paylaşımı, dynamic batching, replica autoscaling, vLLM entegrasyonu ve KubeRay. ML ve platform mühendisleri için.

    Model Sunma (Model Deployment) Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Model Versiyonlama ve Değiştirme

    Üretimdeki modelleri kesintisiz ve güvenli biçimde güncelleme: MLflow Model Registry, semantik versiyonlama, shadow deployment, canary, blue/green, A/B testi ve otomatik rollback. MLOps ve ML mühendisleri için.

    Model Sunma (Model Deployment) Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Sunulan Modellerin Ölçeklendirilmesi

    Canlı model servislerini yatay ve dikey ölçekleme: Kubernetes HPA, KEDA ve Knative ile kuyruk/GPU metriklerine göre autoscaling, cold start azaltma, MIG/time-slicing ve yük dengeleme. MLOps, SRE ve platform mühendisleri için.

    Model Sunma (Model Deployment) Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Model Deployment Giriş

    Eğitilmiş bir modeli notebook'tan production'a taşımanın temel adımları: serialization, API ile servis etme, container'a paketleme, temel monitoring ve rollback. Model deployment sürecine yeni başlayan veri bilimciler ve geliştiriciler için.

    Model Sunma (Model Deployment) Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • REST API ve gRPC Temelleri

    Model servisleri için REST ve gRPC protokollerinin temelleri: HTTP/JSON tasarımı, OpenAPI, Protocol Buffers, streaming RPC ve performans karşılaştırması. Doğru protokolü seçip ilk servisini yazmak isteyen geliştiriciler için.

    Model Sunma (Model Deployment) Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Synchronous vs Asynchronous Inference

    Senkron ve asenkron inference desenleri: istek-yanıt, kuyruk tabanlı işleme (Celery, Redis, Kafka), job polling, webhook ve async Python. Uzun süren model çağrılarını ölçeklenebilir biçimde tasarlamak isteyen mühendisler için.

    Model Sunma (Model Deployment) Kurumsal
    Canlı Kurs
    5 modül
    İncele

Bizimle iletişime geçin