توضیحات
دوره FASTAPI Banking API with AI&ML Transaction Fraud Detection. این دوره آموزشی فراتر از توسعه APIهای ساده می‌رود و به شرکت‌کنندگان نشان می‌دهد که چگونه یک سیستم بانکی کامل، آماده برای محیط عملیاتی، امن و مقیاس‌پذیر را طراحی کنند. این دوره با تاکید بر کاربردهای عملی و استفاده از فناوری‌های پیشرفته، رویکردی منحصربه‌فرد در آموزش ارائه می‌دهد. شرکت‌کنندگان در این دوره، ساخت یک سیستم بانکی واقعی را با استفاده از FastAPI و SQLModel فرا خواهند گرفت. آن‌ها قادر خواهند بود سیستم تشخیص تقلب مبتنی بر هوش مصنوعی و یادگیری ماشین را با استفاده از MLflow و scikit-learn پیاده‌سازی کنند. همچنین، مهارت‌های کانتینرسازی با Docker، استفاده از پروکسی معکوس و توازن بار با Traefik را کسب خواهند کرد. مدیریت تراکنش‌های با حجم بالا با استفاده از Celery، Redis و RabbitMQ از دیگر مباحث کلیدی این دوره است. علاوه بر این، شرکت‌کنندگان با روش‌های امن‌سازی API با استفاده از استانداردهای احراز هویت صنعتی آشنا خواهند شد.
در طول این دوره، شرکت‌کنندگان با طراحی یک معماری API بانکی قوی با استفاده از اصول طراحی دامنه محور آشنا می‌شوند. آن‌ها نحوه پیاده‌سازی احراز هویت امن کاربر با استفاده از JWT، تأیید OTP و محدودیت نرخ درخواست را خواهند آموخت. ایجاد فرآیند پردازش تراکنش با قابلیت تبدیل ارز و تشخیص تقلب از دیگر مباحث مهم این دوره است. شرکت‌کنندگان همچنین ساخت یک خط لوله یادگیری ماشین برای تحلیل ریسک تراکنش در زمان واقعی را فرا خواهند گرفت. استقرار با Docker Compose و مدیریت ترافیک با Traefik، مقیاس‌بندی برنامه با استفاده از Celery ناهمزمان، نظارت بر سیستم با استفاده از لاگینگ جامع با Loguru، آموزش، ارزیابی و استقرار مدل‌های ML با MLflow و کار با PostgreSQL با استفاده از SQLModel و Alembic برای مهاجرت‌های پایگاه داده از جمله مهارت‌هایی است که در این دوره به آن‌ها پرداخته می‌شود.
آنچه فرا خواهید گرفت
- نحوه یکپارچه‌سازی Docker با Celery، Redis، RabbitMQ، MLflow و FastAPI.
- نحوه استفاده از scikit-learn، NumPy و Pandas برای یادگیری ماشین و ایجاد یک سیستم تحلیل تراکنش و تشخیص تقلب.
- نحوه استفاده از MLflow برای ایجاد خطوط لوله آموزش یادگیری ماشین و مدیریت چرخه عمر مدل.
- نحوه استفاده از پروکسی‌های معکوس و توازن بار با Traefik.
- نحوه مدیریت چندین کانتینر Docker با Portainer در محیط توسعه و عملیاتی.
- نحوه استفاده از Loguru برای لاگینگ جامع.
- نحوه استفاده از Redis، RabbitMQ و Celery برای پردازش وظایف یادگیری ماشین در پس‌زمینه.
این دوره مناسب افرادیست که:
- توسعه‌دهندگان پایتون که علاقه‌مند به ساخت APIهای فین‌تک هستند.
- توسعه‌دهندگان پایتون سطح متوسط با حداقل یک سال تجربه (تجربه بیشتر مزیت محسوب می‌شود).
- توسعه‌دهندگان پایتون سطح متوسط که علاقه‌مند به کاربردهای یادگیری ماشین در پروژه‌های دنیای واقعی هستند.
مشخصات دوره FASTAPI Banking API with AI&ML Transaction Fraud Detection
- ناشر: Udemy
- مدرس: Alpha Omondi Ogilo
- سطح آموزش: مبتدی تا پیشرفته
- مدت زمان آموزش: 32 ساعت و 59 دقیقه
- تعداد دروس: 297
سرفصل های دوره
پیشنیازهای دوره FASTAPI Banking API with AI&ML Transaction Fraud Detection
- This course is NOT for absolute beginners.
- This course is targeted at Python Developers with at least 1 year of web development experience or more
- You should be familiar with the basic concepts surrounding shell scripts, Docker, and FastAPI.
- You should be familiar with concepts surrounding asynchronous python.
تصاویر دوره
نمونه فیلم دوره
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
عنوان قبلی:
FastAPI, AI & Machine Learning for Bank Fraud Detection
Complete FASTAPI Banking: with AI/ML Bank Fraud Detection
تغییرات:
نسخه 2025/5 نسبت به 2025/4 به تعداد 56 درس و مدت زمان 4 ساعت و 40 دقیقه افزایش داشته است. همچنین زیرنویس انگلیسی به دوره اضافه شد.
نسخه 2025/7 نسبت به 2025/5 به تعداد 78 درس و مدت زمان 9 ساعت و 1 دقیقه افزایش داشته است.
نسخه 2025/9 نسبت به 2025/7 به تعداد 76 درس و مدت زمان 9 ساعت و 34 دقیقه افزایش داشته است.
نسخه جدید 2025/9 نسبت به نسخه قبلی 2025/9 به تعداد 1 درس و مدت زمان 16 دقیقه افزایش داشته است.
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
24.8 گیگابایت
![ROS2 Nav2 [Navigation 2 Stack] - with SLAM and Navigation](https://downloadly.ir/wp-content/uploads/2024/05/ROS2-Nav2-Navigation-2-Stack-with-SLAM-and-Navigation.jpeg)
2 دیدگاه. همین الان خارج شوید
درود این دوره رو میشه آپدیت بکنید خیلی جالبه
سلام
در دسترس نیست.