ML Deployment ve Servisleştirme

FastAPI · Docker · Hugging Face Inference

📊 modul01_ml_deployment.pptx 🎁 Sunum Hazır

1 ML deployment yaşam döngüsü ve MLOps temelleri

2 Model serileştirme: joblib, safetensors — hangi durumda hangisi?

3 FastAPI ile /predict endpoint tasarımı + Pydantic ile request/response şemaları

4 Async vs sync endpoint kararı, uvicorn/gunicorn workers

5 Docker multi-stage build: builder + runtime ayrımı, image boyutu optimizasyonu

6 Container monitoring: logging, latency p50/p95/p99, /health endpoint

7 Hugging Face Hub modeliyle FastAPI + Docker tabanlı inference servisi

8 Hugging Face Inference Endpoints — ücretli vs self-hosted karşılaştırma

9 Hugging Face Spaces ile Gradio/Streamlit demo deploy

10 Geliştirme ortamı: Python 3.11, conda/uv, Docker Desktop, VS Code

Kütüphaneler: fastapipydanticuvicornscikit-learntransformersjoblibdockergunicorn

BTK Akademi Atölyesi

Bu atölyeye katılmak istiyorum

Bireysel kayıt için BTK Akademi başvuru süreçleri, kurumsal eğitim için Dr. Murat Altun ile doğrudan iletişim.