AI와 데이터 사이언스 API(데이터 과학)
FastAPI를 활용한 실전 예제로 배우는 파이썬 개발
Regular price
$37.08
Sale price
Regular price
✈️
Estimated delivery date 예상 배송일
Standard Shipping
불러오는 중...
주문일로부터 8-12 영업일
Express Shipping
불러오는 중...
주문일로부터 6-8 영업일
데이터에서 API로, API에서 제품으로,
실무 전 과정을 직선으로 만드는 가장 빠른 방법
이 책은 데이터 수집과 모델 학습, API 구축·배포·문서화·SDK까지 데이터 사이언스 전 과정을 실전 예제로 하나로 잇는다. FastAPI·SQLAlchemy·Pydantic을 기반으로 REST 설계와 OpenAPI, 인증·테스트, 도커, Render·AWS 배포, PyPI 배포를 한 흐름으로 설명한다. 판타지 스포츠 도메인을 활용해 개념을 곧바로 코드와 서비스로 연결하고 포트폴리오로 증명하는 방법을 제시한다. 또한 주피터와 pandas로 분석을 수행하고 Airflow로 파이프라인을 자동화하며 Streamlit 대시보드로 “만든 API를 실제로 쓰는” 가치를 보여준다. 더 나아가 ONNX, LangChain, 챗GPT를 통해 생성형 AI가 API를 호출하는 에이전트형 애플리케이션까지 확장한다. 결과적으로 데이터 사이언티스트와 백엔드·API 설계자, 구직·이직 준비자 모두에게 즉시 통하는 실무 가이드를 제공한다.
실무 전 과정을 직선으로 만드는 가장 빠른 방법
이 책은 데이터 수집과 모델 학습, API 구축·배포·문서화·SDK까지 데이터 사이언스 전 과정을 실전 예제로 하나로 잇는다. FastAPI·SQLAlchemy·Pydantic을 기반으로 REST 설계와 OpenAPI, 인증·테스트, 도커, Render·AWS 배포, PyPI 배포를 한 흐름으로 설명한다. 판타지 스포츠 도메인을 활용해 개념을 곧바로 코드와 서비스로 연결하고 포트폴리오로 증명하는 방법을 제시한다. 또한 주피터와 pandas로 분석을 수행하고 Airflow로 파이프라인을 자동화하며 Streamlit 대시보드로 “만든 API를 실제로 쓰는” 가치를 보여준다. 더 나아가 ONNX, LangChain, 챗GPT를 통해 생성형 AI가 API를 호출하는 에이전트형 애플리케이션까지 확장한다. 결과적으로 데이터 사이언티스트와 백엔드·API 설계자, 구직·이직 준비자 모두에게 즉시 통하는 실무 가이드를 제공한다.
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
◈ 내용 소개 ◈
1. 설계부터 배포까지 한 번에!
이 책은 요구 정의와 사용자 스토리에서 출발해 REST 선택, 데이터 모델링, 엔드포인트 설계를 차근차근 완성해 나간다. 이어서 FastAPI·SQLAlchemy·Pydantic을 활용해 타입 안정성과 유지보수성을 확보하고, OpenAPI 기반 문서를 통해 팀 협업을 더욱 정교하게 다듬는다. 회귀 테스트와 도커 컨테이너로 안정적인 릴리스 흐름을 마련한 뒤, Render와 AWS로 배포해 실제 운영 환경까지 준비한다. 마지막으로 파이썬 SDK를 PyPI에 배포해 일관된 사용 경험과 재사용성을 제공하며, API 실무의 처음부터 끝까지 한 번에 완주할 수 있도록 안내한다.
2. 만든 순간 쓰이는 마법
이 책에서 다루는 노트북·파이프라인·대시보드는 '만드는 즉시 가치가 드러나는' 실무 도구들이다. httpx 클라이언트로 API를 호출해 주피터와 pandas에서 지표를 계산하고 인사이트를 도출할 수 있으며, Airflow로 증분 수집과 의존성을 관리해 반복 가능한 데이터 파이프라인을 구축할 수 있다. 여기에 Streamlit으로 대화형 시각화를 제공하면 사용자 참여와 의사결정 속도가 동시에 높아진다. 나아가 API 소비자 관점에서의 모범 사례를 통해, 데이터가 어떻게 실제 제품 가치로 전환되는지 자연스럽게 확인할 수 있다.
3. 모델을 서비스로!
이 책은 ONNX·LangChain·챗GPT를 활용해 모델을 실제 서비스로 전환하는 과정을 일관되게 보여준다. 우선 scikit-learn 모델을 ONNX로 변환해 추론 성능과 이식성을 끌어올리고, FastAPI를 통해 예측 엔드포인트를 공개한다. 여기에 인증·인가를 더해 보안 경계를 확보하고, 운영 환경에 맞는 설정을 갖춰 실 서비스 수준으로 완성한다. 이후 LangChain과 LangGraph로 도구 호출형 에이전트를 구성해 API 오케스트레이션을 자동화하고, 챗GPT와 OAS를 연동해 대화형 워크플로까지 확장함으로써, 모델이 실제 사용자 경험으로 자연스럽게 이어지도록 돕는다.
◈ 이 책의 대상 독자 및 이 책에서 다루는 내용 ◈
이 책은 API, AI, 데이터 사이언스의 접점에 있는 내용을 다루는 만큼, 다음 세 가지 유형의 독자에게 특히 유용하다.
데이터 사이언티스트
데이터 사이언티스트(data scientist)들은 항상 API를 사용하지만, 'REST API 호출은 코드 몇 줄이면 구현할 수 있다'라는 이유로 API 사용에 대해 새로 배울 것이 없다고 생각하기 쉽다. 실제로 REST API는 호출이 간단하며, 그 점이 API 확산의 한 이유가 됐다. 하지만 안정적이고 견고하며 제공자에게 부담을 주지 않는 탄력적인 방식으로 API를 사용하려면 더 세심한 접근이 필요하다.
이 책을 통해 배울 수 있는 핵심 기술은 다음과 같다.
● API 개발 및 배포하기
● 소프트웨어 개발 키트(SDK, Software Development Kit) 및 API 클라이언트 개발하기
● 파이썬(Python) 패키지를 만들어 PyPI에 배포하기
● 머신러닝 모델을 API로 배포하기
● Streamlit 기반 데이터 애플리케이션 개발하기
● Airflow 데이터 파이프라인 구축하기
● LangChain과 챗GPT(ChatGPT)를 활용한 생성형 AI 애플리케이션 개발하기
API 개발자 및 설계자
API 개발자와 설계자는 중요한 새 사용자층을 위해 API를 강화하는 방법을 배울 수 있다. 데이터 사이언티스트가 하는 일, 수행하는 작업, 선호하는 API 기능 등을 배우게 된다. 또한 생성형 AI 애플리케이션이 API를 호출하는 방법과 API에 필요한 기능에 대해서도 배울 수 있다.
그리고 실습 예제를 통해 다음과 같은 다양하고 새로운 기술을 배울 수 있다.
● FastAPI, SQLAlchemy, Pydantic을 사용하는 파이썬 API 개발하기
● 도커(Docker)로 API 컨테이너화하기
● 클라우드 호스트에 API 배포하기
● 파이썬 SDK를 만들어 PyPI에 배포하기
● LangChain과 챗GPT를 사용해 생성형 AI 애플리케이션 개발하기
구직자 및 이직자
위에서 소개한 기술들은 현장에서 많이 필요로 하는 기술이므로, 이 기술을 배우면 데이터 사이언스나 소프트웨어 개발 분야에서 첫 직장을 찾거나 새로운 역할에 도전하는 데 큰 도움이 될 것이다. 이 책은 포트폴리오 프로젝트를 중심으로 구성했다. 이를 통해 구체적인 목표를 달성해 실력을 증명하는 가시적인 성과물을 만들 수 있다.
1. 설계부터 배포까지 한 번에!
이 책은 요구 정의와 사용자 스토리에서 출발해 REST 선택, 데이터 모델링, 엔드포인트 설계를 차근차근 완성해 나간다. 이어서 FastAPI·SQLAlchemy·Pydantic을 활용해 타입 안정성과 유지보수성을 확보하고, OpenAPI 기반 문서를 통해 팀 협업을 더욱 정교하게 다듬는다. 회귀 테스트와 도커 컨테이너로 안정적인 릴리스 흐름을 마련한 뒤, Render와 AWS로 배포해 실제 운영 환경까지 준비한다. 마지막으로 파이썬 SDK를 PyPI에 배포해 일관된 사용 경험과 재사용성을 제공하며, API 실무의 처음부터 끝까지 한 번에 완주할 수 있도록 안내한다.
2. 만든 순간 쓰이는 마법
이 책에서 다루는 노트북·파이프라인·대시보드는 '만드는 즉시 가치가 드러나는' 실무 도구들이다. httpx 클라이언트로 API를 호출해 주피터와 pandas에서 지표를 계산하고 인사이트를 도출할 수 있으며, Airflow로 증분 수집과 의존성을 관리해 반복 가능한 데이터 파이프라인을 구축할 수 있다. 여기에 Streamlit으로 대화형 시각화를 제공하면 사용자 참여와 의사결정 속도가 동시에 높아진다. 나아가 API 소비자 관점에서의 모범 사례를 통해, 데이터가 어떻게 실제 제품 가치로 전환되는지 자연스럽게 확인할 수 있다.
3. 모델을 서비스로!
이 책은 ONNX·LangChain·챗GPT를 활용해 모델을 실제 서비스로 전환하는 과정을 일관되게 보여준다. 우선 scikit-learn 모델을 ONNX로 변환해 추론 성능과 이식성을 끌어올리고, FastAPI를 통해 예측 엔드포인트를 공개한다. 여기에 인증·인가를 더해 보안 경계를 확보하고, 운영 환경에 맞는 설정을 갖춰 실 서비스 수준으로 완성한다. 이후 LangChain과 LangGraph로 도구 호출형 에이전트를 구성해 API 오케스트레이션을 자동화하고, 챗GPT와 OAS를 연동해 대화형 워크플로까지 확장함으로써, 모델이 실제 사용자 경험으로 자연스럽게 이어지도록 돕는다.
◈ 이 책의 대상 독자 및 이 책에서 다루는 내용 ◈
이 책은 API, AI, 데이터 사이언스의 접점에 있는 내용을 다루는 만큼, 다음 세 가지 유형의 독자에게 특히 유용하다.
데이터 사이언티스트
데이터 사이언티스트(data scientist)들은 항상 API를 사용하지만, 'REST API 호출은 코드 몇 줄이면 구현할 수 있다'라는 이유로 API 사용에 대해 새로 배울 것이 없다고 생각하기 쉽다. 실제로 REST API는 호출이 간단하며, 그 점이 API 확산의 한 이유가 됐다. 하지만 안정적이고 견고하며 제공자에게 부담을 주지 않는 탄력적인 방식으로 API를 사용하려면 더 세심한 접근이 필요하다.
이 책을 통해 배울 수 있는 핵심 기술은 다음과 같다.
● API 개발 및 배포하기
● 소프트웨어 개발 키트(SDK, Software Development Kit) 및 API 클라이언트 개발하기
● 파이썬(Python) 패키지를 만들어 PyPI에 배포하기
● 머신러닝 모델을 API로 배포하기
● Streamlit 기반 데이터 애플리케이션 개발하기
● Airflow 데이터 파이프라인 구축하기
● LangChain과 챗GPT(ChatGPT)를 활용한 생성형 AI 애플리케이션 개발하기
API 개발자 및 설계자
API 개발자와 설계자는 중요한 새 사용자층을 위해 API를 강화하는 방법을 배울 수 있다. 데이터 사이언티스트가 하는 일, 수행하는 작업, 선호하는 API 기능 등을 배우게 된다. 또한 생성형 AI 애플리케이션이 API를 호출하는 방법과 API에 필요한 기능에 대해서도 배울 수 있다.
그리고 실습 예제를 통해 다음과 같은 다양하고 새로운 기술을 배울 수 있다.
● FastAPI, SQLAlchemy, Pydantic을 사용하는 파이썬 API 개발하기
● 도커(Docker)로 API 컨테이너화하기
● 클라우드 호스트에 API 배포하기
● 파이썬 SDK를 만들어 PyPI에 배포하기
● LangChain과 챗GPT를 사용해 생성형 AI 애플리케이션 개발하기
구직자 및 이직자
위에서 소개한 기술들은 현장에서 많이 필요로 하는 기술이므로, 이 기술을 배우면 데이터 사이언스나 소프트웨어 개발 분야에서 첫 직장을 찾거나 새로운 역할에 도전하는 데 큰 도움이 될 것이다. 이 책은 포트폴리오 프로젝트를 중심으로 구성했다. 이를 통해 구체적인 목표를 달성해 실력을 증명하는 가시적인 성과물을 만들 수 있다.
목차
목차
추천의 글
지은이 소개
옮긴이 소개
옮긴이의 말
들어가며
1부 | 데이터 사이언스를 위한 API 개발
1장 데이터 사이언티스트를 위한 API 만들기
데이터 사이언티스트는 API를 어떻게 활용할까?
데이터 사이언티스트는 어떤 도구를 사용할까?
데이터 사이언티스트를 위한 API 설계
1부 포트폴리오 프로젝트 소개
모든 API에는 스토리가 있다
__SportsWorldCentral 회사 소개
__SWC에 API가 필요한 이유
첫 번째 API 제품 선택
__잠재 사용자 식별
__사용자 스토리 만들기
참고 자료
요약
2장 API 아키텍처 선택
API 아키텍처 스타일
__상태 전이 표현
__GraphQL
__gRPC
__우리의 선택: REST
기술 아키텍처
2장에서 사용하는 소프트웨어
__파이썬
__GitHub
GitHub Codespace 시작하기
__GitHub 계정 만들기
__1부 저장소 복제하기
__GitHub Codespace 실행하기
__Codespace 환경 둘러보기
__첫 번째 커밋하기
참고 자료
요약
3장 데이터베이스 만들기
API 구성 요소
3장에서 사용하는 소프트웨어
__SQLite
__SQLAlchemy
__pytest
SQLite 데이터베이스 만들기
__데이터베이스 테이블 만들기
__테이블 구조 이해하기
__데이터 불러오기
파이썬을 사용해 데이터에 접근하기
__사용자 환경에 SQLAlchemy 설치하기
__데이터베이스 접근을 위한 파이썬 파일 만들기
__데이터베이스 구성 파일 만들기
__SQLAlchemy 도우미 함수 만들기
__환경에 pytest 설치하기
__SQLAlchemy 코드 테스트하기
참고 자료
요약
4장 FastAPI 코드 개발
포트폴리오 프로젝트 진행
4장에서 사용하는 소프트웨어
__FastAPI
__HTTPX
__Pydantic
__Uvicorn
3장 프로젝트 파일 복사하기
Codespace에 새 라이브러리 설치하기
API용 파이썬 파일 만들기
__Pydantic 스키마 정의하기
__FastAPI Controller 만들기
API 테스트
API 실행하기
참고 자료
요약
5장 API 문서화
신뢰 확보하기
좋은 API 문서 만들기
__핵심 기능
__추가 기능
실제 API 문서 살펴보기
__Sleeper 애플리케이션
__MyFantasyLeague
__Yahoo! 판타지 풋볼
API 내장 문서 확인하기
__4장 프로젝트 파일 복사하기
__문서화 옵션 1: Swagger UI
__문서화 옵션 2: Redoc
OAS 파일
포트폴리오 프로젝트 이어하기
__OAS info 객체에 세부 정보 추가하기
__경로 분류를 위한 태그 추가하기
__개별 엔드포인트에 세부 정보 추가하기
__쿼리 매개 변수 설명 추가하기
__Swagger UI에서 변경 사항 확인하기
__API 회귀 테스트
README.md 파일 업데이트하기
참고 자료
요약
6장 클라우드에 API 배포하기
클라우드 배포의 장점과 책임
__장점
__책임
클라우드 호스트 선택 방법
프로젝트 디렉터리 설정
GitHub Codespace를 클라우드 호스트로 사용하기
Render에 API 배포하기
__Render 계정 만들기
__새 웹 서비스 만들기
__API 변경 사항 자동 배포하기
도커 컨테이너로 애플리케이션 배포하기
__도커 주요 용어 정리
__도커 설치 여부 확인하기
__도커파일 만들기
__.dockerignore 파일 만들기
__컨테이너 이미지 빌드하기
__로컬에서 컨테이너 이미지 실행하기
AWS에 애플리케이션 배포하기
__Lightsail 컨테이너 서비스 만들기
__AWS CLI 설치하기
__Amazon Lightsail 컨테이너 서비스 플러그인 설치하기
__로그인 자격 증명 구성하기
__컨테이너 이미지를 Lightsail로 푸시하기
__Lightsail 배포 만들기
API 문서 업데이트
참고 자료
요약
7장 바로 사용할 수 있는 파이썬 SDK 만들기
SDK는 사용자와 API의 간극을 메워 준다
SDK 개발 언어 선택 전략
최소 기능 SDK로 시작하기
__전문가의 조언: SDK를 쉽게 설치하도록 만들어야 한다
__전문가의 조언: 일관되고 자연스러운 파이썬 스타일의 SDK를 만들어야 한다
다양한 기능을 갖춘 SDK 만들기
__전문가의 조언: 합리적인 기본값을 사용해야 한다
__전문가의 조언: 다양한 기능을 제공해야 한다
__전문가의 조언: 의미 있는 로그를 남겨야 한다
__전문가의 조언: API의 복잡한 세부 사항은 숨겨야 한다
__전문가의 조언: 대용량 다운로드 기능을 지원해야 한다
__전문가의 조언: SDK 문서를 만들어야 한다
__SDK 테스트
__전문가의 조언: 모든 API 작업을 SDK로 지원해야 한다
1부 프로젝트를 마무리하며
참고 자료
요약
2부 | 데이터 사이언스 프로젝트에서 API 활용하기
8장 데이터 사이언티스트가 API에 관해 알아야 할 것들
다양한 API 스타일 활용하기
HTTP 기본 사항
API를 책임감 있게 사용하는 방법
관심사 분리: API 호출 코드 분리와 SDK 활용의 중요성
API를 만드는 방법
API 테스트 방법
API 배포 및 컨테이너화
버전 관리 시스템의 중요성
2부 포트폴리오 프로젝트 소개
GitHub Codespace 실행하기
__2부 저장소 복제하기
__GitHub Codespace 실행 및 설정
로컬에서 SWC API 실행하기
참고 자료
요약
9장 데이터 분석을 위한 API 활용
스포츠 분석을 위한 사용자 정의 측정 지표
판타지 사용자 정의 측정 지표를 위한 API 데이터 소스
샤크 리그 점수 사용자 정의 측정 지표 만들기
9장에서 사용하는 소프트웨어
__httpx
__주피터 노트북
__pandas
Codespace에 새 라이브러리 설치하기
Codespace에서 API 실행하기
API 클라이언트 파일 만들기
주피터 노트북 생성 및 환경 설정
노트북 설정하기
API 데이터 활용하기
리그 균형 점수 계산
라인업 효율성 점수 계산
샤크 리그 점수 계산
참고 자료
요약
10장 데이터 파이프라인에서 API 활용하기
데이터 파이프라인의 데이터 소스 유형
데이터 파이프라인 구축 계획
Apache Airflow로 데이터 파이프라인 오케스트레이션하기
GitHub Codespace에 Apache Airflow 설치하기
로컬 분석용 데이터베이스 만들기
Codespace에서 API 실행하기
Airflow 연결 설정
첫 번째 DAG 만들기
공유 함수 만들기
DAG 실행하기
요약
11장 Streamlit 데이터 애플리케이션에서 API 사용하기
대화형 시각화로 사용자 참여 유도하기
11장에서 사용하는 소프트웨어
__nfl_data_py
__Streamlit
Streamlit 및 nfl_data_py 설치하기
Codespace에서 API 실행하기
9장 API 클라이언트 재사용하기
Streamlit 애플리케이션 만들기
진입점 파일 업데이트
Streamlit 애플리케이션 실행하기
팀 선수 명단 페이지 만들기
팀 통계 페이지 만들기
Streamlit 애플리케이션 배포하기
2부 프로젝트를 마무리하며
참고 자료
요약
3부 | API로 AI 활용하기
12장 API로 AI 활용하기
AI와 API의 접점
생성형 AI와 LLM이 사용할 API 설계하기
AI의 정의
생성형 AI와 LLM
에이전트형 AI 애플리케이션 만들기
3부 포트폴리오 프로젝트 소개
GitHub Codespace 시작하기
__3부 저장소 복제하기
__GitHub Codespace 실행 및 설정
참고 자료
요약
13장 머신러닝 API 배포하기
머신러닝 모델 학습 과정
13장에서 사용하는 소프트웨어
__ONNX Runtime
__scikit-learn
__sklearn-onnx
Codespace에 새 라이브러리 설치하기
CRISP-DM 프로세스 사용하기
비즈니스 이해
데이터 이해
데이터 준비
모델링
평가
배포
참고 자료
요약
14장 LangChain을 활용해 API 사용하기
AI를 사용해 API 호출하기(LangChain 활용)
LangGraph 에이전트 만들기
__Anthropic 가입하기
__GitHub Codespace 실행하기
Codespace에 새 라이브러리 설치하기
주피터 노트북 만들기
LangGraph 에이전트와 대화하기
로컬에서 SWC API 실행하기
swcpy SDK 설치하기
LangChain 툴킷 만들기
AI를 사용해 API 호출하기(LangGraph 활용)
에이전트와 대화하기(도구 사용)
참고 자료
요약
15장 챗GPT를 사용해 API 호출하기
애플리케이션 아키텍처
챗GPT 시작하기
사용자 정의 GPT 만들기
GitHub Codespace 실행하기
GitHub Codespace에서 SWC API 실행하기
OAS 파일에 서버 정보 추가하기
GPT 작업 만들기
GPT에서 API 테스트하기
사용자 정의 GPT와 대화하기
3부 포트폴리오 프로젝트 마무리
요약
찾아보기
지은이 소개
옮긴이 소개
옮긴이의 말
들어가며
1부 | 데이터 사이언스를 위한 API 개발
1장 데이터 사이언티스트를 위한 API 만들기
데이터 사이언티스트는 API를 어떻게 활용할까?
데이터 사이언티스트는 어떤 도구를 사용할까?
데이터 사이언티스트를 위한 API 설계
1부 포트폴리오 프로젝트 소개
모든 API에는 스토리가 있다
__SportsWorldCentral 회사 소개
__SWC에 API가 필요한 이유
첫 번째 API 제품 선택
__잠재 사용자 식별
__사용자 스토리 만들기
참고 자료
요약
2장 API 아키텍처 선택
API 아키텍처 스타일
__상태 전이 표현
__GraphQL
__gRPC
__우리의 선택: REST
기술 아키텍처
2장에서 사용하는 소프트웨어
__파이썬
__GitHub
GitHub Codespace 시작하기
__GitHub 계정 만들기
__1부 저장소 복제하기
__GitHub Codespace 실행하기
__Codespace 환경 둘러보기
__첫 번째 커밋하기
참고 자료
요약
3장 데이터베이스 만들기
API 구성 요소
3장에서 사용하는 소프트웨어
__SQLite
__SQLAlchemy
__pytest
SQLite 데이터베이스 만들기
__데이터베이스 테이블 만들기
__테이블 구조 이해하기
__데이터 불러오기
파이썬을 사용해 데이터에 접근하기
__사용자 환경에 SQLAlchemy 설치하기
__데이터베이스 접근을 위한 파이썬 파일 만들기
__데이터베이스 구성 파일 만들기
__SQLAlchemy 도우미 함수 만들기
__환경에 pytest 설치하기
__SQLAlchemy 코드 테스트하기
참고 자료
요약
4장 FastAPI 코드 개발
포트폴리오 프로젝트 진행
4장에서 사용하는 소프트웨어
__FastAPI
__HTTPX
__Pydantic
__Uvicorn
3장 프로젝트 파일 복사하기
Codespace에 새 라이브러리 설치하기
API용 파이썬 파일 만들기
__Pydantic 스키마 정의하기
__FastAPI Controller 만들기
API 테스트
API 실행하기
참고 자료
요약
5장 API 문서화
신뢰 확보하기
좋은 API 문서 만들기
__핵심 기능
__추가 기능
실제 API 문서 살펴보기
__Sleeper 애플리케이션
__MyFantasyLeague
__Yahoo! 판타지 풋볼
API 내장 문서 확인하기
__4장 프로젝트 파일 복사하기
__문서화 옵션 1: Swagger UI
__문서화 옵션 2: Redoc
OAS 파일
포트폴리오 프로젝트 이어하기
__OAS info 객체에 세부 정보 추가하기
__경로 분류를 위한 태그 추가하기
__개별 엔드포인트에 세부 정보 추가하기
__쿼리 매개 변수 설명 추가하기
__Swagger UI에서 변경 사항 확인하기
__API 회귀 테스트
README.md 파일 업데이트하기
참고 자료
요약
6장 클라우드에 API 배포하기
클라우드 배포의 장점과 책임
__장점
__책임
클라우드 호스트 선택 방법
프로젝트 디렉터리 설정
GitHub Codespace를 클라우드 호스트로 사용하기
Render에 API 배포하기
__Render 계정 만들기
__새 웹 서비스 만들기
__API 변경 사항 자동 배포하기
도커 컨테이너로 애플리케이션 배포하기
__도커 주요 용어 정리
__도커 설치 여부 확인하기
__도커파일 만들기
__.dockerignore 파일 만들기
__컨테이너 이미지 빌드하기
__로컬에서 컨테이너 이미지 실행하기
AWS에 애플리케이션 배포하기
__Lightsail 컨테이너 서비스 만들기
__AWS CLI 설치하기
__Amazon Lightsail 컨테이너 서비스 플러그인 설치하기
__로그인 자격 증명 구성하기
__컨테이너 이미지를 Lightsail로 푸시하기
__Lightsail 배포 만들기
API 문서 업데이트
참고 자료
요약
7장 바로 사용할 수 있는 파이썬 SDK 만들기
SDK는 사용자와 API의 간극을 메워 준다
SDK 개발 언어 선택 전략
최소 기능 SDK로 시작하기
__전문가의 조언: SDK를 쉽게 설치하도록 만들어야 한다
__전문가의 조언: 일관되고 자연스러운 파이썬 스타일의 SDK를 만들어야 한다
다양한 기능을 갖춘 SDK 만들기
__전문가의 조언: 합리적인 기본값을 사용해야 한다
__전문가의 조언: 다양한 기능을 제공해야 한다
__전문가의 조언: 의미 있는 로그를 남겨야 한다
__전문가의 조언: API의 복잡한 세부 사항은 숨겨야 한다
__전문가의 조언: 대용량 다운로드 기능을 지원해야 한다
__전문가의 조언: SDK 문서를 만들어야 한다
__SDK 테스트
__전문가의 조언: 모든 API 작업을 SDK로 지원해야 한다
1부 프로젝트를 마무리하며
참고 자료
요약
2부 | 데이터 사이언스 프로젝트에서 API 활용하기
8장 데이터 사이언티스트가 API에 관해 알아야 할 것들
다양한 API 스타일 활용하기
HTTP 기본 사항
API를 책임감 있게 사용하는 방법
관심사 분리: API 호출 코드 분리와 SDK 활용의 중요성
API를 만드는 방법
API 테스트 방법
API 배포 및 컨테이너화
버전 관리 시스템의 중요성
2부 포트폴리오 프로젝트 소개
GitHub Codespace 실행하기
__2부 저장소 복제하기
__GitHub Codespace 실행 및 설정
로컬에서 SWC API 실행하기
참고 자료
요약
9장 데이터 분석을 위한 API 활용
스포츠 분석을 위한 사용자 정의 측정 지표
판타지 사용자 정의 측정 지표를 위한 API 데이터 소스
샤크 리그 점수 사용자 정의 측정 지표 만들기
9장에서 사용하는 소프트웨어
__httpx
__주피터 노트북
__pandas
Codespace에 새 라이브러리 설치하기
Codespace에서 API 실행하기
API 클라이언트 파일 만들기
주피터 노트북 생성 및 환경 설정
노트북 설정하기
API 데이터 활용하기
리그 균형 점수 계산
라인업 효율성 점수 계산
샤크 리그 점수 계산
참고 자료
요약
10장 데이터 파이프라인에서 API 활용하기
데이터 파이프라인의 데이터 소스 유형
데이터 파이프라인 구축 계획
Apache Airflow로 데이터 파이프라인 오케스트레이션하기
GitHub Codespace에 Apache Airflow 설치하기
로컬 분석용 데이터베이스 만들기
Codespace에서 API 실행하기
Airflow 연결 설정
첫 번째 DAG 만들기
공유 함수 만들기
DAG 실행하기
요약
11장 Streamlit 데이터 애플리케이션에서 API 사용하기
대화형 시각화로 사용자 참여 유도하기
11장에서 사용하는 소프트웨어
__nfl_data_py
__Streamlit
Streamlit 및 nfl_data_py 설치하기
Codespace에서 API 실행하기
9장 API 클라이언트 재사용하기
Streamlit 애플리케이션 만들기
진입점 파일 업데이트
Streamlit 애플리케이션 실행하기
팀 선수 명단 페이지 만들기
팀 통계 페이지 만들기
Streamlit 애플리케이션 배포하기
2부 프로젝트를 마무리하며
참고 자료
요약
3부 | API로 AI 활용하기
12장 API로 AI 활용하기
AI와 API의 접점
생성형 AI와 LLM이 사용할 API 설계하기
AI의 정의
생성형 AI와 LLM
에이전트형 AI 애플리케이션 만들기
3부 포트폴리오 프로젝트 소개
GitHub Codespace 시작하기
__3부 저장소 복제하기
__GitHub Codespace 실행 및 설정
참고 자료
요약
13장 머신러닝 API 배포하기
머신러닝 모델 학습 과정
13장에서 사용하는 소프트웨어
__ONNX Runtime
__scikit-learn
__sklearn-onnx
Codespace에 새 라이브러리 설치하기
CRISP-DM 프로세스 사용하기
비즈니스 이해
데이터 이해
데이터 준비
모델링
평가
배포
참고 자료
요약
14장 LangChain을 활용해 API 사용하기
AI를 사용해 API 호출하기(LangChain 활용)
LangGraph 에이전트 만들기
__Anthropic 가입하기
__GitHub Codespace 실행하기
Codespace에 새 라이브러리 설치하기
주피터 노트북 만들기
LangGraph 에이전트와 대화하기
로컬에서 SWC API 실행하기
swcpy SDK 설치하기
LangChain 툴킷 만들기
AI를 사용해 API 호출하기(LangGraph 활용)
에이전트와 대화하기(도구 사용)
참고 자료
요약
15장 챗GPT를 사용해 API 호출하기
애플리케이션 아키텍처
챗GPT 시작하기
사용자 정의 GPT 만들기
GitHub Codespace 실행하기
GitHub Codespace에서 SWC API 실행하기
OAS 파일에 서버 정보 추가하기
GPT 작업 만들기
GPT에서 API 테스트하기
사용자 정의 GPT와 대화하기
3부 포트폴리오 프로젝트 마무리
요약
찾아보기
저자
저자
라이언 데이
Ryan Day
미국 주립은행 감독관 협의회(CSBS, Conference of State Bank Supervisors)의 선임 데이터 사이언티스트다. 연방기관 디지털 서비스 부서에서 클라우드, 데이터 사이언스, API 개발을 이끌었으며, FastAPI 프로젝트에서 코드 리뷰와 QA 활동도 하고 있다.
AWS 솔루션스 아키텍트(solutions architect) 자격증을 보유하고 있으며, 미국 비즈니스 경제학 협회(National Association of Business Economics) 회원이다. 흥미로운 데이터를 끊임없이 생성하는 판타지 풋볼이 본인이 오랫동안 몰두해 온 주제이기 때문에, 데이터 사이언스 및 코딩 프로젝트에 판타지 풋볼을 적극적으로 활용하고 있다.
미국 주립은행 감독관 협의회(CSBS, Conference of State Bank Supervisors)의 선임 데이터 사이언티스트다. 연방기관 디지털 서비스 부서에서 클라우드, 데이터 사이언스, API 개발을 이끌었으며, FastAPI 프로젝트에서 코드 리뷰와 QA 활동도 하고 있다.
AWS 솔루션스 아키텍트(solutions architect) 자격증을 보유하고 있으며, 미국 비즈니스 경제학 협회(National Association of Business Economics) 회원이다. 흥미로운 데이터를 끊임없이 생성하는 판타지 풋볼이 본인이 오랫동안 몰두해 온 주제이기 때문에, 데이터 사이언스 및 코딩 프로젝트에 판타지 풋볼을 적극적으로 활용하고 있다.
Payment & Security
Payment methods
Your payment information is processed securely. We do not store credit card details nor have access to your credit card information.

