يركّز هذا المقرر على عملية نشر نماذج التعلم الآلي في البيئات الحقيقية. سيتعلم المشاركون كيفية الانتقال من مرحلة تطوير النموذج إلى مرحلة التشغيل الفعلي، باستخدام أدوات وتقنيات مثل تغليف النماذج (Docker)، إنشاء واجهات برمجية (FastAPI)، ومنصات النشر السحابية. يُعد هذا المقرر مناسبًا لمن لديهم خبرة سابقة في التعلم الآلي ويرغبون في نقل نماذجهم إلى مستوى الإنتاج الفعلي.

فهم مفهوم الـ API ودوره في ربط التطبيقات وتبادل البيانات بينها.

شرح خصائص ومزايا FastAPI كإطار عمل حديث وعالي الأداء لبناء واجهات برمجية بلغة Python.

إنشاء نقطة نهاية (Endpoint) باستخدام FastAPI لتقديم نموذج تعلم آلي محفوظ.

كتابة ملف Dockerfile وتشغيل نموذج FastAPI في حاوية (Container) لتمكين نشره في بيئة إنتاجية.

تفسير وتوظيف التوثيق التلقائي (Auto-generated API Docs) الذي توفره FastAPI لتحسين تجربة المستخدم والمطور.

علماء البيانات (Data Scientists): الذين يرغبون في توسيع مهاراتهم لتشمل نشر النماذج وتشغيلها في بيئات الإنتاج.

مهندسو التعلم الآلي (Machine Learning Engineers): المهتمون بتحسين كفاءة وموثوقية عمليات النشر ومراقبة النماذج.

مطورو البرمجيات (Software Developers): الذين يعملون على دمج نماذج الذكاء الاصطناعي في التطبيقات والخدمات.

محللو البيانات المتقدمون (Advanced Data Analysts): الذين يرغبون في الانتقال من التحليل إلى بناء ونشر حلول تنبؤية.

المهنيون في مجال تكنولوجيا المعلومات (IT Professionals): ممن يسعون لفهم البنية التحتية المطلوبة لتشغيل نماذج التعلم الآلي.

طلاب الدراسات العليا في علوم البيانات أو الذكاء الاصطناعي: الذين يسعون إلى اكتساب خبرة عملية في نشر النماذج.

معرفة أساسية إلى متوسطة في تعلم الآلة (Machine Learning).

خبرة عملية في لغة Python.

القدرة على العمل في بيئة تطوير البرمجيات.