🔒 阿Han的軟體心法實戰營
5公開內容
42私密內容
嗨！ 大家好，我是阿Han，歡迎來到「🔒 阿Han的軟體心法實戰營」，這裡將會手把手帶你系統化的學習軟體開發技能，並透過實戰來加深學習成效，邊學邊做能夠讓您在職涯上一帆風順，成為獨當一面的技術專家。
這裡主要會以Python程式語言進行示範。
全部內容
免費與付費
最新發佈優先
限時公開
我們在「【🔒 Python API框架篇 - FastAPI】Ep.1 啟航」稍微帶大家認識了FastAPI這個框架， 它讓我們快速的架設一個API服務， 並提供了許多標準化功能， 只要照著規範走就能快速的開發出來， 但開發出來之後， 我們會希望開放給一般使用者使用， 而一般使用者較能夠操作的媒介
付費限定
我們在「【🔒 Python API框架篇 - FastAPI】Ep.1 啟航」稍微帶大家認識了FastAPI這個框架， 它讓我們快速的架設一個API服務， 並提供了許多標準化功能， 只要照著規範走就能快速的開發出來， 但我們除了能開發出應用之外， 也要設計的更人性化一點， API最重要的就是路由了
付費限定
API是我們與其他系統介接的標準化規格， 那一份好的規格勢必要能夠達到引導與驗證的作用， 避免對方介接錯誤， 引發後續的災難性損失， 因此這一章節就是要教我們如何定義每個API的欄位怎麼填？ 資料型態是什麼？ 以及如何生成API文件。
我們在「【🔒 Python API框架篇 - Fas
付費限定
我們在「【🔒 Message Queue - Kafka】不斷的試誤…, 用Docker來嘗試安裝Kafka」有分享過如何透過docker來架設kafka， 那麼在產品化的階段， 我們可能會預先規劃主題(topic)要有多少個partitions…等的配置， 基於一鍵啟動懶人包的原則， 我們希望按
付費限定
我們在「【🔒 MLOps - Airflow】使用docker compose架設Airflow」教您如何使用docker compose架設一個Airflow環境， 接著我們要教您如何進到容器內開發DAG， 正所謂工欲善其事必先利其器， 就是要先把事前先把工具給整治好， 讓後續的作業順利進行，
付費限定
我們在「【🔒 MLOps - Airflow】使用docker compose架設Airflow」有教您如何使用Docker來架設Airflow的環境， 而這個章節我們準備在DAG的流程中設計一個呼叫Docker去執行作業的節點， 這對於我們容器化的工作流會非常有幫助， 而且運行過程中也減少對主機
付費限定
為什麼我們只推薦docker的環境？ 因為透過容器化可以讓我們各個組件安裝的套件各自獨立， 不會發生早期常常衝突的狀況， 當然我們也可以用conda來隔開， 但它的層面僅限於python環境， 我們需要的是整個os環境， 因此docker會是我們優先考慮的選項之一。
👉 在我們開始之前…
付費限定
我們在「【MLOps - MLflow】AI模型實驗管理的超入門簡介」有介紹到模型實驗的追蹤管理平台， 雖然可以幫助我們自動化記錄實驗參數、模型…等數據， 但我們也會希望模型的訓練可以更加的自動化， 而Airflow正好就具備流程設計與管理的功能， 我們可以彈性的設計在某個時間點從某個數據集自動訓練
歡迎來到我們的「🏫 Python 先修班」系列， 這裡面涵蓋了我們入門Python的技巧與教學， 以下是我們為您整理的閱讀順序， 也非常感謝您的支持， 期望透過簡單易懂的知識分享， 讓我們快速入門Python這門語言， 與業界正式接軌。
【🔒 Python 先修班】我應該怎麼開始學Pytho
付費限定
Generator能夠讓我們在需要資料時才產生資料， 原理很像Kafka的Consumer， 它在處理大量數據時非常的有幫助， 讓我們資料一小塊一小塊的流到目的地， 流式的設計對於串流的應用程式來說非常的重要， 如果您正在設計一套串流的應用程式， 那麼學好Generator會非常的重要， 除了讓
付費限定
上集回顧「【🔒Message Queue - Kafka】Schema Registry EP.1 傳輸訊息的標準格式制定者 」， 我們在文章中有提到當Schema升級時， 會衍生一些問題， 那這些問題主要是Schema Registry會根據我們的相容性策略來驗證新版的Schema是否合法， 這
付費限定
我們在「【Message Queue - Kafka】串流時代的超入門簡介」有介紹到關於Kafka的基礎概念， 那麼本章節主要著重於生產者(Producer)的面向來細部探討， 看看生產者(Producer)究竟是什麼？ 有哪些應該要注意的？
我們今天的主題除了說明生產者(Producer)的
付費限定
我們在「【Message Queue - Kafka】不斷的試誤…, 用Docker來嘗試安裝Kafka」有介紹如何架設kafka， 其中我們使用環境變數來進行kafka的配置， 但除了環境變數之外， 其實還能夠用檔案配置的方式來對kafka進行配置， 如此一來我們就可以將配置檔與啟動檔完全分開，
付費限定
序幕
又來到一年一度的年中的時刻了， 不免得要來復盤一下今年的軟體學習與開發上面有了哪些的進步與轉變， 很有意思的是今年加入了AI的元素， 其實早在去年我們就分享了一篇「【🔒 江湖一點訣】關於寫作，你不需要很厲害才開始，但你從現在開始就可以很厲害」， 裡面包含了我們長期累積的心得之外， 早就已經
付費限定
上集回顧
上集我們提到「【語音辨識引擎sherpa-onnx CPU上篇】讓您輕鬆體驗語音辨識功能(Docker架設)」， 相信大家對於sherpa-onnx具備一定的基本概念並學會如何架設了吧！ 如果還不會的兄弟姊妹們別擔心， 歡迎底下留言， 我們會盡量的協助您直到學會為止， 那麼雖然CPU版本
還記得我們之前介紹過「【Google Colab Python系列】 初探Whisper: 來一段Youtube影片進行語音辨識吧！」這套語音辨識引擎， 那為什麼我們又要教這一套? 因為我們也可以將whisper的模型轉換成onnx的格式， 輕鬆移植到各種平台， 且效能更佳。
語音辨識的熱門組件之
付費限定
KSQL引擎， 串流形式的SQL？ 聽了應該霧煞煞吧！ 想像一下傳統的SQL， 是不是一個指令一個動作， 每發送一個指令之後就必須等到查詢/寫入…動作皆完成之後才回應， 然而在Streaming的應用上這顯然不太可行， 每分每秒都有資料流入的情境下， 資料的狀態都在變化， 假設我們一個指令一個動作，
付費限定
為什麼會有Schema Registry的出現？
因為Kafka的零拷貝原則， 也就是kafka本身並不會去碰觸到訊息也不進行資料驗證， 而是bypass的傳送， 預設都以位元組來傳輸資料會比較有效率， 但位元組誰看得懂啊...。
加上Kafka的特性是生產者與消費者並不能直接溝通， 因
付費限定
連接器故名思議就是兩個系統之間的橋樑， 而Kafka Connect正是扮演著這樣的角色， 如圖上， 我們可以透過Kafka Connect將SQL的資料導出到Kafka並導入到MySQL。
豐富的Plugin
Confluent Hub提供了各式各樣的外掛套件， 包括了MongoDB、My
付費限定
我們在「【🎓 Python的深度問答集】torchaudio 對部分段落進行音訊解碼」有分享到如何對一包包的封包進行音訊解碼， 但隨著音檔越大， 最終解碼的速度會越來越慢， 而這並非串流的本意， 串流應該就像水管一樣， 收到多少資料就運算多少量， 並不會隨著累積的容量越大而導致效能下降。
但實際
