اپلیکیشن اندرویدی فلش‌کارت آموزشی Google Cloud Platform: Real-time Data Analysis Application Development with Advanced AI and Machine Learning Techniques

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: Real-time Data Analysis Application Development with Advanced AI and Machine Learning Techniques

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Cloud Computing و GCP
• 2. آشنایی با کنسول Google Cloud، پروژه‌ها و صورتحساب
• 3. مفاهیم اصلی Identity and Access Management (IAM)
• 4. نقش‌ها و مجوزهای IAM
• 5. حساب‌های خدماتی (Service Accounts) و بهترین شیوه‌های استفاده
• 6. مبانی شبکه‌های مجازی (VPC)
• 7. زیرشبکه‌ها (Subnets) و قوانین فایروال (Firewall Rules)
• 8. مقدمه‌ای بر Cloud Storage: باکت‌ها و اشیاء
• 9. کلاس‌های ذخیره‌سازی و مدیریت چرخه حیات در Cloud Storage
• 10. آشنایی با Compute Engine و ماشین‌های مجازی
• 11. مدیریت و پیکربندی نمونه‌های Compute Engine
• 12. استفاده از Cloud Shell و ابزار خط فرمان gcloud
• 13. مقدمه‌ای بر کیت‌های توسعه نرم‌افزار (SDKs) در GCP
• 14. مدیریت هزینه‌ها و بودجه‌بندی در GCP
• 15. معماری‌های داده‌های بی‌درنگ (Real-time)
• 16. آشنایی با Google Cloud Pub/Sub
• 17. مفاهیم Pub/Sub: موضوعات (Topics) و اشتراک‌ها (Subscriptions)
• 18. چرخه حیات یک پیام در Pub/Sub
• 19. انتشار پیام‌ها در Pub/Sub به صورت برنامه‌نویسی
• 20. مصرف پیام‌ها از Pub/Sub
• 21. مدیریت اسکما (Schema) در Pub/Sub
• 22. مقدمه‌ای بر BigQuery به عنوان انبار داده
• 23. معماری BigQuery: جداسازی محاسبات و ذخیره‌سازی
• 24. انواع داده و طراحی اسکما در BigQuery
• 25. بارگذاری دسته‌ای داده‌ها در BigQuery
• 26. درج جریانی (Streaming Inserts) داده‌ها در BigQuery
• 27. آشنایی با Cloud Spanner برای سازگاری جهانی
• 28. آشنایی با Cloud Firestore برای داده‌های اپلیکیشن
• 29. آشنایی با Cloud SQL برای پایگاه‌های داده رابطه‌ای
• 30. انتخاب پایگاه داده مناسب در GCP برای تحلیل بی‌درنگ
• 31. مقدمه‌ای بر Cloud Dataflow
• 32. مدل برنامه‌نویسی Apache Beam
• 33. مفاهیم پنجره‌بندی (Windowing) در Dataflow
• 34. محرک‌ها (Triggers) در پردازش جریانی
• 35. پیاده‌سازی یک پایپ‌لاین جریانی ساده در Dataflow
• 36. استفاده از Cloud Functions برای پردازش رویداد محور
• 37. فعال‌سازی Cloud Functions از طریق Pub/Sub
• 38. استفاده از Cloud Run برای کانتینرهای بدون سرور
• 39. ساخت یک سرویس پردازش داده با Cloud Run
• 40. مقایسه Dataflow، Cloud Functions و Cloud Run
• 41. مدیریت فراداده با Data Catalog
• 42. تبدیل داده‌های بصری با Dataprep
• 43. مدیریت خطا در پایپ‌لاین‌های جریانی
• 44. مقیاس‌پذیری خودکار (Autoscaling) در Dataflow
• 45. استفاده از قالب‌های Dataflow برای پایپ‌لاین‌های قابل استفاده مجدد
• 46. دستورات پیشرفته SQL در BigQuery
• 47. توابع تعریف شده توسط کاربر (UDFs) در BigQuery
• 48. بهینه‌سازی عملکرد و هزینه در BigQuery
• 49. آشنایی با BigQuery ML (BQML)
• 50. پارتیشن‌بندی و خوشه‌بندی جداول در BigQuery
• 51. مدیریت وظایف (Jobs) در BigQuery
• 52. استفاده از BigQuery Omni برای تحلیل چند ابری
• 53. اتصال BigQuery به Looker Studio (Data Studio)
• 54. ساخت داشبوردهای بی‌درنگ با داده‌های BigQuery
• 55. استفاده از BigQuery Storage Read/Write APIs
• 56. مروری بر هوش مصنوعی و یادگیری ماشین در GCP
• 57. استفاده از Vision AI API برای تحلیل تصویر
• 58. استفاده از Video Intelligence AI API
• 59. استفاده از Natural Language AI API برای تحلیل متن
• 60. استفاده از Translation AI API
• 61. استفاده از Speech-to-Text API
• 62. استفاده از Text-to-Speech API
• 63. آشنایی با Recommendations AI
• 64. آشنایی با Document AI
• 65. ادغام API‌های هوش مصنوعی در اپلیکیشن‌ها
• 66. مقدمه‌ای بر پلتفرم Vertex AI
• 67. مجموعه داده‌ها در Vertex AI: مدیریت داده‌های آموزشی
• 68. اصول مهندسی ویژگی (Feature Engineering)
• 69. آشنایی با Vertex AI Feature Store
• 70. استفاده از AutoML Tables برای داده‌های ساختاریافته
• 71. استفاده از AutoML Vision برای طبقه‌بندی تصاویر
• 72. استفاده از AutoML Text برای وظایف پردازش زبان طبیعی
• 73. آموزش سفارشی با کانتینرهای از پیش ساخته شده
• 74. آموزش سفارشی با کانتینرهای سفارشی
• 75. تنظیم فراپارامترها (Hyperparameter Tuning) در Vertex AI
• 76. ردیابی اجراها با Vertex AI Experiments
• 77. استقرار مدل‌ها با Vertex AI Endpoints
• 78. مقایسه پیش‌بینی آنلاین و دسته‌ای
• 79. درک توضیحات پیش‌بینی (Explainable AI)
• 80. ادغام مدل‌های سفارشی در پایپ‌لاین‌های داده
• 81. اصول MLOps در GCP
• 82. مقدمه‌ای بر Vertex AI Pipelines (مبتنی بر Kubeflow)
• 83. ساخت یک پایپ‌لاین آموزشی ساده
• 84. خودکارسازی استقرار مدل با پایپ‌لاین‌ها
• 85. استفاده از Vertex AI Model Registry
• 86. نظارت بر مدل برای تشخیص انحراف (Drift & Skew)
• 87. CI/CD برای سیستم‌های یادگیری ماشین با Cloud Build
• 88. استفاده از Artifact Registry برای کانتینرها و بسته‌ها
• 89. فعال‌سازی پایپ‌لاین‌های یادگیری ماشین
• 90. بهترین شیوه‌ها برای یادگیری ماشین در محیط پروداکشن
• 91. معماری یک اپلیکیشن هوش مصنوعی بی‌درنگ
• 92. ساخت یک REST API با Cloud Run
• 93. احراز هویت کاربران با Identity-Aware Proxy (IAP)
• 94. استفاده از GCP SDKs در زبان‌های برنامه‌نویسی مختلف
• 95. استقرار یک اپلیکیشن Full-Stack
• 96. اتصال بخش کاربری (Frontend) به سرویس‌های بک‌اند
• 97. احراز هویت سرویس به سرویس
• 98. نظارت بر اپلیکیشن‌ها با Cloud Monitoring و Alerting
• 99. لاگ‌گیری متمرکز با Cloud Logging
• 100. دیباگ و ردیابی با Cloud Trace و Debugger