🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان 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 (100 موضوع)

• 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

Google Cloud Platform: تحلیل داده‌های بلادرنگ با هوش مصنوعی پیشرفته

در دنیای امروز، داده‌ها پادشاه هستند! اما داده‌ها به تنهایی ارزشی ندارند. آنچه ارزش‌آفرین است، توانایی تحلیل و استخراج بینش از این داده‌ها در لحظه است. تصورش را بکنید که می‌توانید با تحلیل داده‌های بلادرنگ، تصمیمات هوشمندانه‌تری بگیرید، از رقبا پیشی بگیرید و تجربه کاربری فوق‌العاده‌ای برای مشتریانتان خلق کنید.

دوره آموزشی "Google Cloud Platform: توسعه برنامه تحلیل داده‌های بلادرنگ با استفاده از تکنیک‌های پیشرفته هوش مصنوعی و یادگیری ماشین" به شما کمک می‌کند تا با استفاده از ابزارها و سرویس‌های قدرتمند Google Cloud Platform (GCP)، به این هدف دست یابید. این دوره جامع، شما را از یک مبتدی به یک متخصص تبدیل می‌کند و به شما امکان می‌دهد تا برنامه‌های تحلیل داده‌های بلادرنگ را با بالاترین کیفیت و کارایی توسعه دهید.

درباره دوره

این دوره یک برنامه آموزشی جامع است که به شما نحوه استفاده از GCP برای ساخت، استقرار و مدیریت برنامه‌های تحلیل داده‌های بلادرنگ را آموزش می‌دهد. شما یاد خواهید گرفت که چگونه داده‌ها را از منابع مختلف جمع‌آوری کنید، آن‌ها را پردازش و تحلیل کنید، و نتایج را به صورت بصری به نمایش بگذارید. همچنین، تکنیک‌های پیشرفته هوش مصنوعی و یادگیری ماشین را برای بهبود دقت و کارایی تحلیل داده‌های خود فرا خواهید گرفت.

موضوعات کلیدی

• مقدمه‌ای بر Google Cloud Platform (GCP)
• معماری و اجزای اصلی GCP
• جمع‌آوری و پردازش داده‌ها با Cloud Dataflow
• ذخیره‌سازی داده‌ها در Cloud Storage و BigQuery
• تحلیل داده‌ها با BigQuery و Dataproc
• ساخت داشبوردهای بصری با Looker
• استفاده از هوش مصنوعی و یادگیری ماشین با Cloud AI Platform
• استفاده از TensorFlow و Keras در GCP
• ساخت مدل‌های یادگیری ماشین و استقرار آن‌ها در Cloud AI Platform
• مقیاس‌پذیری و امنیت برنامه‌های تحلیل داده در GCP
• پردازش داده های جریانی با Cloud Pub/Sub و Apache Beam

مخاطبان دوره

این دوره برای افراد زیر مناسب است:

• توسعه‌دهندگان نرم‌افزار
• مهندسان داده
• دانشمندان داده
• تحلیلگران کسب و کار
• معماران راه‌حل
• افرادی که علاقه‌مند به یادگیری تحلیل داده‌های بلادرنگ با GCP هستند

چرا این دوره را بگذرانیم؟

گذراندن این دوره به شما کمک می‌کند:

• مهارت‌های ارزشمندی در زمینه تحلیل داده‌های بلادرنگ کسب کنید
• با ابزارها و سرویس‌های قدرتمند GCP آشنا شوید
• توانایی ساخت و استقرار برنامه‌های تحلیل داده‌های بلادرنگ را به دست آورید
• فرصت‌های شغلی جدیدی در زمینه داده و هوش مصنوعی پیدا کنید
• با استفاده از هوش مصنوعی، تصمیمات بهتری بگیرید و عملکرد کسب و کار خود را بهبود بخشید
• با یک سرمایه گذاری آموزشی، آینده شغلی خود را تضمین کنید.
• از سایر رقبا متمایز شوید و در زمینه تحلیل داده های پیشرفته یک متخصص شوید.

سرفصل‌های دوره

این دوره شامل بیش از 100 سرفصل جامع است که شما را به طور کامل با GCP و تحلیل داده‌های بلادرنگ آشنا می‌کند. برخی از مهم‌ترین سرفصل‌ها عبارتند از:

• بخش اول: آشنایی با Google Cloud Platform (GCP)
• مقدمه‌ای بر رایانش ابری و GCP
• ایجاد حساب کاربری در GCP
• معرفی کنسول GCP
• مدیریت پروژه‌ها در GCP
• آشنایی با سرویس‌های اصلی GCP (Compute Engine, Cloud Storage, BigQuery, Cloud Functions, etc.)
• مدیریت هویت و دسترسی (IAM)
• بخش دوم: ذخیره‌سازی داده در GCP
• Cloud Storage: ذخیره‌سازی اشیاء در مقیاس بالا
• BigQuery: انبار داده ابری برای تحلیل داده‌های بزرگ
• Cloud SQL: پایگاه داده رابطه‌ای ابری (MySQL, PostgreSQL, SQL Server)
• Cloud Datastore: پایگاه داده NoSQL برای برنامه‌های وب و موبایل
• Cloud Spanner: پایگاه داده توزیع شده جهانی با سازگاری ACID
• بخش سوم: پردازش داده با GCP
• Cloud Dataflow: پردازش داده‌های جریانی و دسته‌ای در مقیاس بالا
• Cloud Dataproc: اجرای Apache Hadoop و Apache Spark در GCP
• Cloud Functions: اجرای توابع بدون سرور در پاسخ به رویدادها
• Cloud Composer: مدیریت گردش کار داده‌ها با Apache Airflow
• Data Fusion: یکپارچه‌سازی داده‌ها با استفاده از یک رابط کاربری بصری
• بخش چهارم: تحلیل داده با GCP
• BigQuery: اجرای کوئری‌های SQL بر روی داده‌های بزرگ
• Data Studio: ساخت داشبوردها و گزارش‌های تعاملی
• Looker: پلتفرم هوش تجاری برای تحلیل داده‌ها و به اشتراک‌گذاری بینش‌ها
• AI Platform: ساخت، آموزش و استقرار مدل‌های یادگیری ماشین
• AutoML: ساخت مدل‌های یادگیری ماشین بدون نیاز به کدنویسی
• بخش پنجم: هوش مصنوعی و یادگیری ماشین در GCP
• TensorFlow: چارچوب متن‌باز برای یادگیری ماشین
• Keras: API سطح بالا برای ساخت شبکه‌های عصبی
• PyTorch: چارچوب یادگیری ماشین محبوب
• Cloud Vision API: تشخیص اشیاء، چهره‌ها و متن در تصاویر
• Cloud Natural Language API: تحلیل متن و استخراج اطلاعات
• Cloud Speech-to-Text API: تبدیل گفتار به متن
• Cloud Translation API: ترجمه متن بین زبان‌های مختلف
• بخش ششم: داده های جریانی و real time
• Cloud Pub/Sub
• Apache Beam
• Kafka on GCP
• ساخت pipeline های تحلیل داده جریانی
• بخش هفتم: مباحث تکمیلی
• امنیت در GCP
• مانیتورینگ و لاگینگ
• بهینه‌سازی عملکرد
• هزینه‌یابی GCP
• پیاده‌سازی پروژه‌های عملی
• مثال های واقعی از کاربرد تحلیل داده در صنعت