اپلیکیشن اندرویدی فلشکارت آموزشی Google Cloud Platform: راهنمای معماری های داده محور
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره Google Cloud Platform: راهنمای معماری های داده محور
موضوع کلی: برنامه نویسی
موضوع میانی: Google Cloud Platform (GCP)
📋 سرفصلهای دوره
- 1. مقدمه ای بر Google Cloud Platform برای متخصصان داده
- 2. مرور کلی سرویسهای اصلی GCP برای معماران داده
- 3. ناوبری در کنسول GCP و ساختار پروژه
- 4. آشنایی با مدیریت هویت و دسترسی (IAM) در GCP
- 5. سلسله مراتب منابع و سازماندهی در GCP
- 6. مبانی رابط خط فرمان (CLI) و Cloud SDK
- 7. اصول شبکه: VPC، Subnetها و Firewallها
- 8. معرفی Cloud Storage: مفاهیم ذخیره سازی ابژکت
- 9. مدیریت Bucketها و ابژکتها در Cloud Storage
- 10. کلاسهای ذخیره سازی و مدیریت چرخه عمر ابژکت
- 11. امنیت دادهها در Cloud Storage: رمزگذاری و کنترل دسترسی
- 12. معرفی Cloud SQL: پایگاههای داده رابطهای مدیریت شده
- 13. راهاندازی و مدیریت نمونههای Cloud SQL (PostgreSQL/MySQL)
- 14. دسترسی بالا (High Availability) و بازیابی فاجعه (Disaster Recovery) برای Cloud SQL
- 15. Cloud Spanner: پایگاه داده رابطهای با مقیاسپذیری افقی
- 16. معرفی Firestore: پایگاه داده NoSQL مبتنی بر سند
- 17. مدلسازی داده و کوئریها در Firestore
- 18. Cloud Bigtable: پایگاه داده NoSQL ستونی گسترده برای تحلیلهای بزرگ
- 19. انتخاب پایگاه داده مناسب GCP برای حجم کاری داده شما
- 20. معرفی BigQuery: انبار داده بدون سرور
- 21. راهاندازی پروژه BigQuery و ایجاد Dataset
- 22. بارگذاری داده در BigQuery: درج دستهای و جریانی
- 23. کوئری زدن دادهها در BigQuery: مبانی Standard SQL
- 24. آشنایی با Schema و انواع داده در BigQuery
- 25. جداول BigQuery: پارتیشن بندی و کلاسترینگ برای عملکرد بهتر
- 26. مدیریت Viewها و Viewهای مجاز در BigQuery
- 27. کار با منابع داده خارجی در BigQuery
- 28. صادرات داده و سرویس انتقال داده BigQuery (DTS)
- 29. استراتژیهای بهینهسازی هزینه برای BigQuery
- 30. معرفی BigQuery ML: یادگیری ماشین درون پایگاه داده
- 31. ساخت مدلهای پیشبینی با BigQuery ML
- 32. ارزیابی و استقرار مدلهای BigQuery ML
- 33. BigQuery GIS: قابلیتهای تحلیل مکانی جغرافیایی
- 34. اسکریپتنویسی BigQuery و توابع تعریف شده توسط کاربر (UDFs)
- 35. معرفی Pub/Sub: سرویس پیامرسانی بلادرنگ
- 36. Topicها، Subscriptionها و جریان پیام در Pub/Sub
- 37. یکپارچهسازی Pub/Sub با سایر سرویسهای GCP
- 38. مدیریت خطا و پایداری در Pub/Sub
- 39. معرفی Dataflow: پردازش یکپارچه جریانی و دستهای
- 40. مبانی Apache Beam: Pipelineها، PCollectionها و Transformها
- 41. توسعه Pipelineهای دستهای با Dataflow
- 42. SDKهای Dataflow و مدل برنامهنویسی (پایتون/جاوا)
- 43. Transformهای پیشرفته و منطق سفارشی در Dataflow
- 44. مفاهیم Windowing در Dataflow (Fixed, Sliding, Session)
- 45. Triggerها و Watermarkها برای Pipelineهای جریانی Dataflow
- 46. طراحی Pipelineهای جریانی با Dataflow
- 47. مدیریت خطا و کیفیت داده در Pipelineهای Dataflow
- 48. نظارت و اشکالزدایی وظایف Dataflow
- 49. معرفی Dataproc: هدوپ و اسپارک مدیریت شده
- 50. راهاندازی و مدیریت کلاسترهای Dataproc
- 51. اجرای وظایف Spark روی Dataproc برای پردازش دادههای بزرگ
- 52. مهاجرت حجم کاری هدوپ/اسپارک On-Premise به Dataproc
- 53. معرفی Cloud Functions: محاسبات بدون سرور رویداد محور
- 54. استفاده از Cloud Functions برای Triggerهای پردازش داده
- 55. Cloud Run: کانتینرهای بدون سرور برای هر زبان
- 56. استقرار وظایف پردازش داده کانتینری با Cloud Run
- 57. معرفی Cloud Composer: Apache Airflow مدیریت شده
- 58. مبانی Airflow: DAGها، Operatorها و Sensorها
- 59. ساخت Workflowهای هماهنگسازی داده با Cloud Composer
- 60. مدیریت وابستگیها و زمانبندی در DAGهای Airflow
- 61. بهترین شیوهها برای طراحی و استقرار DAG در Airflow
- 62. معرفی Workflows: هماهنگسازی بدون سرور
- 63. هماهنگسازی میکروسرویسها و سرویسهای GCP با Workflows
- 64. معرفی Looker Studio (قبلاً Data Studio)
- 65. اتصال منابع داده به Looker Studio برای داشبوردها
- 66. طراحی داشبوردها و گزارشهای تعاملی در Looker Studio
- 67. معرفی Looker: پلتفرم BI سازمانی و داده
- 68. آشنایی با مدلهای Looker (LookML) و Exploreها
- 69. معرفی Vertex AI: پلتفرم یکپارچه یادگیری ماشین
- 70. Vertex AI Workbench: نوتبوکهای Jupyter مدیریت شده
- 71. مدیریت مجموعهدادهها در Vertex AI
- 72. AutoML برای دادههای تصویری، جدولی و متنی در Vertex AI
- 73. آموزش سفارشی با Vertex AI: وظایف آموزشی
- 74. تنظیم فراپارامترها (Hyperparameter Tuning) با Vertex AI Vizier
- 75. استقرار مدلها در EndPointهای Vertex AI برای پیشبینی
- 76. پیشبینی دستهای با Vertex AI
- 77. معرفی Vertex AI Feature Store
- 78. مفاهیم و شیوههای MLOps در Vertex AI
- 79. نظارت بر مدل و قابلیت توضیحپذیری با Vertex AI
- 80. معرفی Cloud Logging: مدیریت متمرکز لاگها
- 81. Cloud Monitoring: معیارها، داشبوردها و هشدارها
- 82. Cloud Trace و Cloud Profiler برای تحلیل عملکرد
- 83. API پیشگیری از از دست رفتن داده (DLP): حفاظت از دادههای حساس
- 84. کنترلهای سرویس VPC: جلوگیری از خروج داده
- 85. بهترین شیوههای امنیتی برای معماریهای دادهمحور در GCP
- 86. مدیریت هزینه و صورتحساب برای سرویسهای داده GCP
- 87. بهینهسازی هزینههای داده در GCP: استراتژیها و ابزارها
- 88. طراحی یک Data Lake مدرن در GCP
- 89. معماری یک Data Warehouse با BigQuery و سایر سرویسها
- 90. آشنایی با اصول و پیادهسازی Data Mesh در GCP
- 91. ساخت داشبوردهای تحلیل بلادرنگ در GCP
- 92. معماریهای پردازش داده بدون سرور
- 93. حاکمیت داده و انطباق در GCP
- 94. CI/CD برای Pipelineهای داده در GCP
- 95. استراتژیهای مهاجرت داده به GCP
- 96. ساخت معماری موتور توصیهگر (Recommendation Engine) در GCP
- 97. مطالعه موردی واقعی: معماری تحلیل دادههای IoT
- 98. مطالعه موردی واقعی: Pipeline پردازش دادههای مالی
- 99. روندهای آینده در معماریهای داده و نوآوریهای GCP
- 100. جمعبندی دوره و گامهای بعدی برای معماران داده GCP
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.