دوره Google Cloud Platform: High-Quality, High-Speed, and High-Accuracy Image Processing Application Development همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: High-Quality, High-Speed, and High-Accuracy Image Processing Application Development

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش تصویر در فضای ابری
• 2. چرا Google Cloud Platform برای پردازش تصویر؟
• 3. آشنایی با مفاهیم اصلی GCP: پروژه، صورتحساب و IAM
• 4. راه‌اندازی محیط توسعه: Google Cloud SDK و Cloud Shell
• 5. مروری بر معماری یک اپلیکیشن پردازش تصویر مدرن
• 6. مقدمه‌ای بر Google Cloud Storage (GCS) برای ذخیره‌سازی تصاویر
• 7. آشنایی با ماشین‌های مجازی (VM) در Compute Engine
• 8. مقدمه‌ای بر پردازش بدون سرور (Serverless) با Cloud Functions
• 9. مقدمه‌ای بر کانتینرها با Cloud Run
• 10. انتخاب زیرساخت پردازشی مناسب: VM در مقابل Serverless
• 11. مدیریت دسترسی و هویت (IAM) برای منابع پردازش تصویر
• 12. اصول امنیت در GCP: شبکه، فایروال و رمزنگاری
• 13. آشنایی با ابزارهای مانیتورینگ و لاگینگ: Cloud Monitoring & Logging
• 14. تخمین و مدیریت هزینه‌ها در پروژه‌های پردازش تصویر
• 15. پروژه اول: آپلود و نمایش یک تصویر از طریق GCS
• 16. ساختاردهی بهینه باکت‌ها و پوشه‌ها در Cloud Storage
• 17. مدیریت نسخه‌بندی و چرخه عمر (Lifecycle) آبجکت‌ها در GCS
• 18. روش‌های انتقال داده‌های تصویری حجیم به GCS
• 19. سطوح دسترسی و URLهای امضاشده (Signed URLs) در GCS
• 20. آشنایی با پایگاه‌های داده GCP برای فراداده (Metadata)
• 21. استفاده از Firestore برای ذخیره‌سازی فراداده‌های تصاویر
• 22. استفاده از Cloud SQL برای مدیریت داده‌های ساختاریافته
• 23. مقایسه Firestore و Cloud SQL برای سناریوهای مختلف
• 24. استراتژی‌های پشتیبان‌گیری و بازیابی داده‌های تصویری و فراداده
• 25. فعال‌سازی رویدادها (Events) در Cloud Storage برای پردازش خودکار
• 26. معرفی خدمات هوش مصنوعی GCP: Vision AI
• 27. فعال‌سازی و تنظیمات اولیه Cloud Vision API
• 28. تشخیص برچسب (Label Detection) در تصاویر
• 29. تشخیص و تحلیل چهره (Face Detection)
• 30. استخراج متن از تصاویر (OCR) با Vision API
• 31. تشخیص اشیاء و مکان‌یابی آن‌ها (Object Localization)
• 32. تشخیص محتوای نامناسب (Safe Search Detection)
• 33. تحلیل ویژگی‌های تصویر: رنگ‌های غالب و کراپ‌هینت‌ها
• 34. تشخیص لوگو و نشان‌های تجاری (Logo Detection)
• 35. تشخیص مکان‌های معروف (Landmark Detection)
• 36. پردازش دسته‌ای تصاویر (Batch Image Processing) با Vision API
• 37. تحلیل و پارس کردن پاسخ‌های JSON از Vision API
• 38. مدیریت خطاها و کدهای وضعیت در Vision API
• 39. بهینه‌سازی هزینه‌ها و مدیریت سهمیه‌ها (Quotas) در Vision API
• 40. پروژه عملی: ساخت یک سرویس تگ‌گذاری خودکار تصاویر
• 41. معرفی Vertex AI: پلتفرم یکپارچه یادگیری ماشین
• 42. آشنایی با Vertex AI Datasets برای مدیریت داده‌های تصویری
• 43. اصول برچسب‌گذاری داده‌ها برای مدل‌های سفارشی
• 44. معرفی Vertex AI AutoML Vision
• 45. آموزش یک مدل طبقه‌بندی تصویر (Image Classification) با AutoML
• 46. آموزش یک مدل تشخیص اشیاء (Object Detection) با AutoML
• 47. ارزیابی عملکرد و معیارهای دقت مدل‌های AutoML
• 48. استقرار (Deploy) مدل‌های AutoML بر روی Endpoint
• 49. ارسال درخواست و دریافت پیش‌بینی از مدل‌های مستقر شده
• 50. آشنایی با Vertex AI Training برای آموزش مدل‌های سفارشی
• 51. آماده‌سازی محیط و اسکریپت‌های پایتون برای آموزش سفارشی
• 52. استفاده از کانتینرهای از پیش ساخته شده برای TensorFlow و PyTorch
• 53. آموزش توزیع‌شده (Distributed Training) برای مدل‌های بزرگ
• 54. تیونینگ هایپرپارامترها (Hyperparameter Tuning) در Vertex AI
• 55. معرفی Vertex AI Model Registry برای مدیریت مدل‌ها
• 56. استقرار مدل‌های سفارشی بر روی Vertex AI Endpoints
• 57. توضیح‌پذیری مدل (Explainable AI) در Vertex AI
• 58. مقایسه Vision API و مدل‌های سفارشی Vertex AI
• 59. انتقال مدل‌های موجود به Vertex AI
• 60. پروژه عملی: آموزش و استقرار یک مدل تشخیص محصول سفارشی
• 61. معماری رویدادمحور (Event-Driven) برای پردازش تصویر
• 62. استفاده از Cloud Functions برای پردازش‌های ناهمگام (Asynchronous)
• 63. طراحی یک Pipeline پردازش تصویر با Pub/Sub و Cloud Functions
• 64. ساخت یک API با Cloud Run برای مدیریت درخواست‌های پردازش
• 65. کانتینرسازی اپلیکیشن پایتون (Flask/FastAPI) با Docker
• 66. ادغام Cloud Run با Cloud Storage و Firestore
• 67. مدیریت وابستگی‌ها و متغیرهای محیطی در Cloud Run
• 68. احراز هویت کاربران با Firebase Authentication
• 69. مدیریت دسترسی به API با استفاده از API Gateway
• 70. ایمن‌سازی اطلاعات حساس با Secret Manager
• 71. ایجاد یک Workflow پیچیده با استفاده از Workflows
• 72. پیاده‌سازی صف‌های پردازش (Processing Queues) با Pub/Sub
• 73. مدیریت وضعیت‌های پردازش طولانی‌مدت
• 74. ساخت یک واسط کاربری ساده برای آپلود و نمایش نتایج
• 75. استقرار فرانت‌اند با استفاده از Firebase Hosting یا App Engine
• 76. بهینه‌سازی تصاویر برای وب: تغییر اندازه و فشرده‌سازی
• 77. پیاده‌سازی تغییر اندازه آنی تصاویر با Cloud Functions
• 78. استفاده از Cloud CDN برای افزایش سرعت تحویل تصاویر
• 79. پیکربندی و بهینه‌سازی کش (Cache) در Cloud CDN
• 80. پردازش با تأخیر کم (Low-Latency) برای کاربردهای آنی
• 81. استفاده از Memorystore (Redis) برای کش فراداده و نتایج
• 82. طراحی برای مقیاس‌پذیری بالا: Auto-scaling در Cloud Run و GKE
• 83. استفاده از GPU در Compute Engine و GKE برای پردازش‌های سنگین
• 84. بهینه‌سازی عملکرد مدل‌های مستقر شده در Endpoints
• 85. موازنه بار (Load Balancing) برای توزیع ترافیک
• 86. مقدمه‌ای بر CI/CD و خودکارسازی فرآیندها
• 87. ساخت یک پایپ‌لاین CI/CD با Cloud Build
• 88. خودکارسازی تست‌ها در پایپ‌لاین CI/CD
• 89. مدیریت کانتینر ایمیج‌ها با Artifact Registry
• 90. زیرساخت به عنوان کد (IaC) با Terraform برای استقرار منابع
• 91. نظارت بر عملکرد اپلیکیشن با Cloud Monitoring
• 92. ایجاد داشبوردهای سفارشی برای معیارهای کلیدی
• 93. تنظیم هشدارها (Alerting) برای خطاها و مشکلات عملکردی
• 94. تحلیل و ردیابی لاگ‌ها با Cloud Logging
• 95. ردیابی درخواست‌ها (Tracing) در معماری میکروسرویس با Cloud Trace
• 96. گزارش و مدیریت خطاها با Error Reporting
• 97. استراتژی‌های بهینه‌سازی هزینه در مقیاس بزرگ
• 98. اصول طراحی اپلیکیشن‌های با قابلیت اطمینان بالا (High Availability)
• 99. ملاحظات امنیتی پیشرفته و بهترین شیوه‌ها
• 100. جمع‌بندی نهایی و پروژه جامع: ساخت اپلیکیشن کامل پردازش تصویر از ابتدا تا انتها