دوره Google Cloud Platform: Real-time Data Analysis Application Development with Advanced AI and Machine Learning Techniques همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 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 رایانش ابری و Google Cloud Platform
• 2. ایجاد حساب کاربری و مدیریت صورتحساب در GCP
• 3. آشنایی با کنسول GCP، کلود شل و ابزار خط فرمان gcloud
• 4. مفاهیم پایه شبکه: VPC، زیرشبکه‌ها و فایروال
• 5. پروژه‌ها، پوشه‌ها و ساختار سازمانی در GCP
• 6. مدیریت هویت و دسترسی (IAM): کاربران، نقش‌ها و حساب‌های سرویس
• 7. مبانی Compute Engine: ایجاد و مدیریت ماشین‌های مجازی
• 8. مبانی Cloud Storage: باکت‌ها، اشیاء و کلاس‌های ذخیره‌سازی
• 9. گزینه‌های ذخیره‌سازی داده در GCP: مروری کلی
• 10. آشنایی با پایگاه‌های داده مدیریت‌شده: Cloud SQL و Spanner
• 11. آشنایی با پایگاه‌های داده NoSQL: Firestore و Bigtable
• 12. مقدمه‌ای بر معماری داده‌های real-time
• 13. معرفی Google Pub/Sub: هسته پیام‌رسانی real-time
• 14. ایجاد تاپیک‌ها و اشتراک‌ها (Subscriptions) در Pub/Sub
• 15. الگوهای ارسال پیام: Push و Pull
• 16. مقدمه‌ای بر Cloud Dataflow و Apache Beam
• 17. مدل برنامه‌نویسی Beam: پایپ‌لاین‌ها، PCollection و Transform
• 18. پردازش داده‌های دسته‌ای (Batch) با Dataflow
• 19. پردازش داده‌های جریانی (Streaming) با Dataflow
• 20. مفهوم پنجره‌بندی (Windowing) در داده‌های جریانی
• 21. Triggers و Watermarks در Dataflow
• 22. آشنایی با BigQuery به عنوان انبار داده ابری
• 23. معماری BigQuery: جداسازی محاسبات و ذخیره‌سازی
• 24. بارگذاری داده‌های دسته‌ای در BigQuery
• 25. دریافت داده‌های جریانی (Streaming Ingestion) در BigQuery
• 26. نوشتن کوئری‌های SQL استاندارد و پیشرفته در BigQuery
• 27. بهینه‌سازی کوئری و مدیریت هزینه در BigQuery
• 28. اتصال Dataflow به BigQuery برای ذخیره‌سازی نتایج
• 29. مقدمه‌ای بر Cloud Functions برای پردازش رویداد-محور
• 30. ایجاد یک تابع Cloud Function برای پردازش پیام‌های Pub/Sub
• 31. توسعه اپلیکیشن‌های کانتینری با Cloud Run
• 32. مقدمه‌ای بر داکر (Docker) و کانتینرسازی
• 33. استقرار یک سرویس وب ساده روی Cloud Run
• 34. مقیاس‌پذیری خودکار و مدیریت ترافیک در Cloud Run
• 35. ایجاد API Gateway برای مدیریت و امن‌سازی سرویس‌ها
• 36. مبانی هوش مصنوعی و یادگیری ماشین
• 37. مروری بر سرویس‌های AI و ML در GCP
• 38. استفاده از APIهای از پیش‌آموزش‌دیده: Vision AI
• 39. تحلیل تصویر و ویدئو با Vision AI
• 40. استفاده از APIهای از پیش‌آموزش‌دیده: Natural Language AI
• 41. تحلیل متن، احساسات و موجودیت‌ها با Natural Language AI
• 42. استفاده از APIهای از پیش‌آموزش‌دیده: Speech-to-Text و Text-to-Speech
• 43. معرفی پلتفرم یکپارچه Vertex AI
• 44. آشنایی با مجموعه داده‌های مدیریت‌شده در Vertex AI
• 45. مقدمه‌ای بر AutoML: آموزش مدل بدون کدنویسی
• 46. ساخت مدل طبقه‌بندی تصویر با AutoML Vision
• 47. ساخت مدل رگرسیون با AutoML Tabular
• 48. ساخت مدل طبقه‌بندی متن با AutoML Text
• 49. مقدمه‌ای بر BigQuery ML (BQML)
• 50. آموزش مدل رگرسیون خطی با استفاده از SQL در BQML
• 51. آموزش مدل طبقه‌بندی لجستیک با BQML
• 52. ارزیابی و پیش‌بینی با مدل‌های BQML
• 53. مقدمه‌ای بر آموزش سفارشی (Custom Training) در Vertex AI
• 54. آماده‌سازی داده‌ها برای آموزش مدل‌های سفارشی
• 55. نوشتن کد آموزشی با TensorFlow 2 یا PyTorch
• 56. ایجاد کانتینر سفارشی برای آموزش مدل
• 57. اجرای یک جاب آموزشی سفارشی در Vertex AI Training
• 58. مفهوم هایپرپارامتر تیونینگ در Vertex AI
• 59. استقرار مدل برای پیش‌بینی آنی با Vertex AI Endpoints
• 60. دریافت پیش‌بینی‌های دسته‌ای (Batch Predictions)
• 61. مقدمه‌ای بر MLOps: اتوماسیون چرخه حیات ML
• 62. معرفی Vertex AI Pipelines برای ارکستراسیون MLOps
• 63. طراحی یک پایپ‌لاین ساده ML با Kubeflow Pipelines (KFP)
• 64. کامپوننت‌ها و آرتیفکت‌ها در Vertex AI Pipelines
• 65. اجرا و مانیتورینگ پایپ‌لاین‌های ML
• 66. معرفی Vertex AI Feature Store برای مدیریت ویژگی‌ها
• 67. ثبت و استفاده از ویژگی‌ها در Feature Store
• 68. معرفی Vertex AI Model Registry برای نسخه‌بندی مدل‌ها
• 69. مانیتورینگ مدل: تشخیص انحراف (Drift) و کجی (Skew)
• 70. مبانی امنیت در اپلیکیشن‌های ابری
• 71. استفاده از Secret Manager برای مدیریت اطلاعات حساس
• 72. معماری یک اپلیکیشن تحلیل داده real-time: نمای کلی
• 73. پروژه عملی: طراحی سیستم تحلیل احساسات توئیت‌ها در لحظه
• 74. گام اول پروژه: ایجاد تاپیک Pub/Sub برای دریافت توئیت‌ها
• 75. گام دوم پروژه: توسعه یک Cloud Function برای فراخوانی Natural Language AI
• 76. گام سوم پروژه: ساخت پایپ‌لاین Dataflow برای غنی‌سازی و agregasi داده‌ها
• 77. گام چهارم پروژه: ذخیره‌سازی نتایج تحلیل در BigQuery
• 78. گام پنجم پروژه: ساخت داشبورد real-time با Looker Studio (Data Studio)
• 79. مقدمه‌ای بر Cloud Composer (Managed Apache Airflow)
• 80. زمان‌بندی پایپ‌لاین‌های داده دسته‌ای با Cloud Composer
• 81. مقدمه‌ای بر Cloud Logging برای agregasi لاگ‌ها
• 82. مقدمه‌ای بر Cloud Monitoring برای نظارت بر عملکرد سیستم
• 83. ایجاد داشبورد و هشدار (Alert) در Cloud Monitoring
• 84. اتوماسیون زیرساخت با Terraform: مفاهیم پایه
• 85. نوشتن کدهای Terraform برای ایجاد منابع GCP
• 86. یکپارچه‌سازی و تحویل مداوم (CI/CD) برای اپلیکیشن‌ها
• 87. ایجاد پایپ‌لاین CI/CD با Cloud Build
• 88. ذخیره ایمیج‌های داکر در Artifact Registry
• 89. بهینه‌سازی هزینه‌ها در GCP: بهترین شیوه‌ها
• 90. استفاده از بودجه و هشدارهای صورتحساب
• 91. معماری‌های پیشرفته: الگوهای real-time data processing
• 92. تکنیک‌های پیشرفته در Dataflow: Side Inputs و State Management
• 93. مبانی هوش مصنوعی قابل توضیح (Explainable AI) در Vertex AI
• 94. دریافت توضیحات برای پیش‌بینی‌های مدل
• 95. چالش‌های کیفیت داده در سیستم‌های real-time
• 96. بهترین شیوه‌ها برای طراحی APIهای مقیاس‌پذیر
• 97. جمع‌بندی دوره و مراحل بعدی یادگیری
• 98. **پردازش و تحلیل داده‌های جریانی با Pub/Sub و Dataflow: معماری، پیاده‌سازی و بهینه‌سازی**
• 99. **یادگیری ماشین در مقیاس با Vertex AI: مدل‌سازی، آموزش، استقرار و پایش بلادرنگ**
• 100. **مصورسازی و داشبوردهای تعاملی با Looker Studio: اتصال به منابع داده، طراحی و اشتراک‌گذاری**