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 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
محتویات بسته آموزشی
🌐 سامانه آنلاین فلشکارت؛ مرور هدفمند و هوشمند
اکانت ارائهشده، دسترسی به نسخه تحت وب سامانه فلشکارت ویژه این دوره را فراهم میکند. این سامانه از الگوریتم زمانبندی مرور SM-2 استفاده میکند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم میکند.
به این ترتیب، کارتهای دشوارتر میتوانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسبتری داشته باشید.
مدتزمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج میشود.
گواهی دوزبانه با استعلام آنلاین
پس از تکمیل فعالیتهای لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر میشود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.
این گواهی صرفاً بهعنوان گواهی اتمام دوره آموزشی صادر میشود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.