دوره Google Cloud Platform: Practical Guide for Python Developers (Dash) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: Practical Guide for Python Developers (Dash)

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. معرفی دوره: Google Cloud Platform برای توسعه دهندگان پایتون و دش
• 2. چرا GCP برای پروژه های پایتون و دش؟
• 3. راه اندازی حساب GCP و ایجاد اولین پروژه
• 4. آشنایی با کنسول GCP و Cloud Shell
• 5. نصب و پیکربندی `gcloud` CLI
• 6. مقدمه‌ای بر کتابخانه‌های مشتری پایتون GCP (`google-cloud-python`)
• 7. مدیریت هویت و دسترسی (IAM) در GCP: مفاهیم اولیه
• 8. مفاهیم اولیه Billing و مدیریت بودجه در GCP
• 9. اصول VPC و شبکه بندی در GCP (مقدماتی)
• 10. نصب ابزارهای توسعه پایتون و محیط مجازی برای GCP
• 11. Compute Engine: ایجاد و مدیریت ماشین های مجازی (VMs)
• 12. Compute Engine: اتصال به VM با SSH و استقرار دستی یک برنامه پایتون
• 13. App Engine Standard: معرفی و اصول `app.yaml`
• 14. App Engine Standard: استقرار یک برنامه Flask ساده
• 15. App Engine Standard: کار با Environment Variables و Secrets
• 16. App Engine Standard: مقیاس پذیری و تنظیمات ترافیک
• 17. App Engine Flexible: معرفی و مقایسه با Standard
• 18. App Engine Flexible: استقرار یک برنامه پایتون با استفاده از Dockerfile
• 19. Cloud Run: معرفی کانتینرهای بدون سرور
• 20. Cloud Run: داکرسازی یک برنامه پایتون
• 21. Cloud Run: استقرار و مدیریت سرویس ها
• 22. Cloud Functions: مقدمه ای بر توابع بدون سرور (Serverless Functions)
• 23. Cloud Functions: پیاده سازی توابع HTTP-triggered در پایتون
• 24. Cloud Functions: پیاده سازی توابع Event-triggered (Pub/Sub, Cloud Storage)
• 25. Google Kubernetes Engine (GKE): معرفی و مفاهیم اصلی Kubernetes
• 26. GKE: استقرار یک برنامه پایتون Flask در GKE (مقدماتی)
• 27. Cloud Storage: معرفی Bucketها و Objectها
• 28. Cloud Storage: عملیات پایه با فایل ها (آپلود، دانلود، حذف) در پایتون
• 29. Cloud Storage: مدیریت دسترسی به فایل ها و Lifecycle Policies
• 30. Cloud SQL: معرفی و راه اندازی یک Instance دیتابیس (PostgreSQL/MySQL)
• 31. Cloud SQL: اتصال برنامه های پایتون به Cloud SQL
• 32. Cloud SQL: مدیریت اتصالات، Backup و Restore
• 33. Cloud Datastore / Firestore: معرفی دیتابیس های NoSQL سندی
• 34. Firestore: عملیات CRUD پایه با پایتون
• 35. Firestore: طراحی مدل داده و Query نویسی
• 36. Cloud Spanner: مروری بر دیتابیس رابطه ای توزیع شده
• 37. Bigtable: مروری بر دیتابیس NoSQL ستونی وسیع
• 38. Memorystore: Cache کردن داده ها با Redis در پایتون
• 39. فایروال ها و قوانین شبکه در GCP
• 40. Load Balancing: استفاده از HTTP(S) Load Balancer
• 41. Cloud DNS: مدیریت DNS برای برنامه های پایتون
• 42. IAM: نقش های Service Account و Custom Roles
• 43. Secret Manager: مدیریت ایمن Secretها و Credentials در پایتون
• 44. بهترین شیوه های امنیتی برای برنامه های پایتون در GCP
• 45. Identity-Aware Proxy (IAP): تامین امنیت دسترسی به برنامه ها
• 46. Serverless VPC Access: اتصال سرویس های بدون سرور به منابع VPC
• 47. Cloud Pub/Sub: معرفی سیستم پیام رسانی
• 48. Cloud Pub/Sub: انتشار پیام ها با پایتون
• 49. Cloud Pub/Sub: دریافت پیام ها (Pull/Push Subscriptions) با پایتون
• 50. BigQuery: معرفی انبار داده مقیاس پذیر
• 51. BigQuery: اجرای Queryها با پایتون و API
• 52. BigQuery: بارگذاری داده ها از Cloud Storage
• 53. Cloud Dataflow: معرفی Apache Beam و پردازش داده ها
• 54. Cloud Dataflow: پیاده سازی یک Pipeline ساده در پایتون (مفاهیم)
• 55. Cloud Tasks: مدیریت صف وظایف ناهمگام (Asynchronous Tasks)
• 56. Cloud Source Repositories: مدیریت کد در GCP
• 57. Cloud Build: معرفی CI/CD و ساخت Pipelineها
• 58. Cloud Build: ساخت Docker Image برای برنامه های پایتون
• 59. Cloud Build: استقرار خودکار در Cloud Run/App Engine
• 60. Cloud Monitoring: مانیتورینگ متریک ها و ساخت Dashboard
• 61. Cloud Monitoring: پیکربندی Alertها برای برنامه های پایتون
• 62. Cloud Logging: مشاهده و فیلتر کردن Logها
• 63. Cloud Logging: ایجاد Log-based Metrics
• 64. Error Reporting: ردیابی و تحلیل خطاها
• 65. معرفی Dash: ساخت اولین اپلیکیشن وب تحلیلی
• 66. Dash Core Components: بررسی اجزای اصلی رابط کاربری
• 67. Dash Callbacks: افزودن تعامل پذیری به اپلیکیشن ها
• 68. Dash Layouts: سازماندهی و طراحی رابط کاربری
• 69. استقرار یک اپلیکیشن Dash ساده در App Engine Standard
• 70. استقرار یک اپلیکیشن Dash ساده در Cloud Run
• 71. Dash با داده های خارجی: بارگذاری داده از فایل CSV در Cloud Storage
• 72. اتصال Dash به Cloud SQL (PostgreSQL) برای نمایش داده ها
• 73. ساخت داشبوردهای تعاملی Dash با داده های Firestore
• 74. Dash با Pub/Sub: ساخت داشبوردهای Real-time (مفاهیم)
• 75. بهینه سازی عملکرد Dash با Caching در Memorystore
• 76. استفاده از Plotly Express در Dash برای تجسم پیشرفته
• 77. امنیت اپلیکیشن های Dash در GCP: احراز هویت و مجوزها
• 78. مدیریت Session در Dash برای برنامه های Multi-user
• 79. Containerizing اپلیکیشن های Dash برای Cloud Run/GKE
• 80. بهترین شیوه ها برای ساخت اپلیکیشن های Dash مقیاس پذیر
• 81. استقرار یک اپلیکیشن Dash پیچیده با Backend API (Flask/FastAPI) در Cloud Run
• 82. طراحی رابط کاربری Dash با Dash Bootstrap Components
• 83. معرفی Vertex AI: پلتفرم یکپارچه یادگیری ماشین GCP
• 84. استفاده از Pre-trained ML APIs: Vision AI با پایتون
• 85. استفاده از Pre-trained ML APIs: Natural Language AI با پایتون
• 86. استقرار یک مدل یادگیری ماشین پایتون ساده در Cloud Run/Vertex AI
• 87. مدیریت چرخه حیات مدل های ML در GCP (مفاهیم)
• 88. Data Labeling با Vertex AI
• 89. استراتژی های بهینه سازی هزینه در GCP
• 90. استقرار Multi-region برای افزایش دسترس پذیری (مفاهیم)
• 91. استفاده از Terraform برای مدیریت زیرساخت (Infrastructure as Code) در GCP
• 92. Migrating On-Premise Python Apps به GCP
• 93. مدیریت وابستگی ها و محیط های پایتون در GCP
• 94. استفاده از Google Cloud Endpoints برای مدیریت APIها
• 95. Cloud CDN: بهبود سرعت تحویل محتوا برای Dash Apps
• 96. Advanced IAM: Conditional IAM و Organization Policies
• 97. استقرار Microservices با پایتون در GCP
• 98. Troubleshooting رایج در GCP برای توسعه دهندگان پایتون
• 99. مروری بر ابزارهای دیگر توسعه دهندگان در GCP (مانند Cloud Code)
• 100. جمع بندی و گام های بعدی در مسیر GCP برای پایتون و دش