دوره پردازش توزیع‌شده تصاویر در محیط ابری با استفاده از Dataproc همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش توزیع‌شده تصاویر در محیط ابری با استفاده از Dataproc

موضوع کلی: فناوری اطلاعات و رایانش ابری

موضوع میانی: پردازش توزیع‌شده داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش توزیع‌شده
• 2. مفاهیم پایه رایانش ابری
• 3. معرفی Google Cloud Dataproc
• 4. معماری Dataproc
• 5. راه‌اندازی خوشه‌های Dataproc
• 6. مدیریت خوشه‌های Dataproc
• 7. مقدمه‌ای بر Spark
• 8. Spark Core و RDDها
• 9. Spark SQL و DataFrames
• 10. Spark Streaming
• 11. MLlib در Spark
• 12. GraphX در Spark
• 13. Apache Hadoop و اکوسیستم آن
• 14. HDFS (سیستم فایل توزیع‌شده Hadoop)
• 15. YARN (مدیریت منابع Hadoop)
• 16. MapReduce
• 17. Hive و پردازش داده‌های جدولی
• 18. Pig و زبان اسکریپت‌نویسی آن
• 19. Apache ZooKeeper
• 20. Apache Kafka
• 21. مقدمه‌ای بر پردازش تصویر
• 22. پردازش تصویر در MATLAB
• 23. پردازش تصویر در Python (OpenCV)
• 24. پیکسل‌ها و مقادیر پیکسلی
• 25. عملیات پایه روی تصاویر (تغییر اندازه، برش)
• 26. تبدیل‌های هندسی تصاویر
• 27. فیلترهای پایه (تاری، تیز کردن)
• 28. آستانه‌گذاری (Thresholding)
• 29. استخراج ویژگی‌های تصویر
• 30. توصیف‌گرهای تصویر
• 31. تشخیص لبه
• 32. تشخیص اشیاء
• 33. طبقه‌بندی تصاویر
• 34. یادگیری عمیق برای پردازش تصویر
• 35. شبکه‌های عصبی کانولوشنی (CNN)
• 36. آموزش مدل‌های CNN
• 37. کاربرد CNN در تشخیص تصویر
• 38. کاربرد CNN در بخش‌بندی تصویر
• 39. پردازش تصویر با استفاده از Dataproc
• 40. انتقال داده به Google Cloud Storage
• 41. آماده‌سازی داده‌های تصویری برای پردازش
• 42. پردازش دسته‌ای تصاویر در Dataproc
• 43. استفاده از Spark برای پردازش تصاویر
• 44. پردازش تصاویر با Spark SQL و DataFrames
• 45. پردازش تصاویر با Spark Streaming
• 46. استفاده از MLlib برای وظایف پردازش تصویر
• 47. پردازش تصاویر با GraphX
• 48. کاربرد Dataproc در تجزیه و تحلیل داده‌های حجیم تصویری
• 49. پردازش ویدئو در محیط ابری
• 50. استخراج فریم از ویدئو
• 51. پردازش فریم‌های ویدئویی با Dataproc
• 52. تشخیص حرکت در ویدئو
• 53. کاربرد پردازش تصویر در صنعت (با رویکرد بومی)
• 54. پردازش تصاویر ماهواره‌ای (با رویکرد بومی)
• 55. پردازش تصاویر پزشکی (با رویکرد بومی)
• 56. امنیت داده‌ها در رایانش ابری
• 57. مدیریت دسترسی در Google Cloud
• 58. پیکربندی امنیتی خوشه‌های Dataproc
• 59. پروتکل‌های امنیتی در پردازش توزیع‌شده
• 60. بهینه‌سازی عملکرد در Dataproc
• 61. تنظیم پارامترهای Spark
• 62. بهینه‌سازی مصرف حافظه
• 63. مدیریت هزینه‌ها در Google Cloud
• 64. نظارت بر خوشه‌های Dataproc
• 65. لاگ‌برداری و اشکال‌زدایی
• 66. مقدمه‌ای بر BigQuery
• 67. ادغام Dataproc و BigQuery
• 68. پردازش داده‌های تصویری با BigQuery
• 69. کاربردهای پیشرفته پردازش تصویر در Dataproc
• 70. تشخیص چهره (با رویکرد بومی)
• 71. شناسایی اشیاء (با رویکرد بومی)
• 72. تولید گزارش‌های تحلیلی از داده‌های تصویری
• 73. مقدمه‌ای بر هوش مصنوعی
• 74. یادگیری ماشین و کاربردهای آن
• 75. یادگیری تقویتی
• 76. پردازش زبان طبیعی (NLP)
• 77. کاربرد NLP در تحلیل متون مرتبط با تصاویر
• 78. اصول توسعه نرم‌افزار در محیط ابری
• 79. روش‌های چابک (Agile)
• 80. کنترل نسخه (Git)
• 81. مقدمه‌ای بر DevOps
• 82. یکپارچه‌سازی مداوم و تحویل مداوم (CI/CD)
• 83. محیط‌های استقرار در Google Cloud
• 84. استفاده از Kubernetes برای مدیریت برنامه‌ها
• 85. مفاهیم پایه یادگیری عمیق
• 86. معماری‌های پیشرفته CNN
• 87. انتقال یادگیری (Transfer Learning)
• 88. کاربرد انتقال یادگیری در پردازش تصویر
• 89. مدل‌های تولیدکننده (Generative Models)
• 90. شبکه‌های مولد تخاصمی (GANs)
• 91. کاربرد GANs در تولید تصاویر
• 92. جمعیت‌شناسی آماری تصاویر (با رویکرد بومی)
• 93. پردازش تصاویر با استفاده از TensorFlow/PyTorch در Dataproc
• 94. ادغام TensorFlow/PyTorch با Spark
• 95. ساخت پایپ‌لاین‌های پردازش تصویر پیچیده
• 96. پیاده‌سازی الگوریتم‌های سفارشی در Dataproc
• 97. ارزیابی عملکرد مدل‌های پردازش تصویر
• 98. توسعه برنامه‌های کاربردی پردازش تصویر در مقیاس بزرگ
• 99. نکات پایانی و جمع‌بندی
• 100. آینده پردازش توزیع‌شده تصاویر در محیط ابری