کتاب Google Cloud Platform: ساخت اپلیکیشن های تحلیل داده های زمان واقعی با استفاده از هوش مصنوعی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: ساخت اپلیکیشن های تحلیل داده های زمان واقعی با استفاده از هوش مصنوعی

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر Google Cloud Platform (GCP)
• 2. معرفی خدمات کلیدی GCP برای تحلیل داده و هوش مصنوعی
• 3. ایجاد و مدیریت پروژه در GCP
• 4. مدیریت هویت و دسترسی (IAM) در GCP
• 5. شبکه سازی پایه در GCP: VPC و Subnets
• 6. راه اندازی ماشین مجازی (VM) در Compute Engine
• 7. استفاده از Google Cloud Shell و Cloud SDK
• 8. معرفی Google Cloud Storage (GCS) برای ذخیره سازی داده
• 9. بارگذاری و مدیریت داده ها در GCS
• 10. امنیت در GCS: کنترل دسترسی و رمزنگاری
• 11. معرفی Google BigQuery برای انبار داده
• 12. ایجاد و مدیریت Dataset و Table در BigQuery
• 13. بارگذاری داده ها در BigQuery از GCS و سایر منابع
• 14. کوئری نویسی SQL در BigQuery
• 15. بهینه سازی کوئری های BigQuery برای عملکرد بهتر
• 16. معرفی Google Cloud Dataflow برای پردازش جریان داده
• 17. ایجاد Pipeline های Dataflow با استفاده از Apache Beam
• 18. خواندن و نوشتن داده ها با Dataflow از منابع مختلف
• 19. تبدیل و غنی سازی داده ها در Dataflow
• 20. استقرار و مدیریت Pipeline های Dataflow
• 21. معرفی Google Cloud Dataproc برای پردازش دسته ای داده
• 22. اجرای Jobs های Apache Hadoop و Spark در Dataproc
• 23. ایجاد و مدیریت خوشه های Dataproc
• 24. بهینه سازی Performance Jobs های Dataproc
• 25. معرفی Google Cloud Pub/Sub برای انتقال پیام های Real-time
• 26. ایجاد و مدیریت Topic و Subscription در Pub/Sub
• 27. انتشار و دریافت پیام ها با Pub/Sub
• 28. ادغام Pub/Sub با Dataflow و BigQuery
• 29. معرفی Google Cloud Functions برای توابع بدون سرور
• 30. ایجاد و استقرار Cloud Functions
• 31. Trigger کردن Cloud Functions با رویدادهای مختلف
• 32. ادغام Cloud Functions با سایر خدمات GCP
• 33. معرفی Google Kubernetes Engine (GKE) برای مدیریت Container
• 34. ایجاد و مدیریت خوشه های Kubernetes در GKE
• 35. استقرار برنامه ها با استفاده از Docker و Kubernetes
• 36. مقیاس پذیری و مدیریت منابع در GKE
• 37. معرفی TensorFlow و Keras برای یادگیری ماشین
• 38. آماده سازی داده ها برای یادگیری ماشین
• 39. ساخت و آموزش مدل های یادگیری ماشین با TensorFlow
• 40. ارزیابی و بهینه سازی مدل های یادگیری ماشین
• 41. استقرار مدل های یادگیری ماشین با TensorFlow Serving
• 42. معرفی Google AI Platform Training برای آموزش مدل های یادگیری ماشین
• 43. اجرای Jobs های آموزشی TensorFlow و PyTorch در AI Platform Training
• 44. استفاده از TPU ها برای آموزش سریعتر مدل های یادگیری ماشین
• 45. معرفی Google AI Platform Prediction برای پیش بینی Online
• 46. استقرار مدل های یادگیری ماشین آموزش داده شده در AI Platform Prediction
• 47. ساخت API برای درخواست های پیش بینی
• 48. معرفی Google Cloud Vision API برای پردازش تصویر
• 49. تشخیص اشیاء و چهره ها در تصاویر با Vision API
• 50. استخراج متن از تصاویر با OCR
• 51. معرفی Google Cloud Natural Language API برای پردازش متن
• 52. تجزیه و تحلیل Sentiment متن با Natural Language API
• 53. تشخیص موجودیت ها و دسته بندی متن
• 54. معرفی Google Cloud Speech-to-Text API برای تبدیل گفتار به متن
• 55. تبدیل صدا به متن با Speech-to-Text API
• 56. بهینه سازی دقت Speech-to-Text API
• 57. معرفی Google Cloud Translation API برای ترجمه زبان
• 58. ترجمه متن به زبان های مختلف با Translation API
• 59. معرفی Google Cloud AutoML برای یادگیری ماشین بدون کد
• 60. ساخت مدل های یادگیری ماشین سفارشی با AutoML Vision
• 61. ساخت مدل های یادگیری ماشین سفارشی با AutoML Natural Language
• 62. ساخت مدل های یادگیری ماشین سفارشی با AutoML Translation
• 63. ساخت داشبوردهای تحلیل داده با Google Data Studio
• 64. اتصال Data Studio به منابع داده GCP
• 65. ایجاد گزارشات و نمودارهای تعاملی در Data Studio
• 66. مانیتورینگ و Logging در GCP با Cloud Monitoring و Cloud Logging
• 67. تنظیم Alert ها و Metrics برای ردیابی عملکرد برنامه
• 68. اشکال زدایی برنامه ها با Cloud Logging
• 69. امنیت در GCP: بهترین شیوه ها
• 70. رعایت حریم خصوصی و انطباق با مقررات
• 71. اتوماسیون زیرساخت با Terraform
• 72. Infrastructure as Code (IaC) با Terraform
• 73. استقرار خودکار زیرساخت GCP
• 74. تست و استقرار مداوم (CI/CD) در GCP با Cloud Build
• 75. ادغام Cloud Build با GitHub و GitLab
• 76. ایجاد Pipeline های CI/CD برای استقرار خودکار برنامه ها
• 77. استفاده از Apache Kafka در GCP
• 78. استقرار و مدیریت Kafka در GKE
• 79. ادغام Kafka با Dataflow و BigQuery
• 80. پردازش داده های Streaming با Kafka و Dataflow
• 81. ساخت Application های Real-time با Firebase
• 82. استفاده از Firebase Authentication
• 83. ذخیره داده ها با Firebase Realtime Database و Cloud Firestore
• 84. ایجاد Notifications با Firebase Cloud Messaging
• 85. استفاده از Cloud Composer برای Orchestration Workflow
• 86. ایجاد و مدیریت DAGs در Cloud Composer
• 87. ادغام Cloud Composer با Dataflow و BigQuery
• 88. بهینه سازی هزینه در GCP
• 89. استفاده از Commitment ها و تخفیف ها در GCP
• 90. مانیتورینگ هزینه ها با Cloud Billing
• 91. مدیریت Container ها با Docker
• 92. ساخت Image های Docker
• 93. استقرار Container ها در GKE و Cloud Run
• 94. استفاده از Git برای مدیریت کد
• 95. همکاری با Git و GitHub
• 96. Branching و Merging در Git
• 97. استفاده از RESTful APIs
• 98. طراحی و پیاده سازی RESTful APIs
• 99. استفاده از OpenAPI Specification (Swagger)
• 100. پیاده سازی Microservices در GKE