کتاب Google Cloud Platform: راهنمای معماری های داده محور با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: راهنمای معماری های داده محور

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر Google Cloud Platform برای متخصصان داده
• 2. مرور کلی سرویس‌های اصلی GCP برای معماران داده
• 3. ناوبری در کنسول GCP و ساختار پروژه
• 4. آشنایی با مدیریت هویت و دسترسی (IAM) در GCP
• 5. سلسله مراتب منابع و سازماندهی در GCP
• 6. مبانی رابط خط فرمان (CLI) و Cloud SDK
• 7. اصول شبکه: VPC، Subnetها و Firewallها
• 8. معرفی Cloud Storage: مفاهیم ذخیره سازی ابژکت
• 9. مدیریت Bucketها و ابژکت‌ها در Cloud Storage
• 10. کلاس‌های ذخیره سازی و مدیریت چرخه عمر ابژکت
• 11. امنیت داده‌ها در Cloud Storage: رمزگذاری و کنترل دسترسی
• 12. معرفی Cloud SQL: پایگاه‌های داده رابطه‌ای مدیریت شده
• 13. راه‌اندازی و مدیریت نمونه‌های Cloud SQL (PostgreSQL/MySQL)
• 14. دسترسی بالا (High Availability) و بازیابی فاجعه (Disaster Recovery) برای Cloud SQL
• 15. Cloud Spanner: پایگاه داده رابطه‌ای با مقیاس‌پذیری افقی
• 16. معرفی Firestore: پایگاه داده NoSQL مبتنی بر سند
• 17. مدل‌سازی داده و کوئری‌ها در Firestore
• 18. Cloud Bigtable: پایگاه داده NoSQL ستونی گسترده برای تحلیل‌های بزرگ
• 19. انتخاب پایگاه داده مناسب GCP برای حجم کاری داده شما
• 20. معرفی BigQuery: انبار داده بدون سرور
• 21. راه‌اندازی پروژه BigQuery و ایجاد Dataset
• 22. بارگذاری داده در BigQuery: درج دسته‌ای و جریانی
• 23. کوئری زدن داده‌ها در BigQuery: مبانی Standard SQL
• 24. آشنایی با Schema و انواع داده در BigQuery
• 25. جداول BigQuery: پارتیشن بندی و کلاسترینگ برای عملکرد بهتر
• 26. مدیریت Viewها و Viewهای مجاز در BigQuery
• 27. کار با منابع داده خارجی در BigQuery
• 28. صادرات داده و سرویس انتقال داده BigQuery (DTS)
• 29. استراتژی‌های بهینه‌سازی هزینه برای BigQuery
• 30. معرفی BigQuery ML: یادگیری ماشین درون پایگاه داده
• 31. ساخت مدل‌های پیش‌بینی با BigQuery ML
• 32. ارزیابی و استقرار مدل‌های BigQuery ML
• 33. BigQuery GIS: قابلیت‌های تحلیل مکانی جغرافیایی
• 34. اسکریپت‌نویسی BigQuery و توابع تعریف شده توسط کاربر (UDFs)
• 35. معرفی Pub/Sub: سرویس پیام‌رسانی بلادرنگ
• 36. Topicها، Subscriptionها و جریان پیام در Pub/Sub
• 37. یکپارچه‌سازی Pub/Sub با سایر سرویس‌های GCP
• 38. مدیریت خطا و پایداری در Pub/Sub
• 39. معرفی Dataflow: پردازش یکپارچه جریانی و دسته‌ای
• 40. مبانی Apache Beam: Pipelineها، PCollectionها و Transformها
• 41. توسعه Pipelineهای دسته‌ای با Dataflow
• 42. SDKهای Dataflow و مدل برنامه‌نویسی (پایتون/جاوا)
• 43. Transform‌های پیشرفته و منطق سفارشی در Dataflow
• 44. مفاهیم Windowing در Dataflow (Fixed, Sliding, Session)
• 45. Triggerها و Watermarkها برای Pipelineهای جریانی Dataflow
• 46. طراحی Pipelineهای جریانی با Dataflow
• 47. مدیریت خطا و کیفیت داده در Pipelineهای Dataflow
• 48. نظارت و اشکال‌زدایی وظایف Dataflow
• 49. معرفی Dataproc: هدوپ و اسپارک مدیریت شده
• 50. راه‌اندازی و مدیریت کلاسترهای Dataproc
• 51. اجرای وظایف Spark روی Dataproc برای پردازش داده‌های بزرگ
• 52. مهاجرت حجم کاری هدوپ/اسپارک On-Premise به Dataproc
• 53. معرفی Cloud Functions: محاسبات بدون سرور رویداد محور
• 54. استفاده از Cloud Functions برای Triggerهای پردازش داده
• 55. Cloud Run: کانتینرهای بدون سرور برای هر زبان
• 56. استقرار وظایف پردازش داده کانتینری با Cloud Run
• 57. معرفی Cloud Composer: Apache Airflow مدیریت شده
• 58. مبانی Airflow: DAGها، Operatorها و Sensorها
• 59. ساخت Workflowهای هماهنگ‌سازی داده با Cloud Composer
• 60. مدیریت وابستگی‌ها و زمان‌بندی در DAGهای Airflow
• 61. بهترین شیوه‌ها برای طراحی و استقرار DAG در Airflow
• 62. معرفی Workflows: هماهنگ‌سازی بدون سرور
• 63. هماهنگ‌سازی میکروسرویس‌ها و سرویس‌های GCP با Workflows
• 64. معرفی Looker Studio (قبلاً Data Studio)
• 65. اتصال منابع داده به Looker Studio برای داشبوردها
• 66. طراحی داشبوردها و گزارش‌های تعاملی در Looker Studio
• 67. معرفی Looker: پلتفرم BI سازمانی و داده
• 68. آشنایی با مدل‌های Looker (LookML) و Exploreها
• 69. معرفی Vertex AI: پلتفرم یکپارچه یادگیری ماشین
• 70. Vertex AI Workbench: نوت‌بوک‌های Jupyter مدیریت شده
• 71. مدیریت مجموعه‌داده‌ها در Vertex AI
• 72. AutoML برای داده‌های تصویری، جدولی و متنی در Vertex AI
• 73. آموزش سفارشی با Vertex AI: وظایف آموزشی
• 74. تنظیم فراپارامترها (Hyperparameter Tuning) با Vertex AI Vizier
• 75. استقرار مدل‌ها در EndPointهای Vertex AI برای پیش‌بینی
• 76. پیش‌بینی دسته‌ای با Vertex AI
• 77. معرفی Vertex AI Feature Store
• 78. مفاهیم و شیوه‌های MLOps در Vertex AI
• 79. نظارت بر مدل و قابلیت توضیح‌پذیری با Vertex AI
• 80. معرفی Cloud Logging: مدیریت متمرکز لاگ‌ها
• 81. Cloud Monitoring: معیارها، داشبوردها و هشدارها
• 82. Cloud Trace و Cloud Profiler برای تحلیل عملکرد
• 83. API پیشگیری از از دست رفتن داده (DLP): حفاظت از داده‌های حساس
• 84. کنترل‌های سرویس VPC: جلوگیری از خروج داده
• 85. بهترین شیوه‌های امنیتی برای معماری‌های داده‌محور در GCP
• 86. مدیریت هزینه و صورت‌حساب برای سرویس‌های داده GCP
• 87. بهینه‌سازی هزینه‌های داده در GCP: استراتژی‌ها و ابزارها
• 88. طراحی یک Data Lake مدرن در GCP
• 89. معماری یک Data Warehouse با BigQuery و سایر سرویس‌ها
• 90. آشنایی با اصول و پیاده‌سازی Data Mesh در GCP
• 91. ساخت داشبوردهای تحلیل بلادرنگ در GCP
• 92. معماری‌های پردازش داده بدون سرور
• 93. حاکمیت داده و انطباق در GCP
• 94. CI/CD برای Pipelineهای داده در GCP
• 95. استراتژی‌های مهاجرت داده به GCP
• 96. ساخت معماری موتور توصیه‌گر (Recommendation Engine) در GCP
• 97. مطالعه موردی واقعی: معماری تحلیل داده‌های IoT
• 98. مطالعه موردی واقعی: Pipeline پردازش داده‌های مالی
• 99. روندهای آینده در معماری‌های داده و نوآوری‌های GCP
• 100. جمع‌بندی دوره و گام‌های بعدی برای معماران داده GCP