فلش‌کارت‌های آموزشی Google Cloud Platform: Real-time Data Analysis Application Development with Advanced AI and Machine Learning Techniques

🎓 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. بخش اول: مبانی و مقدمات Google Cloud Platform**
• 2. مقدمه‌ای بر رایانش ابری و GCP
• 3. ساختار کلی GCP: پروژه‌ها، پوشه‌ها و سازمان‌ها
• 4. اصول مدیریت هویت و دسترسی (IAM)
• 5. نقش‌ها و مجوزهای IAM: مفاهیم اولیه و پیشرفته
• 6. حساب‌های خدماتی (Service Accounts) و بهترین شیوه‌های استفاده
• 7. مدیریت صورتحساب (Billing) و کنترل هزینه‌ها
• 8. استفاده از رابط خط فرمان (gcloud CLI) و Cloud Shell
• 9. مبانی شبکه‌های ابری مجازی (VPC)
• 10. زیرشبکه‌ها (Subnets) و قوانین فایروال (Firewall Rules)
• 11. مقدمه‌ای بر ماشین‌های مجازی (Compute Engine)
• 12. مبانی ذخیره‌سازی اشیاء با Cloud Storage
• 13. کلاس‌های ذخیره‌سازی و مدیریت چرخه حیات در Cloud Storage
• 14. معرفی پایگاه داده‌های مدیریت‌شده در GCP
• 15. استفاده از Cloud SDK برای توسعه
• 16. بخش دوم: دریافت و ذخیره‌سازی داده‌های حجیم (Data Ingestion & Storage)**
• 17. الگوهای دریافت داده (Data Ingestion Patterns) در GCP
• 18. معرفی Pub/Sub: پیام‌رسانی غیرهمزمان برای استریم داده
• 19. ایجاد Topic و Subscription در Pub/Sub
• 20. ویژگی‌های پیشرفته Pub/Sub: فیلتر کردن و Dead-lettering
• 21. استفاده از Cloud Storage به عنوان Data Lake
• 22. انتقال داده‌های حجیم با Storage Transfer Service
• 23. مقدمه‌ای بر BigQuery: انبار داده بدون سرور
• 24. معماری BigQuery: جداسازی محاسبات و ذخیره‌سازی
• 25. بارگذاری داده به صورت دسته‌ای (Batch Loading) در BigQuery
• 26. پایگاه داده رابطه‌ای مدیریت‌شده: Cloud SQL
• 27. پایگاه داده NoSQL مدیریت‌شده: Firestore
• 28. پایگاه داده NoSQL برای داده‌های حجیم: Bigtable
• 29. استفاده از Data Fusion برای یکپارچه‌سازی داده‌ها (ETL/ELT)
• 30. استفاده از Dataproc برای پردازش‌های مبتنی بر Hadoop و Spark
• 31. بخش سوم: پردازش آنی داده‌ها (Real-time Data Processing)**
• 32. مقدمه‌ای بر پردازش جریانی (Stream Processing)
• 33. معرفی Apache Beam و مدل برنامه‌نویسی آن
• 34. معرفی Cloud Dataflow: سرویس مدیریت‌شده برای Apache Beam
• 35. توسعه اولین Pipeline در Dataflow با Python/Java
• 36. مفاهیم پنجره‌بندی (Windowing) در پردازش جریانی
• 37. Triggers و Accumulation در Dataflow
• 38. دریافت داده از Pub/Sub در یک Pipeline Dataflow
• 39. ذخیره‌سازی نتایج پردازش در BigQuery به صورت آنی
• 40. استفاده از الگوهای آماده Dataflow (Dataflow Templates)
• 41. بهینه‌سازی عملکرد و هزینه در پایپ‌لاین‌های Dataflow
• 42. مدیریت خطا و مانیتورینگ پایپ‌لاین‌های Dataflow
• 43. بخش چهارم: توسعه و استقرار برنامه‌های کاربردی (Application Development & Deployment)**
• 44. مقدمه‌ای بر معماری میکروسرویس و بدون سرور (Serverless)
• 45. توسعه توابع رویداد-محور با Cloud Functions
• 46. استقرار کانتینرها به صورت بدون سرور با Cloud Run
• 47. مبانی کانتینرسازی با Docker
• 48. مدیریت رجیستری کانتینر با Artifact Registry
• 49. معرفی Google Kubernetes Engine (GKE) برای ارکستراسیون کانتینرها
• 50. استقرار یک برنامه ساده روی GKE
• 51. مدیریت APIها با API Gateway
• 52. ایجاد یک API برای سرویس Cloud Run یا Cloud Functions
• 53. ذخیره‌سازی و مدیریت اطلاعات حساس با Secret Manager
• 54. معرفی App Engine برای توسعه برنامه‌های وب
• 55. بخش پنجم: هوش مصنوعی و یادگیری ماشین با APIهای آماده**
• 56. مروری بر سرویس‌های هوش مصنوعی و یادگیری ماشین در GCP
• 57. تحلیل تصویر با Vision AI API
• 58. تشخیص متن (OCR) و برچسب‌گذاری اشیاء با Vision AI
• 59. پردازش زبان طبیعی با Natural Language AI API
• 60. تحلیل احساسات و استخراج موجودیت‌ها با Natural Language AI
• 61. تبدیل گفتار به متن با Speech-to-Text API
• 62. تبدیل متن به گفتار با Text-to-Speech API
• 63. ترجمه متون با Translation AI API
• 64. ادغام APIهای هوش مصنوعی با Cloud Functions برای پردازش آنی
• 65. استفاده از AutoML Vision برای آموزش مدل‌های طبقه‌بندی تصویر سفارشی
• 66. استفاده از AutoML Tables برای ساخت مدل‌های پیش‌بینی روی داده‌های ساختاریافته
• 67. بخش ششم: پلتفرم یکپارچه Vertex AI برای یادگیری ماشین پیشرفته**
• 68. مقدمه‌ای بر Vertex AI و چرخه حیات MLOps
• 69. مدیریت مجموعه داده‌ها (Datasets) در Vertex AI
• 70. مهندسی ویژگی با Vertex AI Feature Store
• 71. آموزش مدل‌های سفارشی با کانتینرهای از پیش ساخته شده
• 72. آموزش مدل‌های سفارشی با کانتینرهای شخصی‌سازی شده
• 73. تنظیم خودکار هایپرپارامترها (Hyperparameter Tuning)
• 74. استقرار مدل‌ها روی Endpoints برای پیش‌بینی آنلاین
• 75. دریافت پیش‌بینی‌های دسته‌ای (Batch Predictions)
• 76. معرفی Vertex AI Pipelines برای خودکارسازی فرآیندهای ML
• 77. ساخت و اجرای یک پایپ‌لاین ساده در Vertex AI
• 78. مانیتورینگ عملکرد مدل‌ها (Model Monitoring)
• 79. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI) در GCP
• 80. استفاده از Generative AI Studio و Model Garden
• 81. معرفی APIهای مدل‌های زبانی بزرگ (مانند PaLM 2)
• 82. بخش هفتم: معماری، امنیت و بهترین شیوه‌ها**
• 83. معماری یک برنامه تحلیل داده آنی کامل (End-to-End)
• 84. استفاده از Terraform برای مدیریت زیرساخت به عنوان کد (IaC)
• 85. اتوماسیون فرآیندهای CI/CD با Cloud Build
• 86. مانیتورینگ و ثبت وقایع با Cloud Monitoring و Cloud Logging
• 87. ایجاد داشبوردها و هشدارهای سفارشی
• 88. اصول امنیتی در GCP: مدل مسئولیت مشترک
• 89. کنترل دسترسی به شبکه با VPC Service Controls
• 90. حفاظت از داده‌ها با Cloud Data Loss Prevention (DLP)
• 91. بهینه‌سازی هزینه‌ها در سرویس‌های داده و هوش مصنوعی
• 92. مطالعه موردی: تحلیل آنی نظرات کاربران در شبکه‌های اجتماعی
• 93. مطالعه موردی: سیستم توصیه‌گر آنی برای یک فروشگاه آنلاین
• 94. جمع‌بندی دوره و مسیرهای یادگیری آینده
• 95. **پردازش داده‌های جریانی با Apache Beam و Dataflow:** معرفی Beam SDK، پایپلاین‌های پردازش داده، تبدیل‌ها و پنجره‌بندی داده‌ها.
• 96. **تحلیل داده‌های بلادرنگ با Pub/Sub و BigQuery:** دریافت و ذخیره داده‌های جریانی، تحلیل با کوئری‌های SQL در BigQuery، ایجاد داشبوردهای بلادرنگ.
• 97. **یادگیری ماشین بلادرنگ با TensorFlow Serving و Vertex AI:** استقرار مدل‌های یادگیری ماشین، ارائه پیش‌بینی‌های بلادرنگ، مانیتورینگ عملکرد مدل.
• 98. **بهینه‌سازی و مقیاس‌پذیری برنامه‌های تحلیل داده:** استراتژی‌های بهینه‌سازی، مقیاس‌بندی افقی و عمودی، استفاده از اتواسکیلینگ.
• 99. **امنیت و انطباق در محیط‌های تحلیل داده بلادرنگ:** رمزنگاری داده‌ها، مدیریت کلیدها، رعایت الزامات انطباق (Compliance).
• 100. **پروژه عملی: ساخت یک سیستم تحلیل داده بلادرنگ end-to-end:** طراحی، پیاده‌سازی و استقرار یک برنامه کاربردی کامل با استفاده از تکنیک‌های آموزش داده شده.