فلش‌کارت‌های آموزشی ساخت کانتینرها و pipelines برای پردازش داده‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت کانتینرها و pipelines برای پردازش داده‌ها

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کانتینرسازی و مزایای آن
• 2. داکر: مفاهیم پایه و نصب
• 3. ساخت ایمیج‌های داکر
• 4. مدیریت ایمیج‌ها و رجیستری‌ها
• 5. Docker Compose: مدیریت چندکانتینری
• 6. شبکه‌سازی در داکر
• 7. ذخیره‌سازی داده‌ها در کانتینرها
• 8. مقدمه‌ای بر Kubernetes
• 9. معماری Kubernetes: Pods، Services، Deployments
• 10. مدیریت پیکربندی در Kubernetes
• 11. مقیاس‌پذیری برنامه‌ها با Kubernetes
• 12. مانیتورینگ و لاگ‌برداری در Kubernetes
• 13. استقرار برنامه‌ها در Kubernetes
• 14. مفاهیم CI/CD
• 15. ابزارهای CI/CD محبوب
• 16. یکپارچه‌سازی داکر با CI/CD
• 17. ساخت Pipelineهای خودکار برای داکر
• 18. آزمایش خودکار کانتینرها
• 19. امنیت کانتینرها: بهترین روش‌ها
• 20. مدیریت دسترسی و احراز هویت در Kubernetes
• 21. استفاده از Secrets در Kubernetes
• 22. مانیتورینگ امنیتی کانتینرها
• 23. مقدمه‌ای بر Serverless Computing
• 24. استفاده از کانتینرها در محیط Serverless
• 25. ابزارهای Serverless محبوب
• 26. مقایسه کانتینرها و ماشین‌های مجازی
• 27. انتخاب ابزار مناسب برای کانتینرسازی
• 28. بهینه‌سازی عملکرد کانتینرها
• 29. عیب‌یابی مشکلات کانتینرها
• 30. استفاده از کانتینرها در توسعه محلی
• 31. استفاده از کانتینرها در محیط‌های ابری
• 32. مقدمه‌ای بر مفاهیم Data Pipeline
• 33. ابزارهای ساخت Data Pipeline
• 34. یکپارچه‌سازی کانتینرها با Data Pipeline
• 35. پردازش داده‌های جریانی با کانتینرها
• 36. پردازش داده‌های دسته‌ای با کانتینرها
• 37. استفاده از Apache Kafka با کانتینرها
• 38. استفاده از Apache Spark با کانتینرها
• 39. استفاده از Apache Flink با کانتینرها
• 40. مدیریت داده‌ها در Data Pipeline
• 41. امنیت Data Pipeline
• 42. استقرار Data Pipeline در Kubernetes
• 43. مانیتورینگ Data Pipeline
• 44. بهینه‌سازی عملکرد Data Pipeline
• 45. مقدمه‌ای بر Data Engineering
• 46. مفاهیم Data Lake و Data Warehouse
• 47. استفاده از کانتینرها برای ساخت Data Lake
• 48. استفاده از کانتینرها برای ساخت Data Warehouse
• 49. Data Governance و Compliance
• 50. Data Quality و Validation
• 51. Data Modeling و Schema Design
• 52. Data Transformation و ETL
• 53. Data Visualization و Reporting
• 54. مقدمه‌ای بر Big Data
• 55. استفاده از کانتینرها برای پردازش Big Data
• 56. چالش‌های پردازش Big Data
• 57. مقیاس‌پذیری Data Pipeline برای Big Data
• 58. امنیت Big Data
• 59. مقدمه‌ای بر یادگیری ماشین
• 60. استفاده از کانتینرها برای استقرار مدل‌های یادگیری ماشین
• 61. مدیریت مدل‌های یادگیری ماشین
• 62. مانیتورینگ مدل‌های یادگیری ماشین
• 63. استفاده از GPU در کانتینرها برای یادگیری ماشین
• 64. بهینه‌سازی عملکرد مدل‌های یادگیری ماشین
• 65. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 66. استفاده از کانتینرها برای استقرار پایگاه‌های داده NoSQL
• 67. مقایسه پایگاه‌های داده NoSQL
• 68. امنیت پایگاه‌های داده NoSQL
• 69. بهینه‌سازی عملکرد پایگاه‌های داده NoSQL
• 70. مقدمه‌ای بر میکروسرویس‌ها
• 71. ساخت میکروسرویس‌ها با کانتینرها
• 72. ارتباط بین میکروسرویس‌ها
• 73. مدیریت میکروسرویس‌ها
• 74. امنیت میکروسرویس‌ها
• 75. مانیتورینگ میکروسرویس‌ها
• 76. بهینه‌سازی عملکرد میکروسرویس‌ها
• 77. استفاده از Service Mesh در کانتینرها
• 78. مقدمه‌ای بر DevOps
• 79. DevOps و کانتینرسازی
• 80. DevOps و CI/CD
• 81. DevOps و Automation
• 82. DevOps و Monitoring
• 83. DevOps و Collaboration
• 84. بهترین روش‌های DevOps برای Data Pipeline
• 85. مقدمه‌ای بر Infrastructure as Code (IaC)
• 86. استفاده از IaC برای مدیریت کانتینرها
• 87. ابزارهای IaC محبوب
• 88. امنیت IaC
• 89. بهینه‌سازی IaC
• 90. مقدمه‌ای بر Observability
• 91. Observability و کانتینرسازی
• 92. ابزارهای Observability محبوب
• 93. امنیت Observability
• 94. بهینه‌سازی Observability
• 95. مقدمه‌ای بر GitOps
• 96. GitOps و کانتینرسازی
• 97. ابزارهای GitOps محبوب
• 98. امنیت GitOps
• 99. بهینه‌سازی GitOps
• 100. استفاده از Helm در Kubernetes