کتاب صوتی Google Cloud Platform: High-Quality, High-Speed, and High-Accuracy Image Processing Application Development

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: High-Quality, High-Speed, and High-Accuracy Image Processing Application Development

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش تصویر با کیفیت، سرعت و دقت بالا در nuvem
• 2. آشنایی با Google Cloud Platform (GCP) و اکوسیستم آن
• 3. چرا GCP انتخاب مناسبی برای کاربردهای پردازش تصویر است؟
• 4. ساخت حساب کاربری و مدیریت صورت‌حساب (Billing) در GCP
• 5. آشنایی با کنسول وب GCP و Cloud Shell
• 6. مفاهیم پایه مدیریت هویت و دسترسی (IAM)
• 7. نصب و راه‌اندازی ابزار خط فرمان gcloud (CLI)
• 8. مقدمه‌ای بر ماشین‌های مجازی با Google Compute Engine
• 9. مفاهیم بنیادی شبکه در nuvem: VPC, Subnet, Firewall Rules
• 10. آشنایی با انواع فضای ذخیره‌سازی در GCP
• 11. معرفی Google Cloud Storage: ذخیره‌سازی مقیاس‌پذیر برای تصاویر
• 12. انتخاب زبان برنامه‌نویسی و راه‌اندازی SDK گوگل nuvem
• 13. اصول اولیه امنیت در GCP
• 14. بررسی هزینه‌ها و ابزارهای تخمین هزینه
• 15. ساخت اولین پروژه: آپلود و مدیریت یک تصویر در GCP
• 16. ساختار و مدیریت Bucket‌ها در Cloud Storage
• 17. کلاس‌های مختلف ذخیره‌سازی (Standard, Nearline, Coldline, Archive)
• 18. کنترل دسترسی به اشیاء (Objects) و Bucket‌ها
• 19. مدیریت چرخه عمر (Lifecycle Management) برای آرشیو تصاویر
• 20. نسخه‌بندی (Versioning) اشیاء برای جلوگیری از حذف تصادفی
• 21. استفاده از Signed URLs برای دسترسی موقت و امن به تصاویر
• 22. افزایش سرعت تحویل تصویر با Cloud CDN
• 23. بهترین روش‌ها برای سازماندهی و نام‌گذاری تصاویر در Cloud Storage
• 24. مانیتورینگ دسترسی و استفاده از فضای Cloud Storage
• 25. استراتژی‌های پشتیبان‌گیری و بازیابی اطلاعات تصویری
• 26. مقدمه‌ای بر معماری بدون سرور (Serverless)
• 27. آشنایی با Cloud Functions: اجرای کد در پاسخ به رویدادها
• 28. ایجاد یک تابع nuvem (Cloud Function) برای تغییر اندازه تصاویر (Thumbnail Generation)
• 29. تریگرهای Cloud Storage: اجرای خودکار کد هنگام آپلود تصویر
• 30. معرفی Cloud Run: اجرای کانتینرهای بدون سرور
• 31. مقدمه‌ای بر Vision AI API: پردازش تصویر هوشمند از پیش‌آماده
• 32. تشخیص برچسب و محتوا در تصاویر (Label Detection)
• 33. تشخیص و تحلیل چهره (Face Detection)
• 34. مکان‌یابی اشیاء در تصاویر (Object Localization)
• 35. استخراج متن از تصاویر (OCR) با Vision AI
• 36. تشخیص لوگو و نشان‌های تجاری (Logo Detection)
• 37. جستجوی وب برای تصاویر مشابه (Web Detection)
• 38. تشخیص محتوای نامناسب (Safe Search Detection)
• 39. استفاده از کتابخانه‌های کلاینت Vision AI در پایتون
• 40. مدیریت خطا و تحلیل پاسخ‌های JSON از Vision AI API
• 41. طراحی معماری پایپ‌لاین پردازش تصویر مقیاس‌پذیر
• 42. معرفی Google Cloud Pub/Sub برای پیام‌رسانی ناهمزمان
• 43. جداسازی اجزای سیستم: Storage Trigger -> Pub/Sub -> Worker
• 44. پیاده‌سازی یک Worker پردازش تصویر با Cloud Run
• 45. ارکستراسیون گردش‌کارها با Cloud Workflows
• 46. پردازش دسته‌ای (Batch Processing) میلیون‌ها تصویر
• 47. استفاده از Google Cloud Batch برای بارهای کاری سنگین
• 48. مانیتورینگ عملکرد پایپ‌لاین با Cloud Monitoring
• 49. ثبت و تحلیل لاگ‌ها با Cloud Logging
• 50. ایجاد داشبوردهای سفارشی و هشدار (Alerting)
• 51. مدیریت خطا و تلاش مجدد (Retries) در سیستم‌های توزیع‌شده
• 52. بهینه‌سازی هزینه‌های معماری بدون سرور
• 53. مقایسه Cloud Functions و Cloud Run برای وظایف مختلف
• 54. مدیریت وابستگی‌ها (Dependencies) در محیط‌های بدون سرور
• 55. تست خودکار توابع Cloud Functions و سرویس‌های Cloud Run
• 56. الگوهای طراحی برای پردازش موازی تصاویر
• 57. ذخیره‌سازی فراداده (Metadata) تصاویر پردازش‌شده
• 58. مقدمه‌ای بر پایگاه‌های داده GCP: Firestore و Cloud SQL
• 59. اتصال سرویس‌های بدون سرور به پایگاه داده
• 60. تحلیل تنگناها (Bottlenecks) و بهینه‌سازی عملکرد
• 61. چه زمانی از مدل‌های سفارشی به جای Vision AI API استفاده کنیم؟
• 62. معرفی پلتفرم یکپارچه هوش مصنوعی Vertex AI
• 63. آماده‌سازی و پیش‌پردازش دیتاست‌های تصویری
• 64. برچسب‌گذاری داده‌های تصویری با Vertex AI Data Labeling
• 65. آموزش مدل طبقه‌بندی تصویر سفارشی با AutoML Vision
• 66. آموزش مدل تشخیص اشیاء سفارشی با AutoML Vision
• 67. ارزیابی دقت مدل: Precision, Recall, و Confusion Matrix
• 68. درک و تفسیر معیارهای ارزیابی مدل
• 69. استقرار (Deploy) مدل آموزش‌دیده بر روی یک Endpoint
• 70. فراخوانی Endpoint مدل برای پیش‌بینی (Inference) آنلاین
• 71. پیش‌بینی دسته‌ای (Batch Prediction) با مدل‌های سفارشی
• 72. آشنایی با Vertex AI Training برای آموزش با کد سفارشی
• 73. استفاده از کانتینرهای از پیش ساخته شده برای آموزش مدل
• 74. ساخت کانتینر سفارشی برای الگوریتم‌های خاص
• 75. بهینه‌سازی فرآیند آموزش با Hyperparameter Tuning
• 76. معرفی Vertex AI Pipelines برای اتوماسیون MLOps
• 77. ذخیره و تحلیل نتایج پیش‌بینی در BigQuery
• 78. مصورسازی نتایج تحلیل در Looker Studio (Data Studio)
• 79. مدیریت نسخه‌های مختلف مدل‌ها در Vertex AI Model Registry
• 80. چرخه کامل MLOps: از داده تا استقرار و مانیتورینگ
• 81. بهینه‌سازی فرمت تصاویر (JPEG, PNG, WebP) برای سرعت و کیفیت
• 82. استفاده از GPU برای تسریع آموزش و پیش‌بینی مدل‌ها
• 83. تنظیمات پیشرفته مدل برای دستیابی به دقت بالاتر
• 84. تکنیک‌های افزایش داده (Data Augmentation) برای بهبود مدل
• 85. درک و کاهش بایاس (Bias) در مدل‌های هوش مصنوعی
• 86. تکنیک‌های پردازش تصاویر بسیار بزرگ (Tiling)
• 87. مقایسه معماری‌های پردازش آنی (Real-time) و دسته‌ای (Batch)
• 88. استراتژی‌های کشینگ (Caching) برای تصاویر و نتایج با Memorystore
• 89. فشرده‌سازی و کوانتیزاسیون (Quantization) مدل برای استنتاج سریع‌تر
• 90. استفاده از TensorFlow و PyTorch در Vertex AI
• 91. ایجاد پایپ‌لاین CI/CD با Cloud Build برای استقرار خودکار
• 92. مدیریت زیرساخت به عنوان کد (IaC) با Terraform
• 93. اصول امنیت در سطح اپلیکیشن: Secret Manager برای کلیدهای API
• 94. ایمن‌سازی شبکه با VPC Service Controls
• 95. رمزنگاری داده‌های تصویری در حالت سکون (At Rest) و در حال انتقال (In Transit)
• 96. ساخت یک رابط کاربری وب ساده برای آپلود و نمایش تصاویر
• 97. یکپارچه‌سازی با Firebase برای احراز هویت و میزبانی وب
• 98. مطالعه موردی: سیستم تحلیل تصاویر محصولات در یک فروشگاه آنلاین
• 99. مطالعه موردی: پایپ‌لاین تعدیل محتوای تولید شده توسط کاربر (UGC Moderation)
• 100. جمع‌بندی دوره، روندهای آینده و گام‌های بعدی