کتاب صوتی Google Cloud Platform: ساخت اپلیکیشن های پردازش زبان طبیعی برای تحلیل رفتاری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: ساخت اپلیکیشن های پردازش زبان طبیعی برای تحلیل رفتاری

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه دوره و نقشه راه
• 2. مفاهیم کلیدی پردازش زبان طبیعی (NLP)
• 3. تحلیل رفتاری چیست و چه کاربردهایی دارد؟
• 4. چرا Google Cloud Platform برای پروژه‌های NLP؟
• 5. مروری بر اکوسیستم هوش مصنوعی و یادگیری ماشین در GCP
• 6. ایجاد حساب کاربری GCP و آشنایی با Free Tier
• 7. آشنایی با کنسول وب GCP و بخش‌های اصلی آن
• 8. نصب و راه‌اندازی Google Cloud SDK (gcloud CLI)
• 9. مفاهیم پایه IAM: کاربران، نقش‌ها و مجوزها
• 10. تنظیمات اولیه پروژه: فعال‌سازی APIها و مدیریت بودجه
• 11. ذخیره‌سازی داده‌های بدون ساختار با Google Cloud Storage (GCS)
• 12. کار با Bucketها و Objectها در GCS
• 13. مدیریت چرخه حیات داده در GCS
• 14. مقدمه‌ای بر ماشین‌های مجازی با Compute Engine
• 15. راه‌اندازی یک VM برای توسعه NLP
• 16. پردازش بدون سرور با Cloud Functions
• 17. نوشتن اولین Cloud Function برای پردازش متن ساده
• 18. آشنایی با Cloud Shell و ویرایشگر کد داخلی
• 19. مقدمه‌ای بر شبکه‌های مجازی (VPC) در GCP
• 20. مبانی امنیت شبکه: فایروال‌ها و قوانین دسترسی
• 21. معرفی Google Cloud Natural Language API
• 22. تحلیل احساسات (Sentiment Analysis) با NL API
• 23. استخراج موجودیت‌ها (Entity Extraction) با NL API
• 24. تحلیل نحوی (Syntactic Analysis) متن
• 25. طبقه‌بندی محتوا (Content Classification) با NL API
• 26. تحلیل احساسات موجودیت-محور (Entity Sentiment Analysis)
• 27. معرفی Google Cloud Translation API
• 28. ترجمه متن به زبان‌های مختلف به صورت برنامه‌نویسی
• 29. تشخیص خودکار زبان متن
• 30. معرفی Google Cloud Speech-to-Text API
• 31. تبدیل فایل‌های صوتی به متن برای تحلیل
• 32. معرفی Google Cloud Text-to-Speech API
• 33. ساخت اپلیکیشن‌های صوتی از متن
• 34. آشنایی با AutoML Natural Language
• 35. تفاوت مدل‌های پیش‌آموزش‌دیده (Pre-trained) و سفارشی (Custom)
• 36. معماری‌های جمع‌آوری داده برای تحلیل رفتاری
• 37. آشنایی با BigQuery به عنوان انبار داده
• 38. بارگذاری داده‌های متنی در BigQuery
• 39. اجرای کوئری‌های SQL برای تحلیل اولیه متن
• 40. توابع داخلی BigQuery برای کار با متن
• 41. پاکسازی و پیش‌پردازش داده‌های متنی (Text Cleaning)
• 42. توکنیزه‌سازی (Tokenization) و حذف کلمات توقف (Stop Words)
• 43. ریشه‌یابی (Stemming) و لماتیزاسیون (Lemmatization)
• 44. برچسب‌گذاری داده‌ها (Data Labeling) برای مدل‌های سفارشی
• 45. استفاده از Vertex AI Data Labeling Service
• 46. پردازش داده‌های جریانی با Pub/Sub
• 47. ایجاد یک Topic و Subscription در Pub/Sub
• 48. پردازش دسته‌ای داده با Dataflow
• 49. نوشتن یک پایپ‌لاین ساده Dataflow برای تبدیل متن
• 50. یکپارچه‌سازی Cloud Storage، Pub/Sub و BigQuery
• 51. معرفی Vertex AI: پلتفرم یکپارچه یادگیری ماشین
• 52. آشنایی با Vertex AI Workbench و Jupyter Notebooks مدیریت‌شده
• 53. چرخه حیات مدل‌های یادگیری ماشین (MLOps) در Vertex AI
• 54. آموزش اولین مدل طبقه‌بندی متن سفارشی با AutoML
• 55. آموزش مدل استخراج موجودیت سفارشی با AutoML
• 56. آموزش مدل تحلیل احساسات سفارشی با AutoML
• 57. ارزیابی متریک‌های مدل‌های AutoML (دقت، بازیابی، F1-Score)
• 58. استقرار (Deploy) مدل AutoML روی یک Endpoint
• 59. فراخوانی مدل مستقرشده برای پیش‌بینی آنلاین
• 60. پیش‌بینی دسته‌ای (Batch Prediction) با مدل AutoML
• 61. مقدمه‌ای بر آموزش مدل‌های سفارشی با کد (Custom Training)
• 62. آماده‌سازی محیط توسعه با TensorFlow و Keras در Vertex AI
• 63. ساخت یک مدل طبقه‌بندی متن ساده با Keras
• 64. استفاده از بردارهای کلمه (Word Embeddings) مانند Word2Vec و GloVe
• 65. ساخت و آموزش مدل‌های مبتنی بر شبکه‌های عصبی بازگشتی (RNN)
• 66. بهبود مدل‌ها با LSTM و GRU
• 67. مقدمه‌ای بر معماری ترنسفورمرها (Transformers) و مدل BERT
• 68. استفاده از مدل‌های از پیش آموزش‌دیده Hugging Face در Vertex AI
• 69. تنظیم دقیق (Fine-tuning) یک مدل BERT برای تحلیل رفتاری
• 70. کانتینریزه کردن کد آموزش مدل با Docker
• 71. ارسال یک جاب آموزش سفارشی (Custom Training Job) به Vertex AI
• 72. آشنایی با Vertex AI Experiments برای ردیابی آزمایش‌ها
• 73. ثبت مدل‌های آموزش‌دیده در Vertex AI Model Registry
• 74. بهینه‌سازی هایپرپارامترها (Hyperparameter Tuning) در Vertex AI
• 75. معماری اپلیکیشن‌های مبتنی بر NLP در GCP
• 76. ساخت یک API ساده با Cloud Functions برای فراخوانی مدل
• 77. ساخت یک API قوی‌تر با Cloud Run
• 78. کانتینریزه کردن اپلیکیشن وب با Docker
• 79. استقرار کانتینر در Cloud Run
• 80. مدیریت نسخه‌ها و ترافیک در Cloud Run
• 81. مقدمه‌ای بر ارکستراسیون کانتینرها با Google Kubernetes Engine (GKE)
• 82. استقرار یک سرویس NLP در یک کلاستر GKE
• 83. مدیریت دسترسی به API با API Gateway
• 84. آشنایی با CI/CD و خودکارسازی فرآیندها
• 85. ساخت یک پایپ‌لاین استقرار خودکار با Cloud Build
• 86. تریگر کردن پایپ‌لاین با تغییرات کد در Cloud Source Repositories
• 87. مانیتورینگ عملکرد اپلیکیشن با Cloud Monitoring
• 88. ثبت لاگ‌ها و تحلیل خطاها با Cloud Logging
• 89. ایجاد داشبورد و هشدارهای سفارشی برای سرویس NLP
• 90. اصول امنیت در فضای ابری (Shared Responsibility Model)
• 91. مدیریت دسترسی دقیق با نقش‌های سفارشی IAM
• 92. استفاده از Service Accounts برای ارتباط بین سرویس‌ها
• 93. حفاظت از داده‌های حساس با Cloud Data Loss Prevention (DLP)
• 94. ملاحظات اخلاقی در تحلیل رفتاری و هوش مصنوعی مسئولانه (Responsible AI)
• 95. شناسایی و کاهش بایاس (Bias) در مدل‌های NLP
• 96. مدیریت هزینه‌ها و بهینه‌سازی استفاده از منابع GCP
• 97. مطالعه موردی: تحلیل نظرات مشتریان در شبکه‌های اجتماعی
• 98. مطالعه موردی: ساخت یک سیستم پیشنهاد محتوای هوشمند
• 99. پروژه نهایی: طراحی و پیاده‌سازی یک سیستم تحلیل رفتار کاربر از ابتدا تا انتها
• 100. جمع‌بندی دوره، گام‌های بعدی و منابع بیشتر