کتاب صوتی Google Cloud Platform: بهینه سازی هزینه برای پروژه های تحقیق و توسعه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: بهینه سازی هزینه برای پروژه های تحقیق و توسعه

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه: چرا بهینه‌سازی هزینه در پروژه‌های تحقیق و توسعه حیاتی است؟
• 2. آشنایی با مدل‌های قیمت‌گذاری Google Cloud Platform
• 3. تفاوت هزینه در پروژه‌های تحقیق و توسعه (R&D) و پروژه‌های تولیدی (Production)
• 4. مبانی حساب‌های صورتحساب (Billing Accounts) و پروژه‌ها در GCP
• 5. نقش مدیریت هویت و دسترسی (IAM) در کنترل هزینه‌ها
• 6. آشنایی با ابزارهای اصلی مدیریت هزینه در کنسول GCP
• 7. ایجاد اولین پروژه تحقیق و توسعه با در نظر گرفتن اصول هزینه‌ای
• 8. مفهوم FinOps و کاربرد آن در تیم‌های تحقیق و توسعه
• 9. برچسب‌گذاری (Labeling) منابع: سنگ بنای تخصیص هزینه
• 10. تنظیم بودجه (Budgets) و هشدارهای (Alerts) اولیه
• 11. مقدمه‌ای بر Compute Engine و مدل‌های هزینه‌ای آن
• 12. انتخاب خانواده ماشین (Machine Family) مناسب برای بارهای کاری R&D
• 13. بهینه‌سازی هزینه با انواع ماشین‌های E2 و N2D
• 14. استفاده از ماشین‌های مجازی قابل توقف (Spot VMs) برای کاهش شدید هزینه‌ها
• 15. استفاده از ماشین‌های مجازی پیشگیرانه (Preemptible VMs) در کارهای بچ
• 16. حقوق‌اندازی (Rightsizing) ماشین‌های مجازی: تحلیل در مقابل هزینه
• 17. ایجاد انواع ماشین سفارشی (Custom Machine Types)
• 18. تخفیف‌های استفاده متعهد (Committed Use Discounts) برای بارهای کاری پایدار R&D
• 19. تخفیف‌های استفاده مداوم (Sustained Use Discounts) و نحوه عملکرد آن
• 20. زمان‌بندی روشن و خاموش کردن خودکار ماشین‌های مجازی
• 21. مبانی هزینه در Google Cloud Storage
• 22. انتخاب کلاس ذخیره‌سازی مناسب (Standard, Nearline, Coldline, Archive)
• 23. سیاست‌های چرخه حیات (Lifecycle Policies) برای داده‌های R&D
• 24. هزینه‌های عملیات (Operations) و انتقال داده (Data Transfer) در Cloud Storage
• 25. بهینه‌سازی هزینه دیسک‌های دائمی (Persistent Disks)
• 26. مقایسه هزینه انواع دیسک: SSD در مقابل HDD
• 27. مدیریت هزینه‌های اسنپ‌شات (Snapshot) دیسک
• 28. مقدمه‌ای بر هزینه‌های شبکه (Networking) در GCP
• 29. درک و مدیریت هزینه‌های خروج داده (Egress Traffic)
• 30. استفاده از Cloud CDN برای کاهش هزینه‌های ترافیک خروجی
• 31. بهینه‌سازی هزینه با Cloud NAT
• 32. مقایسه هزینه انواع متعادل‌کننده‌های بار (Load Balancers)
• 33. مقدمه‌ای بر هزینه‌ها در Google Kubernetes Engine (GKE)
• 34. مقایسه هزینه GKE Autopilot و GKE Standard
• 35. استفاده از Spot VMs در نودهای GKE برای بارهای کاری آزمایشی
• 36. پیکربندی بهینه Cluster Autoscaler برای کنترل هزینه
• 37. پیکربندی بهینه Horizontal Pod Autoscaler
• 38. حقوق‌اندازی (Rightsizing) درخواست‌های منابع کانتینرها
• 39. مقدمه‌ای بر معماری بدون سرور (Serverless) و مزایای هزینه‌ای آن
• 40. مدل قیمت‌گذاری Cloud Run و بهینه‌سازی آن
• 41. کنترل هزینه در Cloud Run با تنظیم حداقل و حداکثر نمونه‌ها (Instances)
• 42. مدل قیمت‌گذاری Cloud Functions و بهینه‌سازی آن
• 43. انتخاب حافظه و CPU مناسب برای Cloud Functions
• 44. مقایسه هزینه‌ای App Engine Standard و Flexible Environment
• 45. مبانی بهینه‌سازی هزینه در پایگاه‌های داده GCP
• 46. مقایسه هزینه Cloud SQL, Spanner و Firestore
• 47. بهینه‌سازی هزینه در Cloud SQL: انتخاب نوع ماشین و ذخیره‌سازی
• 48. تکنیک‌های توقف و شروع خودکار نمونه‌های Cloud SQL
• 49. مدیریت هزینه‌های بکاپ و بازیابی در Cloud SQL
• 50. مقدمه‌ای بر هزینه‌های BigQuery: ذخیره‌سازی و پردازش
• 51. مقایسه مدل قیمت‌گذاری On-Demand و Flat-Rate در BigQuery
• 52. درک مفهوم اسلات (Slots) در BigQuery و مدیریت آن
• 53. بهینه‌سازی کوئری‌ها برای کاهش داده‌های اسکن‌شده
• 54. استفاده از پارتیشن‌بندی (Partitioning) جداول برای کاهش هزینه کوئری
• 55. استفاده از خوشه‌بندی (Clustering) جداول برای بهینه‌سازی بیشتر
• 56. هزینه‌های پنهان در BigQuery: Streaming Inserts و Storage API
• 57. استفاده از نماهای مادی (Materialized Views) برای کاهش هزینه‌های تکراری
• 58. استفاده از BigQuery BI Engine برای بهینه‌سازی داشبوردها
• 59. تخمین هزینه کوئری قبل از اجرا
• 60. مقدمه‌ای بر هزینه‌های Dataflow
• 61. بهینه‌سازی هزینه در کارهای بچ (Batch) با Dataflow
• 62. بهینه‌سازی هزینه در کارهای استریم (Streaming) با Dataflow
• 63. استفاده از Dataflow FlexRS برای کاهش هزینه کارهای بچ
• 64. مقایسه هزینه Dataflow و Dataproc برای پردازش داده
• 65. مقدمه‌ای بر هزینه‌های Dataproc
• 66. ایجاد کلاسترهای موقت (Ephemeral Clusters) در Dataproc
• 67. استفاده از Autoscaling Policies در Dataproc
• 68. بهینه‌سازی هزینه کلاسترهای Dataproc با Spot VMs
• 69. مقدمه‌ای بر هزینه‌های هوش مصنوعی و یادگیری ماشین (AI/ML) در GCP
• 70. مقایسه هزینه استفاده از APIهای آماده در مقابل ساخت مدل سفارشی
• 71. مدیریت هزینه‌ها در Vertex AI Training
• 72. انتخاب سخت‌افزار مناسب (CPU, GPU, TPU) برای آموزش مدل
• 73. بهینه‌سازی هزینه‌های Vertex AI Prediction و هاستینگ مدل
• 74. استفاده از Cloud Logging و Cloud Monitoring برای شناسایی هزینه‌ها
• 75. ایجاد متریک‌های سفارشی مبتنی بر هزینه
• 76. فیلتر کردن لاگ‌ها برای کاهش هزینه‌های ذخیره‌سازی
• 77. تحلیل دقیق صورتحساب GCP
• 78. صدور داده‌های صورتحساب (Billing Export) به BigQuery
• 79. تحلیل و بصری‌سازی داده‌های هزینه با Looker Studio
• 80. ایجاد کوئری‌های پیشرفته در BigQuery برای تحلیل هزینه
• 81. استفاده از توصیه‌گر هزینه (Cost Recommender)
• 82. مدیریت و اعمال توصیه‌ها برای کاهش هزینه‌ها
• 83. استفاده از سهمیه‌ها (Quotas) به عنوان ابزار کنترل هزینه
• 84. زیرساخت به عنوان کد (IaC) با Terraform برای مدیریت هزینه‌ها
• 85. ایجاد ماژول‌های Terraform با در نظر گرفتن محدودیت‌های هزینه
• 86. سیاست‌های سازمانی (Organization Policies) برای کنترل هزینه‌ها
• 87. اتوماسیون خاموش کردن منابع بیکار با Cloud Scheduler و Cloud Functions
• 88. ایجاد یک داشبورد مرکزی مدیریت هزینه برای تیم R&D
• 89. فرهنگ‌سازی برای آگاهی از هزینه در تیم‌های فنی
• 90. مدل‌سازی هزینه قبل از شروع یک پروژه R&D جدید
• 91. تحلیل هزینه-فایده (Cost-Benefit Analysis) برای انتخاب سرویس‌ها
• 92. مدیریت هزینه‌های محیط‌های توسعه و آزمایش (Dev/Test)
• 93. استراتژی‌های پیشرفته: رزرو کردن منابع در مقابل برنامه‌های پس‌انداز (Savings Plans)
• 94. الگوهای معماری کم‌هزینه برای بارهای کاری ناپایدار
• 95. مطالعه موردی: بهینه‌سازی هزینه یک پایپ‌لاین پردازش داده در R&D
• 96. مطالعه موردی: کاهش هزینه آموزش یک مدل یادگیری ماشین
• 97. مطالعه موردی: مدیریت هزینه یک اپلیکیشن مبتنی بر میکروسرویس در GKE
• 98. جمع‌بندی و ایجاد یک چک‌لیست شخصی برای بهینه‌سازی هزینه
• 99. **بهینه‌سازی زیرساخت محاسباتی برای بارهای کاری ناهمگن R&D (ماشین‌های مجازی، Kubernetes، توابع): انتخاب بهینه و مقیاس‌پذیری.**
• 100. **استراتژی‌های ذخیره‌سازی داده مقرون به صرفه برای R&D: مدیریت حجم داده، Lifecycle Management، و انتخاب سرویس ذخیره‌سازی مناسب.**