کتاب صوتی Google Cloud Platform: ساخت اپلیکیشن های تحلیل داده های زمان واقعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: ساخت اپلیکیشن های تحلیل داده های زمان واقعی

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر گوگل کلاود پلتفرم (GCP)
• 2. مفاهیم کلیدی GCP: مناطق، مناطق، پروژه‌ها
• 3. حساب GCP و ایجاد اولین پروژه
• 4. بررسی اجمالی معماری های تحلیل داده های زمان واقعی
• 5. اهمیت تحلیل داده های زمان واقعی
• 6. کاربردها و سناریوهای تحلیل داده های زمان واقعی
• 7. آشنایی با سرویس های اصلی GCP برای داده های زمان واقعی
• 8. Google Compute Engine (GCE) برای زیرساخت
• 9. Google Kubernetes Engine (GKE) برای ارکستراسیون
• 10. Google Cloud Functions برای پردازش بدون سرور
• 11. Google Cloud Storage (GCS) برای ذخیره سازی
• 12. Google BigQuery برای انبار داده
• 13. Google Cloud Pub/Sub برای پیام رسانی
• 14. Google Cloud Dataflow برای پردازش استریم و بچ
• 15. Google Cloud Dataproc برای پردازش داده های حجیم
• 16. Google Cloud Composer برای ارکستراسیون گردش کار
• 17. Google Cloud Bigtable برای پایگاه داده NoSQL
• 18. Google Cloud Spanner برای پایگاه داده توزیع شده
• 19. Google Cloud Vision AI برای پردازش تصویر
• 20. Google Cloud Natural Language AI برای پردازش متن
• 21. Google Cloud Speech-to-Text AI برای تبدیل گفتار به متن
• 22. Google Cloud Text-to-Speech AI برای تبدیل متن به گفتار
• 23. Google Cloud Translation AI برای ترجمه
• 24. Google Cloud AI Platform برای مدل های یادگیری ماشین
• 25. Google Cloud Vertex AI برای یادگیری ماشین جامع
• 26. تنظیم محیط توسعه محلی
• 27. نصب Google Cloud SDK
• 28. پیکربندی احراز هویت برای GCP
• 29. اصول شبکه در GCP
• 30. شبکه های خصوصی مجازی (VPC)
• 31. قوانین فایروال و مسیریابی
• 32. استفاده از GCE برای استقرار اپلیکیشن های پایه
• 33. مقیاس پذیری خودکار در GCE
• 34. تنظیم Load Balancer برای GCE
• 35. مبانی Google Kubernetes Engine (GKE)
• 36. مفاهیم Pod, Deployment, Service در GKE
• 37. استقرار اپلیکیشن های کانتینری در GKE
• 38. مدیریت پایگاه داده ها در GCP
• 39. استفاده از Cloud SQL برای پایگاه داده های رابطه‌ای
• 40. مفاهیم Cloud Bigtable برای داده های NoSQL
• 41. انتخاب پایگاه داده مناسب برای تحلیل زمان واقعی
• 42. مبانی Google Cloud Storage (GCS)
• 43. بارگذاری و دانلود داده ها در GCS
• 44. مدیریت دسترسی و امنیت در GCS
• 45. استفاده از GCS به عنوان منبع داده اولیه
• 46. مقدمه ای بر Google Cloud Pub/Sub
• 47. موضوعات (Topics) و اشتراک ها (Subscriptions) در Pub/Sub
• 48. انتشار پیام ها و دریافت پیام ها
• 49. پردازش پیام های Pub/Sub با Cloud Functions
• 50. پردازش پیام های Pub/Sub با Cloud Dataflow
• 51. معرفی Google Cloud Dataflow
• 52. مدل برنامه نویسی Dataflow (Apache Beam)
• 53. پردازش استریم با Dataflow
• 54. پردازش بچ با Dataflow
• 55. ترکیب پردازش استریم و بچ
• 56. تنظیم Dataflow Jobs
• 57. مانیتورینگ و اشکال زدایی Dataflow Jobs
• 58. مقدمه ای بر Google BigQuery
• 59. ساختار داده در BigQuery (Dataset, Table)
• 60. بارگذاری داده ها در BigQuery
• 61. نوشتن کوئری های SQL در BigQuery
• 62. بهینه سازی کوئری های BigQuery
• 63. استفاده از BigQuery برای تحلیل داده های تاریخی
• 64. اتصال BigQuery به سایر سرویس های GCP
• 65. مقدمه ای بر Google Cloud Composer
• 66. ایجاد و مدیریت DAG ها (Directed Acyclic Graphs)
• 67. اتصال Composer به سرویس های GCP
• 68. ارکستراسیون گردش کار تحلیل داده
• 69. اتصال Composer به Pub/Sub و Dataflow
• 70. برنامه ریزی و زمانبندی Jobs با Composer
• 71. پیاده سازی خط لوله ETL/ELT زمان واقعی
• 72. طراحی معماری برای ورود داده های زمان واقعی
• 73. جمع آوری داده ها از منابع مختلف
• 74. پیش پردازش و پاکسازی داده ها
• 75. استفاده از Pub/Sub برای ورود داده ها
• 76. استفاده از Dataflow برای پردازش استریم
• 77. ذخیره سازی داده های پردازش شده در BigQuery
• 78. مانیتورینگ و هشدارهای مربوط به ورود داده ها
• 79. امنیت در طول خط لوله داده های زمان واقعی
• 80. مدیریت هویت و دسترسی (IAM)
• 81. رمزگذاری داده ها در حال انتقال و در حالت سکون
• 82. امنیت شبکه در GCP
• 83. پیکربندی امنیتی سرویس های مختلف GCP
• 84. مدیریت لاگ ها و ردیابی (Logging and Auditing)
• 85. مانیتورینگ عملکرد اپلیکیشن های تحلیل داده
• 86. استفاده از Cloud Monitoring (Stackdriver)
• 87. ایجاد داشبوردهای سفارشی
• 88. تنظیم هشدارها (Alerting)
• 89. تجزیه و تحلیل لاگ ها برای اشکال زدایی
• 90. بهینه سازی هزینه در GCP
• 91. شناسایی سرویس های پرهزینه
• 92. استراتژی های کاهش هزینه
• 93. استفاده از ماشین های مجازی مناسب
• 94. مدیریت چرخه عمر داده ها
• 95. استفاده از گزینه های ذخیره سازی مقرون به صرفه
• 96. مقدمه ای بر AI و ML در GCP
• 97. کاربرد AI/ML در تحلیل داده های زمان واقعی
• 98. معرفی Vertex AI
• 99. آماده سازی داده ها برای مدل های ML
• 100. آموزش مدل های ML سفارشی