کتاب صوتی Google Cloud Platform: ساخت اپلیکیشن های تحلیل شبکه های اجتماعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: ساخت اپلیکیشن های تحلیل شبکه های اجتماعی

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه و مبانی**
• 2. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 3. چرا Google Cloud Platform برای این کار مناسب است؟
• 4. مروری بر معماری کلی یک اپلیکیشن تحلیل داده
• 5. آشنایی با مفاهیم کلیدی Cloud Computing (IaaS, PaaS, SaaS)
• 6. ساخت حساب کاربری GCP و آشنایی با Free Tier
• 7. آشنایی با کنسول وب Google Cloud
• 8. نصب و راه‌اندازی Google Cloud SDK (gcloud CLI)
• 9. مفاهیم پایه پروژه‌ها، پوشه‌ها و سازمان‌ها در GCP
• 10. مدیریت هویت و دسترسی (IAM): مفاهیم پایه
• 11. نقش‌های اصلی IAM (Owner, Editor, Viewer)
• 12. حساب‌های سرویس (Service Accounts) و کاربرد آنها
• 13. مدیریت هزینه‌ها و بودجه‌بندی در GCP
• 14. آشنایی با Cloud Shell و ویرایشگر کد داخلی
• 15. تنظیمات اولیه محیط برنامه‌نویسی (Python و Virtual Environments)
• 16. مقدمه‌ای بر APIهای شبکه‌های اجتماعی (مثال: Twitter API)
• 17. جمع‌آوری و دریافت داده (Data Ingestion)**
• 18. استراتژی‌های جمع‌آوری داده: Batch در مقابل Streaming
• 19. معرفی Cloud Functions به عنوان سرویس Serverless
• 20. نوشتن اولین Cloud Function برای فراخوانی API
• 21. استفاده از Secret Manager برای ذخیره امن کلیدهای API
• 22. زمان‌بندی اجرای توابع با Cloud Scheduler
• 23. معرفی Cloud Pub/Sub: سیستم پیام‌رسانی غیرهمزمان
• 24. طراحی یک پایپ‌لاین دریافت داده با Pub/Sub و Cloud Functions
• 25. دریافت داده‌های زنده (Streaming) از شبکه‌های اجتماعی
• 26. مدیریت خطا و تلاش مجدد در پایپ‌لاین دریافت داده
• 27. فرمت‌های داده رایج (JSON, CSV) و نحوه کار با آنها
• 28. ملاحظات مربوط به محدودیت‌های نرخ API (Rate Limiting)
• 29. ایجاد یک تابع برای دریافت داده‌های تاریخی (Batch)
• 30. ورود داده‌ها به سیستم با استفاده از Cloud Logging
• 31. ذخیره‌سازی داده (Data Storage)**
• 32. مقایسه گزینه‌های ذخیره‌سازی در GCP
• 33. آشنایی با Google Cloud Storage برای داده‌های ساختارنیافته
• 34. ساختاردهی Bucketها و مدیریت اشیاء (Objects)
• 35. چرخه حیات داده‌ها در Cloud Storage (Storage Classes)
• 36. معرفی BigQuery به عنوان انبار داده (Data Warehouse)
• 37. ساختار BigQuery: Projects, Datasets, Tables
• 38. طراحی اسکیمای جدول برای داده‌های شبکه‌های اجتماعی
• 39. بارگذاری داده‌ها از Cloud Storage به BigQuery (Batch Load)
• 40. بارگذاری داده‌های زنده در BigQuery (Streaming Inserts)
• 41. مفاهیم پارتیشن‌بندی (Partitioning) جداول در BigQuery
• 42. مفاهیم خوشه‌بندی (Clustering) جداول در BigQuery
• 43. آشنایی با Firestore برای ذخیره‌سازی داده‌های NoSQL
• 44. کاربردهای Firestore برای ذخیره متادیتا و داده‌های سریع‌التغییر
• 45. مقایسه BigQuery و Firestore: چه زمانی از کدام استفاده کنیم؟
• 46. پردازش و تبدیل داده (Data Processing & Transformation)**
• 47. مفهوم ETL و ELT در تحلیل داده
• 48. پاکسازی و پیش‌پردازش متن (Text Preprocessing)
• 49. حذف نویز، نرمال‌سازی و توکنیزاسیون متن
• 50. استفاده از SQL در BigQuery برای تبدیل داده‌ها
• 51. نوشتن کوئری‌های پیچیده برای استخراج ویژگی‌ها
• 52. توابع پنجره‌ای (Window Functions) در BigQuery
• 53. معرفی Dataflow برای پردازش داده در مقیاس بزرگ
• 54. مفاهیم Apache Beam: Pipeline, PCollection, PTransform
• 55. ایجاد یک پایپ‌لاین Dataflow برای پردازش دسته‌ای داده‌ها
• 56. ایجاد یک پایپ‌لاین Dataflow برای پردازش جریانی داده‌ها
• 57. استفاده از Cloud Functions برای تبدیل‌های سبک و سریع
• 58. معرفی Dataproc برای بارهای کاری مبتنی بر Spark و Hadoop
• 59. مقایسه Dataflow، Dataproc و Cloud Functions برای پردازش داده
• 60. تحلیل داده و یادگیری ماشین (Analytics & Machine Learning)**
• 61. مقدمه‌ای بر تحلیل احساسات (Sentiment Analysis)
• 62. استفاده از Vertex AI Natural Language API برای تحلیل احساسات
• 63. استخراج موجودیت‌ها (Entity Extraction) از متن
• 64. دسته‌بندی محتوا با Natural Language API
• 65. معرفی BigQuery ML: یادگیری ماشین با استفاده از SQL
• 66. ساخت مدل تحلیل احساسات با BigQuery ML
• 67. ارزیابی عملکرد مدل‌های BigQuery ML
• 68. مقدمه‌ای بر مدل‌سازی موضوعی (Topic Modeling)
• 69. شناسایی ترندها و موضوعات داغ در داده‌ها
• 70. تحلیل شبکه: شناسایی کاربران تأثیرگذار (Influencers)
• 71. ایجاد گراف روابط بین کاربران در BigQuery
• 72. معرفی Vertex AI Platform برای ساخت مدل‌های سفارشی
• 73. آماده‌سازی مجموعه داده برای آموزش مدل سفارشی
• 74. آموزش یک مدل طبقه‌بندی متن سفارشی با AutoML Text
• 75. استقرار (Deploy) مدل آموزش‌دیده روی یک Endpoint
• 76. فراخوانی مدل مستقر شده برای پیش‌بینی‌های آنلاین
• 77. پردازش دسته‌ای با مدل‌های Vertex AI
• 78. مقدمه‌ای بر پیش‌بینی سری‌های زمانی برای تحلیل ترندها
• 79. مصورسازی و ارائه نتایج (Visualization & Reporting)**
• 80. مقدمه‌ای بر Looker Studio (سابقاً Data Studio)
• 81. اتصال Looker Studio به BigQuery
• 82. ساخت اولین داشبورد تحلیلی
• 83. انواع نمودارها و کاربرد آنها در تحلیل شبکه‌های اجتماعی
• 84. ایجاد نمودارهای سری زمانی برای نمایش ترندها
• 85. مصورسازی داده‌های جغرافیایی روی نقشه
• 86. ساخت نمودار میله‌ای برای نمایش توزیع احساسات
• 87. ایجاد فیلترها و کنترل‌های تعاملی در داشبورد
• 88. محاسبه و ایجاد فیلدهای جدید (Calculated Fields)
• 89. اشتراک‌گذاری و تعبیه (Embedding) داشبوردها
• 90. تنظیم به‌روزرسانی خودکار داده‌ها در داشبورد
• 91. معماری، استقرار و مدیریت (Architecture, Deployment & Operations)**
• 92. طراحی معماری Serverless سرتاسری برای پروژه
• 93. مقدمه‌ای بر زیرساخت به عنوان کد (IaC) با Terraform
• 94. مدیریت وابستگی‌های پروژه با Cloud Build
• 95. ایجاد یک پایپ‌لاین CI/CD ساده برای Cloud Functions
• 96. نظارت بر عملکرد اپلیکیشن با Cloud Monitoring
• 97. ایجاد داشبوردهای نظارتی و هشدارهای سفارشی
• 98. جستجو و تحلیل لاگ‌ها با Cloud Logging
• 99. بهترین شیوه‌های امنیتی: اصل حداقل دسترسی (Least Privilege)
• 100. مدیریت هزینه‌ها و بهینه‌سازی معماری برای کاهش هزینه‌ها