کتاب صوتی ساخت و اجرای سیستم‌های توصیه‌گر محصول با استفاده از Argo Workflows بر روی Kubernetes

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و اجرای سیستم‌های توصیه‌گر محصول با استفاده از Argo Workflows بر روی Kubernetes

موضوع کلی: مهندسی نرم‌افزار و زیرساخت‌های ابری

موضوع میانی: استقرار و مدیریت برنامه‌های کاربردی در محیط‌های ابری

📋 سرفصل‌های دوره

• 1. مبانی مهندسی نرم‌افزار و چرخه حیات توسعه
• 2. مفاهیم کلیدی سیستم‌های توصیه‌گر محصول
• 3. معماری سیستم‌های توصیه‌گر
• 4. مقدمه‌ای بر کانتینرسازی و داکر
• 5. مفاهیم اساسی کوبرنتیز
• 6. مبانی استقرار برنامه‌های کاربردی در کوبرنتیز
• 7. معرفی Argo Workflows
• 8. معماری Argo Workflows
• 9. نصب و پیکربندی Argo Workflows
• 10. ایجاد اولین Workflow در Argo
• 11. مفاهیم Pipeline و Step در Argo
• 12. مدیریت داده‌ها در سیستم‌های توصیه‌گر
• 13. پیش‌پردازش داده‌ها برای توصیه‌گرها
• 14. مهندسی ویژگی برای مدل‌های توصیه‌گر
• 15. مقدمه‌ای بر الگوریتم‌های توصیه‌گر
• 16. فیلترینگ مشارکتی مبتنی بر کاربر
• 17. فیلترینگ مشارکتی مبتنی بر آیتم
• 18. فیلترینگ مبتنی بر محتوا
• 19. مدل‌های ترکیبی توصیه‌گر
• 20. آموزش مدل‌های توصیه‌گر
• 21. ارزیابی عملکرد مدل‌های توصیه‌گر
• 22. متریک‌های ارزیابی سیستم‌های توصیه‌گر
• 23. تنظیم پارامترهای مدل توصیه‌گر
• 24. ذخیره‌سازی مدل‌های آموزش‌دیده
• 25. مفاهیم CI/CD در توسعه نرم‌افزار
• 26. ابزارهای CI/CD سازگار با کوبرنتیز
• 27. مقدمه‌ای بر GitOps
• 28. پیاده‌سازی GitOps با Argo CD
• 29. استقرار سیستم توصیه‌گر با Argo CD
• 30. مدیریت پیکربندی در کوبرنتیز
• 31. استفاده از ConfigMaps و Secrets
• 32. اصول طراحی API برای سیستم‌های توصیه‌گر
• 33. پیاده‌سازی RESTful API
• 34. امنیت API در محیط ابری
• 35. اصول مانیتورینگ سیستم‌های ابری
• 36. ابزارهای مانیتورینگ در کوبرنتیز (Prometheus, Grafana)
• 37. لاگ‌گیری متمرکز (ELK Stack)
• 38. مدیریت خطا در سیستم‌های توصیه‌گر
• 39. استراتژی‌های بازیابی از خطا
• 40. بهینه‌سازی عملکرد سیستم توصیه‌گر
• 41. مقیاس‌پذیری افقی و عمودی در کوبرنتیز
• 42. مدیریت منابع در کوبرنتیز
• 43. ملاحظات امنیتی در کوبرنتیز
• 44. مدیریت دسترسی و احراز هویت
• 45. مقدمه‌ای بر شبکه‌بندی در کوبرنتیز
• 46. سرویس‌ها و Ingress در کوبرنتیز
• 47. استقرار پایگاه داده برای سیستم توصیه‌گر
• 48. انتخاب پایگاه داده مناسب (PostgreSQL, MongoDB)
• 49. مهاجرت داده‌ها به محیط ابری
• 50. مدیریت نسخه‌بندی داده‌ها
• 51. مقدمه‌ای بر پردازش دسته‌ای (Batch Processing)
• 52. استفاده از Argo Workflows برای پردازش دسته‌ای
• 53. زمان‌بندی اجرای Workflows
• 54. مقدمه‌ای بر پردازش جریانی (Stream Processing)
• 55. ارتباط سیستم توصیه‌گر با سیستم‌های جریانی
• 56. استفاده از Kafka یا RabbitMQ
• 57. مقدمه‌ای بر یادگیری تقویتی در توصیه‌گرها
• 58. کاربرد یادگیری تقویتی در شخصی‌سازی
• 59. ملاحظات اخلاقی در سیستم‌های توصیه‌گر
• 60. شفافیت در سیستم‌های توصیه‌گر
• 61. پیش‌داوری در داده‌ها و مدل‌ها
• 62. راهکارهای کاهش پیش‌داوری
• 63. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 64. ملاحظات مربوط به حریم خصوصی داده‌ها
• 65. انطباق با مقررات حفاظت از داده‌ها
• 66. مقدمه‌ای بر DevOps در محیط ابری
• 67. فرهنگ و ابزارهای DevOps
• 68. مدیریت چرخه عمر محصول
• 69. تست خودکار در محیط ابری
• 70. تست یکپارچه‌سازی (Integration Testing)
• 71. تست کارایی (Performance Testing)
• 72. تست امنیتی (Security Testing)
• 73. استقرار مداوم (Continuous Deployment)
• 74. مدیریت هزینه‌های زیرساخت ابری
• 75. بهینه‌سازی مصرف منابع ابری
• 76. انتخاب ارائه‌دهنده خدمات ابری (داخلی)
• 77. مدیریت ریسک در محیط ابری
• 78. برنامه‌ریزی تداوم کسب‌وکار (BCP)
• 79. بازیابی فاجعه (Disaster Recovery)
• 80. مستندسازی سیستم‌های ابری
• 81. آموزش تیم فنی برای محیط ابری
• 82. مدیریت دانش فنی
• 83. مقدمه‌ای بر هوش مصنوعی مولد
• 84. کاربرد هوش مصنوعی مولد در توصیه‌گرها
• 85. تولید محتوای توصیه‌گر
• 86. ارزیابی ریسک‌های محتوای تولید شده
• 87. چارچوب‌های اخلاقی برای هوش مصنوعی مولد
• 88. مدیریت چرخه عمر مدل‌های یادگیری ماشین
• 89. نظارت بر مدل‌های در حال اجرا
• 90. بازآموزی مدل‌ها
• 91. استراتژی‌های استقرار مدل (Blue/Green, Canary)
• 92. پایش سلامت سیستم توصیه‌گر
• 93. مقیاس‌پذیری سیستم‌های توصیه‌گر
• 94. بهینه‌سازی شبکه و ارتباطات
• 95. مدیریت دسترسی به داده‌ها
• 96. جلوگیری از دسترسی غیرمجاز
• 97. مانیتورینگ فعالیت‌های کاربران
• 98. گزارش‌دهی و تحلیل عملکرد
• 99. بهبود مستمر سیستم توصیه‌گر
• 100. مبانی مهندسی نرم‌افزار دفاعی