کتاب صوتی Google Cloud Platform: راهنمای عملی برای توسعه دهندگان Python

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: راهنمای عملی برای توسعه دهندگان Python

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مبانی Google Cloud Platform برای توسعه‌دهندگان Python
• 2. ساختار پروژه‌ها، سازمان‌ها و منابع در GCP
• 3. ایجاد و مدیریت حساب‌های کاربری و دسترسی‌ها
• 4. راه‌اندازی محیط توسعه Python برای GCP
• 5. نصب و کار با Google Cloud CLI
• 6. احراز هویت برنامه‌های Python در Google Cloud
• 7. مدیریت Credentialها و Application Default Credentials
• 8. مدیریت دسترسی با IAM و Service Accountها
• 9. استفاده از Google Cloud Client Libraries در Python
• 10. مدیریت تنظیمات و متغیرهای محیطی برنامه
• 11. ساخت و مدیریت ماشین‌های مجازی با Compute Engine
• 12. اجرای برنامه Python روی Compute Engine
• 13. مدیریت دیسک‌ها، شبکه و منابع VM
• 14. استقرار برنامه‌های Python با App Engine
• 15. ساخت Web Applicationهای Python روی App Engine
• 16. مدیریت نسخه‌ها و ترافیک در App Engine
• 17. استقرار سرویس‌های Python با Cloud Run
• 18. ساخت Container برای برنامه‌های Python
• 19. مدیریت Imageها با Artifact Registry
• 20. استفاده از Cloud Build برای CI/CD
• 21. خودکارسازی استقرار برنامه‌های Python
• 22. آشنایی با Virtual Private Cloud در GCP
• 23. پیکربندی شبکه برای سرویس‌های Python
• 24. مدیریت Firewall و قوانین دسترسی شبکه
• 25. اتصال امن سرویس‌های ابری به یکدیگر
• 26. ذخیره‌سازی فایل با Cloud Storage
• 27. کار با Cloud Storage از طریق Python
• 28. مدیریت Bucketها، Objectها و Permissionها
• 29. آپلود، دانلود و پردازش فایل‌های ابری با Python
• 30. استفاده از Cloud SQL برای PostgreSQL و MySQL
• 31. اتصال برنامه Python به Cloud SQL
• 32. مدیریت Connection Pooling در برنامه‌های Python
• 33. کار با Firestore در برنامه‌های Python
• 34. طراحی داده‌های NoSQL با Firestore
• 35. استفاده از BigQuery برای تحلیل داده‌ها
• 36. اجرای Queryهای BigQuery از طریق Python
• 37. بارگذاری و پردازش داده‌های Python در BigQuery
• 38. ساخت API با Python و سرویس‌های Google Cloud
• 39. پیاده‌سازی REST API با Flask و FastAPI
• 40. استقرار APIهای Python روی Cloud Run
• 41. مدیریت APIها با API Gateway
• 42. مدیریت Secretها با Secret Manager
• 43. رمزنگاری و حفاظت از داده‌های حساس
• 44. مدیریت کلیدها با Cloud KMS
• 45. استفاده از Pub/Sub برای ارتباط بین سرویس‌ها
• 46. تولید و مصرف پیام‌های Pub/Sub با Python
• 47. طراحی معماری Event-Driven برای برنامه‌های Python
• 48. پردازش رویدادها با Cloud Functions
• 49. ساخت وظایف پس‌زمینه برای برنامه‌های Python
• 50. زمان‌بندی اجرای وظایف با Cloud Scheduler
• 51. اجرای پردازش‌های طولانی با Cloud Tasks
• 52. کار با Cloud Logging در برنامه‌های Python
• 53. مانیتورینگ سرویس‌های Python با Cloud Monitoring
• 54. ردیابی خطاها و رخدادهای برنامه
• 55. Distributed Tracing برای سرویس‌های Python
• 56. مدیریت Performance و مصرف منابع
• 57. مدیریت Quotaها و محدودیت‌های سرویس‌ها
• 58. بهینه‌سازی هزینه اجرای برنامه‌های Python
• 59. طراحی برنامه‌های مقیاس‌پذیر Python در GCP
• 60. Load Balancing برای سرویس‌های Python
• 61. Auto Scaling در سرویس‌های Google Cloud
• 62. طراحی معماری Microservices با Python
• 63. ارتباط امن بین Microserviceها
• 64. استفاده از Docker در پروژه‌های Python برای GCP
• 65. ساخت Pipelineهای CI/CD با Cloud Build
• 66. مدیریت Infrastructure as Code با Terraform
• 67. تست و اعتبارسنجی برنامه‌های Python پیش از Deployment
• 68. مدیریت Rollback و نسخه‌های Deployment
• 69. پیاده‌سازی معماری Serverless با Python
• 70. ساخت سیستم‌های پردازش داده با Python و GCP
• 71. یکپارچه‌سازی سرویس‌های GCP در یک پروژه Python
• 72. طراحی معماری Production-Ready برای برنامه‌های Python
• 73. امنیت برنامه‌های Python در محیط Google Cloud
• 74. بهینه‌سازی نهایی عملکرد، امنیت و هزینه
• 75. پروژه عملی استقرار یک سرویس Python کامل روی GCP