دوره Google Cloud Platform: Real-time Data Analysis Application Development with Advanced AI and Machine Learning Techniques همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: Real-time Data Analysis Application Development with Advanced AI and Machine Learning Techniques

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر دنیای داده‌های بلادرنگ
• 2. مقدمه‌ای بر Google Cloud Platform (GCP)
• 3. مفاهیم کلیدی تحلیل داده‌های بلادرنگ
• 4. معماری سیستم‌های بلادرنگ
• 5. مقدمه‌ای بر هوش مصنوعی (AI) و یادگیری ماشین (ML)
• 6. چرا GCP برای تحلیل بلادرنگ و AI/ML؟
• 7. تنظیم محیط GCP و حساب کاربری
• 8. مفاهیم پایه‌ای GCP: مناطق، مناطق، پروژه‌ها
• 9. شبکه‌های GCP: VPC، زیرشبکه‌ها، فایروال‌ها
• 10. مدیریت هویت و دسترسی (IAM) در GCP
• 11. خدمات ذخیره‌سازی GCP: Cloud Storage
• 12. مبانی پایگاه داده در GCP: Cloud SQL
• 13. مفاهیم پایگاه داده NoSQL در GCP
• 14. انتخاب سرویس ذخیره‌سازی مناسب برای داده‌های بلادرنگ
• 15. مقدمه‌ای بر پردازش جریان داده (Stream Processing)
• 16. Apache Kafka و مفاهیم آن
• 17. Google Cloud Pub/Sub: معرفی و معماری
• 18. نوشتن اولین پیام در Pub/Sub
• 19. خواندن پیام از Pub/Sub
• 20. مدیریت اشتراک‌ها (Subscriptions) و موضوعات (Topics) در Pub/Sub
• 21. الگوهای استفاده از Pub/Sub
• 22. مقدمه‌ای بر پردازش بلادرنگ با Dataflow
• 23. معماری Apache Beam و Dataflow
• 24. نوشتن Pipeline ساده با Dataflow
• 25. تبدیلات (Transforms) اصلی در Dataflow
• 26. پردازش پنجره‌ای (Windowing) در Dataflow
• 27. مدیریت وضعیت (State) در Dataflow
• 28. استفاده از Side Inputs در Dataflow
• 29. مدیریت خطا و شکست در Dataflow
• 30. استقرار Dataflow Pipeline
• 31. استفاده از Dataflow برای پردازش داده‌های Pub/Sub
• 32. مقدمه‌ای بر Dataflow SQL
• 33. کار با انواع داده در Dataflow
• 34. بهینه‌سازی عملکرد Dataflow Pipeline
• 35. مانیتورینگ و اشکال‌زدایی Dataflow Pipeline
• 36. انتخاب ابزار مناسب برای پردازش بلادرنگ
• 37. مقدمه‌ای بر BigQuery
• 38. معماری BigQuery و ذخیره‌سازی داده
• 39. بارگذاری داده در BigQuery
• 40. کوئری زدن داده‌ها در BigQuery
• 41. انواع داده در BigQuery
• 42. پارتیشن‌بندی و خوشه‌بندی جداول در BigQuery
• 43. مدیریت هزینه‌ها در BigQuery
• 44. امنیت داده‌ها در BigQuery
• 45. استفاده از BigQuery برای تحلیل داده‌های پردازش شده
• 46. مقدمه‌ای بر BigQuery ML
• 47. ساخت مدل‌های ML ساده در BigQuery ML
• 48. آموزش مدل‌های رگرسیون در BigQuery ML
• 49. آموزش مدل‌های طبقه‌بندی در BigQuery ML
• 50. پیش‌بینی با BigQuery ML
• 51. ارزیابی مدل‌های BigQuery ML
• 52. استفاده از BigQuery ML برای تحلیل بلادرنگ
• 53. مقدمه‌ای بر AI Platform (Vertex AI)
• 54. معرفی Vertex AI: یکپارچگی خدمات AI/ML
• 55. آماده‌سازی داده‌ها برای ML در Vertex AI
• 56. آموزش مدل‌های سفارشی در Vertex AI Training
• 57. مدیریت مدل‌ها در Vertex AI Model Registry
• 58. استقرار مدل‌ها برای پیش‌بینی (Serving) در Vertex AI Endpoints
• 59. پیش‌بینی بلادرنگ با Vertex AI
• 60. مقدمه‌ای بر TensorFlow و Keras
• 61. پیاده‌سازی مدل‌های ML با TensorFlow در GCP
• 62. آموزش مدل‌های پیچیده با TensorFlow در Vertex AI
• 63. TensorBoard برای مانیتورینگ آموزش مدل
• 64. استفاده از TPUs برای آموزش سریع‌تر مدل‌ها
• 65. مقدمه‌ای بر خدمات AI از پیش آموزش دیده GCP
• 66. Vision AI: پردازش تصویر و ویدئو
• 67. Natural Language AI: پردازش زبان طبیعی
• 68. Speech-to-Text و Text-to-Speech
• 69. Translation AI
• 70. چگونه از خدمات AI از پیش آموزش دیده در برنامه بلادرنگ استفاده کنیم؟
• 71. اتصال خدمات AI به Dataflow و Pub/Sub
• 72. مقدمه‌ای بر ساخت API برای برنامه
• 73. ساخت API با Cloud Functions
• 74. ساخت API با Cloud Run
• 75. استفاده از API Gateway در GCP
• 76. اتصال API به خدمات تحلیل بلادرنگ
• 77. طراحی معماری برنامه جامع
• 78. ترکیب Pub/Sub، Dataflow، BigQuery و Vertex AI
• 79. ایجاد یک داشبورد بلادرنگ
• 80. مانیتورینگ برنامه جامع
• 81. مدیریت خطا و بازیابی در سیستم جامع
• 82. پیاده‌سازی CI/CD برای برنامه بلادرنگ
• 83. امنیت در سطح برنامه
• 84. ملاحظات مقیاس‌پذیری
• 85. بهینه‌سازی هزینه‌ها در کل سیستم
• 86. مقدمه‌ای بر پردازش گراف (Graph Processing) در GCP (اختیاری)
• 87. مقدمه‌ای بر پردازش لبه (Edge Processing) در GCP (اختیاری)
• 88. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning) در GCP (اختیاری)
• 89. کاربردهای پیشرفته AI/ML در تحلیل بلادرنگ
• 90. موردکاوی: ساخت یک سیستم توصیه بلادرنگ
• 91. موردکاوی: تشخیص ناهنجاری بلادرنگ
• 92. موردکاوی: تحلیل احساسات بلادرنگ
• 93. مقدمه‌ای بر مفاهیم داده‌های بزرگ (Big Data)
• 94. چالش‌های داده‌های حجیم و پرسرعت
• 95. استراتژی‌های مهاجرت به GCP
• 96. بهترین شیوه‌ها در طراحی سیستم‌های بلادرنگ
• 97. آینده تحلیل داده‌های بلادرنگ با AI/ML
• 98. جمع‌بندی و گام‌های بعدی
• 99. سوالات متداول و پاسخ‌ها
• 100. آشنایی با ابزارهای داده‌کاوی پیشرفته (Data Mining) و کشف الگو در داده‌های بلادرنگ با استفاده از GCP.