فلش‌کارت‌های آموزشی Google Cloud Platform: Batch Application Deployment and Management with Dask (Advanced Distributed Computing)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: Batch Application Deployment and Management with Dask (Advanced Distributed Computing)

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر رایانش ابری و Google Cloud Platform (GCP)
• 2. آشنایی با سرویس‌های اصلی GCP
• 3. راه اندازی حساب کاربری و مدیریت پروژه در GCP
• 4. آشنایی با محیط کنسول GCP و ابزارهای خط فرمان (gcloud CLI)
• 5. مفاهیم اولیه شبکه در GCP: VPC, Subnet, Firewall Rules
• 6. آشنایی با سرویس Compute Engine: ایجاد و مدیریت ماشین‌های مجازی
• 7. آشنایی با Storage Services در GCP: Cloud Storage, Cloud Filestore, Persistent Disk
• 8. مقدمه‌ای بر Docker و Containerization
• 9. ایجاد Docker Image و Dockerfile
• 10. بارگذاری Docker Image در Container Registry
• 11. مقدمه‌ای بر Kubernetes و Google Kubernetes Engine (GKE)
• 12. ایجاد Cluster Kubernetes در GKE
• 13. استقرار (Deployment) اپلیکیشن‌ها در Kubernetes
• 14. مقدمه‌ای بر Dask: محاسبات توزیع شده در پایتون
• 15. آشنایی با مفاهیم Dask: Task Graph, Scheduler, Worker
• 16. نصب و پیکربندی Dask
• 17. استفاده از Dask DataFrames برای پردازش داده‌های بزرگ
• 18. استفاده از Dask Arrays برای محاسبات عددی موازی
• 19. مقدمه‌ای بر Batch Processing
• 20. الگوهای طراحی Batch Application
• 21. یکپارچه‌سازی Dask با Batch Processing
• 22. آشنایی با Cloud Functions: Serverless Compute در GCP
• 23. استفاده از Cloud Functions برای Trigger کردن Batch Jobs
• 24. آشنایی با Cloud Composer: Orchestration سرویس‌های GCP
• 25. ایجاد DAG (Directed Acyclic Graph) در Cloud Composer
• 26. برنامه‌ریزی و مدیریت Workflow ها با Cloud Composer
• 27. آشنایی با Cloud Dataflow: سرویس ETL (Extract, Transform, Load) در GCP
• 28. استفاده از Cloud Dataflow برای پردازش داده
• 29. مقدمه‌ای بر BigQuery: Data Warehouse در GCP
• 30. بارگذاری داده‌ها در BigQuery
• 31. اجرای Query های SQL در BigQuery
• 32. استفاده از BigQuery به عنوان منبع داده برای Dask
• 33. آشنایی با Cloud Logging: جمع‌آوری و تحلیل Log ها در GCP
• 34. مانیتورینگ اپلیکیشن‌ها با Cloud Monitoring
• 35. هشداردهی (Alerting) در Cloud Monitoring
• 36. بهینه‌سازی عملکرد (Performance Tuning) اپلیکیشن‌ها در GCP
• 37. مقیاس‌پذیری (Scalability) افقی و عمودی در GCP
• 38. امنیت در GCP: Identity and Access Management (IAM)
• 39. مدیریت دسترسی‌ها و نقش‌ها در GCP
• 40. رمزنگاری داده‌ها در GCP
• 41. آشنایی با Cloud IAM Conditions
• 42. ایجاد Custom Roles در Cloud IAM
• 43. استفاده از Secrets Manager برای مدیریت امن Secrets
• 44. آشنایی با Cloud Build: Continuous Integration/Continuous Delivery (CI/CD) در GCP
• 45. ایجاد Pipeline های CI/CD
• 46. اتوماتیک سازی Deployment ها
• 47. آشنایی با Infrastructure as Code (IaC)
• 48. استفاده از Terraform برای مدیریت زیرساخت GCP
• 49. ایجاد و مدیریت منابع GCP با Terraform
• 50. آشنایی با Deployment Manager: Template-based Deployment در GCP
• 51. استفاده از Deployment Manager برای ایجاد محیط‌های تکرارپذیر
• 52. آشنایی با Cost Management در GCP
• 53. برآورد هزینه‌ها و بهینه‌سازی مصرف منابع
• 54. ایجاد Budget و Alert در GCP
• 55. استراتژی‌های مدیریت هزینه در GCP
• 56. آشنایی با Cloud SDK و gcloud CLI
• 57. استفاده از gcloud CLI برای مدیریت منابع GCP
• 58. آشنایی با API های GCP
• 59. استفاده از Python Client Libraries برای دسترسی به API های GCP
• 60. دیباگ کردن اپلیکیشن‌ها در GCP
• 61. عیب‌یابی مشکلات شبکه در GCP
• 62. عیب‌یابی مشکلات مربوط به Container ها و Kubernetes
• 63. بهینه‌سازی Dask Cluster برای کارایی بالا
• 64. استراتژی‌های Data Partitioning برای Dask
• 65. استفاده از Dask Dashboard برای مانیتورینگ و Profiling
• 66. استفاده از Dask on Kubernetes
• 67. پیکربندی Dask Cluster در GKE
• 68. استقرار Dask Workers در Kubernetes
• 69. بهینه‌سازی استفاده از منابع در Kubernetes برای Dask
• 70. استفاده از Dask Gateway برای مدیریت Dask Cluster
• 71. ایجاد Dask Gateway Cluster
• 72. اتصال به Dask Gateway از طریق Client
• 73. ادغام Dask با Cloud Storage
• 74. خواندن و نوشتن داده‌ها به Cloud Storage با Dask
• 75. پردازش داده‌های ذخیره شده در Cloud Storage با Dask
• 76. استفاده از Dask با BigQuery
• 77. خواندن داده‌ها از BigQuery با Dask
• 78. نوشتن داده‌ها به BigQuery با Dask
• 79. استفاده از Dask برای ساخت Pipeline های Machine Learning
• 80. آماده سازی داده‌ها با Dask
• 81. آموزش مدل های Machine Learning با Dask
• 82. استقرار مدل های Machine Learning آموزش داده شده با Dask
• 83. مقدمه‌ای بر Spark on GCP
• 84. مقایسه Dask و Spark
• 85. استفاده از Dask و Spark در کنار یکدیگر
• 86. استفاده از Dask برای پردازش داده‌های Streaming
• 87. ادغام Dask با Cloud Pub/Sub
• 88. ساخت Streaming Data Pipeline با Dask و Cloud Pub/Sub
• 89. مقدمه‌ای بر Ray و Distributed Computing
• 90. مقایسه Dask و Ray
• 91. استفاده از Ray در GCP
• 92. استفاده از GPUs با Dask
• 93. پیکربندی Dask Cluster برای استفاده از GPUs
• 94. استفاده از CUDA با Dask
• 95. بهینه‌سازی عملکرد Dask در GPU ها
• 96. آشنایی با Tensorflow و Pytorch در GCP
• 97. استفاده از Dask برای آموزش مدل‌های Tensorflow و Pytorch
• 98. بهینه‌سازی عملکرد آموزش مدل‌های عمیق با Dask
• 99. آشنایی با Data Lake و Data Warehouse
• 100. پیاده سازی Data Lake با Cloud Storage