🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان 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 (100 موضوع)

• 1. معرفی دوره و اهداف آموزشی
• 2. آشنایی با Google Cloud Platform و مزایای آن
• 3. مروری بر سرویس‌های اصلی GCP (Compute, Storage, Networking)
• 4. راه اندازی حساب کاربری و پروژه GCP
• 5. مدیریت هویت و دسترسی در GCP (IAM)
• 6. مفاهیم Billing و بودجه‌بندی در GCP
• 7. بررسی Cloud CLI و Cloud Console
• 8. مقدمه‌ای بر BigQuery: انبار داده ابری مقیاس‌پذیر
• 9. بارگذاری داده در BigQuery از منابع مختلف
• 10. کوئری نویسی پیشرفته در BigQuery
• 11. معرفی Google Cloud Storage: ذخیره‌سازی اشیاء با دوام
• 12. مدیریت داده‌ها و دسترسی در Cloud Storage
• 13. مقدمه‌ای بر Cloud SQL: پایگاه داده رابطه‌ای مدیریت شده
• 14. آشنایی با NoSQL در GCP: Cloud Datastore/Firestore
• 15. کاربرد Bigtable برای داده‌های تحلیلی با حجم بالا
• 16. مقدمه‌ای بر مفاهیم Real-time Data و Streaming Analytics
• 17. معماری‌های Real-time Data Processing (Lambda vs Kappa)
• 18. Google Cloud Pub/Sub: سیستم پیام‌رسان Real-time مقیاس‌پذیر
• 19. ایجاد و مدیریت Topic و Subscription در Pub/Sub
• 20. انتشار و دریافت پیام از طریق Pub/Sub (Pull و Push)
• 21. امنیت و مانیتورینگ Pub/Sub
• 22. مقدمه‌ای بر Apache Beam و Google Cloud Dataflow
• 23. اصول برنامه‌نویسی با Apache Beam (Pipelines, PCollections, Transforms)
• 24. اجرای Jobهای Batch در Dataflow
• 25. اجرای Jobهای Streaming در Dataflow
• 26. الگوهای طراحی برای Dataflow (Windowing, Triggers, Watermarks)
• 27. بهینه‌سازی عملکرد و هزینه Dataflow Jobها
• 28. مدیریت خطا و پردازش مجدد در Dataflow
• 29. Dataflow SQL: تحلیل داده‌های جریانی با SQL
• 30. پردازش رویدادها با Cloud Functions
• 31. کاربردهای Cloud Functions در Real-time Analytics
• 32. اتصال Cloud Functions به Pub/Sub و سایر سرویس‌ها
• 33. ذخیره‌سازی داده‌های جریانی در BigQuery Streaming Inserts
• 34. ذخیره‌سازی داده‌های جریانی با کارایی بالا در Bigtable
• 35. معرفی Cloud Composer (Apache Airflow) برای ارکستراسیون پایپلاین
• 36. ساخت DAGهای ساده در Cloud Composer
• 37. ارکستراسیون پایپلاین‌های Real-time Data با Cloud Composer
• 38. مقدمه‌ای بر Change Data Capture (CDC) و کاربرد آن در GCP
• 39. پیاده‌سازی CDC برای انتقال Real-time داده به GCP
• 40. اصول طراحی پایپلاین‌های Real-time End-to-End
• 41. انتخاب بهترین سرویس برای سناریوهای مختلف Real-time Ingestion
• 42. بررسی یک مطالعه موردی Real-time Data Processing
• 43. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین در GCP
• 44. اکوسیستم Vertex AI: پلتفرم یکپارچه MLOps
• 45. Vertex AI Workbench: محیط‌های توسعه ML مدیریت شده
• 46. استفاده از Notebookهای Vertex AI برای توسعه مدل
• 47. Data Labelling Service در Vertex AI برای آماده‌سازی داده
• 48. آماده‌سازی و پیش‌پردازش داده برای ML با Vertex AI Dataflow/Wrangler
• 49. معرفی Vertex AI Training: آموزش مدل‌های ML
• 50. آموزش مدل‌های سفارشی با Vertex AI Training
• 51. آموزش مدل‌های Scikit-learn و TensorFlow در Vertex AI
• 52. مدیریت Datasetها در Vertex AI
• 53. معرفی Vertex AI Feature Store: مدیریت Featureها
• 54. طراحی Feature Store برای کاربردهای Real-time ML
• 55. مهندسی Feature برای مدل‌های ML Real-time
• 56. Vertex AI Prediction: سرویس استقرار و پیش‌بینی مدل
• 57. استقرار مدل‌های ML برای پیش‌بینی Online و Batch
• 58. مانیتورینگ مدل در Vertex AI Model Monitoring
• 59. تشخیص Drift و Outlier در مدل‌های ML Real-time
• 60. AutoML Vision: ساخت مدل‌های بینایی کامپیوتری بدون کد
• 61. AutoML Natural Language: پردازش زبان طبیعی بدون کد
• 62. AutoML Tables: ساخت مدل‌های طبقه‌بندی و رگرسیون
• 63. استفاده از Pre-trained APIs: Cloud Vision API
• 64. استفاده از Cloud Natural Language API
• 65. استفاده از Cloud Speech-to-Text و Text-to-Speech API
• 66. استفاده از Cloud Translation API
• 67. AI Explainability (XAI) در Vertex AI
• 68. مقدمه‌ای بر MLOps: عملیات یادگیری ماشین
• 69. ساخت پایپلاین‌های MLOps با Vertex AI Pipelines
• 70. اتوماسیون CI/CD برای مدل‌های ML
• 71. مدیریت نسخه‌بندی مدل و Registry در Vertex AI
• 72. استقرار مدل‌های Real-time بر روی Edge Devices با Vertex AI Edge
• 73. طراحی معماری برای ML در Real-time
• 74. مقایسه و انتخاب ابزارهای ML برای سناریوهای مختلف
• 75. ملاحظات اخلاقی و مسئولیت‌پذیری در AI (Responsible AI)
• 76. کاربرد Generative AI در تحلیل داده
• 77. معرفی و کار با Generative AI Studio
• 78. استفاده از مدل‌های بنیادین (Foundation Models) در GCP
• 79. طراحی API برای دسترسی به داده‌های Real-time و پیش‌بینی‌های ML
• 80. استقرار API با Cloud Run: کانتینرهای Serverless
• 81. استقرار API با App Engine
• 82. Cloud Endpoints و Apigee برای مدیریت API
• 83. اتصال برنامه‌های کاربردی به BigQuery و Bigtable
• 84. طراحی UI/UX برای داشبوردهای Real-time
• 85. استفاده از Looker Studio برای ساخت داشبورد
• 86. اتصال Looker Studio به BigQuery Streaming
• 87. ساخت داشبوردهای تعاملی با Looker Studio
• 88. معرفی Looker (Business Intelligence پیشرفته در GCP)
• 89. توسعه برنامه‌های Front-end برای نمایش داده‌های Real-time
• 90. امنیت در توسعه برنامه‌های Real-time (OAuth, API Keys)
• 91. مانیتورینگ و لاگینگ برنامه‌ها با Cloud Monitoring و Cloud Logging
• 92. تنظیم Alert و Notification برای رویدادهای Real-time
• 93. مقیاس‌پذیری و دسترس‌پذیری برنامه‌های Real-time
• 94. بهینه‌سازی هزینه در توسعه برنامه‌های Real-time
• 95. تست و دیباگینگ برنامه‌های Real-time
• 96. بررسی یک سناریوی End-to-End: از داده تا برنامه Real-time
• 97. مروری بر بهترین شیوه‌ها و الگوهای طراحی
• 98. جمع‌بندی دوره و گام‌های بعدی برای یادگیری و پیاده‌سازی
• 99. پردازش جریان‌های داده آنی با استفاده از Cloud Pub/Sub و Dataflow
• 100. ساخت و استقرار مدل‌های یادگیری ماشین با استفاده از Vertex AI و BigQuery ML