مقدمه و اهداف آموزشی

در دنیای پرشتاب توسعه نرم‌افزار و استقرار برنامه‌ها، مدیریت کارآمد و خودکارسازی فرآیندها نقشی حیاتی ایفا می‌کند. پلتفرم کوبرنتیز (Kubernetes) به عنوان رهبر بلامنازع ارکستراسیون کانتینرها، ابزارهای قدرتمندی را برای مدیریت مقیاس‌پذیر و انعطاف‌پذیر برنامه‌ها ارائه می‌دهد. اما فراتر از استقرار ساده، نیاز به خودکارسازی گردش‌های کاری پیچیده، اجرای عملیات‌های ترتیبی، و مدیریت وابستگی‌ها در محیط کوبرنتیز احساس می‌شود. در این میان، Argo Workflows به عنوان یک راه‌حل متن‌باز و بسیار قدرتمند، امکان تعریف، اجرا و نظارت بر گردش‌های کاری پیچیده را در بستر کوبرنتیز فراهم می‌آورد.

این دوره آموزشی، با تمرکز بر راهنمای عملی گردش کار آرگو در کوبرنتیز، شما را گام به گام با مفاهیم، قابلیت‌ها و پیاده‌سازی این ابزار قدرتمند آشنا می‌کند. هدف اصلی این دوره، توانمندسازی شما در طراحی و اجرای گردش‌های کاری کارآمد برای نیازهای مختلف از جمله CI/CD، پردازش داده، یادگیری ماشین، و اتوماسیون عملیاتی در محیط کوبرنتیز است. شما پس از گذراندن این دوره، قادر خواهید بود تا از پتانسیل کامل Argo Workflows برای افزایش بهره‌وری و ساده‌سازی عملیات‌های خود بهره‌مند شوید.

سرفصل‌ها و محتوای دوره

محتوای این دوره آموزشی به گونه‌ای طراحی شده است که پوششی جامع از جنبه‌های مختلف Argo Workflows را فراهم آورد. از مبانی اولیه تا سناریوهای پیشرفته، شما با ماژول‌های زیر درگیر خواهید شد:

• معرفی Argo Workflows: درک معماری، اجزای کلیدی و نحوه عملکرد Argo Workflows در اکوسیستم کوبرنتیز.
• نصب و پیکربندی: راهنمای گام به گام نصب Argo Workflows بر روی خوشه‌های کوبرنتیز، شامل تنظیمات اولیه و نیازمندی‌ها.
• تعریف Workflowهای ساده: یادگیری ساختار YAML برای تعریف گردش‌های کاری اولیه، شامل وظایف (Tasks) و مراحل (Steps).
• مدیریت وابستگی‌ها و شرط‌ها: چگونگی تعریف وابستگی‌های پیچیده بین وظایف، اجرای شرطی مراحل و مدیریت منطق‌های پیچیده در گردش کار.
• استفاده از الگوها (Templates): بهره‌گیری از الگوها برای قابلیت استفاده مجدد کد در تعریف گردش‌های کار، کاهش تکرار و افزایش خوانایی.
• مدیریت ورودی و خروجی: نحوه انتقال داده‌ها بین وظایف و گردش‌های کاری، شامل پارامترها، آرگومان‌ها و داده‌های خروجی.
• انواع مختلف وظایف: آشنایی با انواع وظایف پشتیبانی شده مانند Container Tasks، Scripts، Resources و DAGs (Directed Acyclic Graphs).
• گردش‌های کاری DAG: یادگیری چگونگی طراحی و اجرای گردش‌های کاری پیچیده با استفاده از ساختار DAG برای مدیریت موازی‌سازی و وابستگی‌های غیرخطی.
• کنترل نسخه و مدیریت محیط: استراتژی‌های مدیریت نسخه‌های گردش کار و نحوه تطبیق آن‌ها با محیط‌های مختلف.
• اتوماسیون CI/CD با Argo Workflows: پیاده‌سازی سناریوهای نمونه برای خودکارسازی فرآیندهای یکپارچه‌سازی پیوسته و تحویل پیوسته (CI/CD).
• پردازش داده و یادگیری ماشین: کاربرد Argo Workflows در اجرای پایپ‌لاین‌های پردازش داده و مدل‌های یادگیری ماشین.
• نظارت و اشکال‌زدایی: تکنیک‌ها و ابزارهای موجود برای نظارت بر اجرای گردش‌های کار، شناسایی و رفع مشکلات.
• سناریوهای پیشرفته: کاوش در قابلیت‌های پیشرفته‌تر مانند موازی‌سازی، مدیریت خطا، و ادغام با ابزارهای دیگر.

پیش‌نیازها

برای بهره‌مندی کامل از این دوره آموزشی و درک عمیق مفاهیم مطرح شده، داشتن آشنایی قبلی با موارد زیر توصیه می‌شود:

• مبانی کوبرنتیز: درک مفاهیم اصلی مانند Pods، Deployments، Services، Namespaces و اصول کلی مدیریت خوشه‌های کوبرنتیز.
• کار با خط فرمان کوبرنتیز (kubectl): آشنایی با دستورات پایه برای تعامل با خوشه‌های کوبرنتیز.
• مفاهیم پایه‌ی کانتینرسازی: آشنایی با Docker و چگونگی ساخت و اجرای ایمیج‌های کانتینری.
• آشنایی با YAML: توانایی خواندن و نوشتن فایل‌های پیکربندی YAML.
• مفاهیم پایه‌ی DevOps: درک کلی از چرخه عمر توسعه نرم‌افزار و رویکردهای DevOps.

مخاطبان هدف

این دوره آموزشی برای طیف وسیعی از متخصصان حوزه فناوری اطلاعات و مهندسان نرم‌افزار که با کوبرنتیز کار می‌کنند، مناسب است:

• مهندسان DevOps و Site Reliability Engineers (SREs): که مسئولیت خودکارسازی، استقرار و مدیریت زیرساخت‌ها را بر عهده دارند.
• توسعه‌دهندگان نرم‌افزار: که می‌خواهند فرآیندهای توسعه و استقرار خود را در محیط کوبرنتیز بهینه‌سازی کنند.
• معماران سیستم: که در طراحی معماری‌های مقیاس‌پذیر و خودکار در محیط‌های ابری به دنبال ابزارهای کارآمد هستند.
• دانشمندان داده و مهندسان یادگیری ماشین: که نیاز به اجرای پایپ‌لاین‌های پردازش داده و آموزش مدل‌های پیچیده در مقیاس دارند.
• هر کسی که با کوبرنتیز کار می‌کند و به دنبال راهی برای مدیریت و خودکارسازی گردش‌های کاری پیچیده است.

مزایای دانلود و یادگیری آفلاین این دوره

با دانلود این دوره آموزشی، شما به مجموعه‌ای ارزشمند از دانش و مهارت دسترسی پیدا می‌کنید که می‌توانید به شیوه‌ی دلخواه خود به یادگیری آن بپردازید. مزایای کلیدی یادگیری به صورت آفلاین و با دسترسی دائمی عبارتند از:

• یادگیری در زمان و مکان دلخواه: دیگر نیازی به اتصال مداوم به اینترنت یا رعایت زمان‌بندی‌های مشخص کلاس‌های آنلاین نیست. شما می‌توانید در هر زمان و مکانی، حتی در سفر یا مناطقی با دسترسی محدود به اینترنت، به محتوای دوره دسترسی داشته باشید.
• کنترل کامل بر سرعت یادگیری: شما قادر خواهید بود تا مفاهیم را با سرعت خودتان پیش ببرید. بخش‌های دشوارتر را تکرار کنید و از بخش‌های آشنا سریع‌تر عبور نمایید. این انعطاف‌پذیری، فرایند یادگیری را عمیق‌تر و مؤثرتر می‌سازد.
• دسترسی دائمی و بدون محدودیت: پس از دانلود، محتوای دوره برای همیشه در اختیار شما خواهد بود. این به شما امکان می‌دهد تا در آینده، برای مرور مطالب، یافتن راهکارها و به‌روزرسانی دانش خود، مجدداً به آن مراجعه کنید.
• تمرکز بیشتر بر یادگیری: محیط آفلاین، امکان تمرکز کامل بر محتوای آموزشی را فراهم می‌کند و از وقفه‌ها و عوامل حواس‌پرتی ناشی از محیط آنلاین کاسته می‌شود.
• مدیریت هزینه‌های دسترسی: با خرید و دانلود دوره، شما یک بار برای دسترسی به کلیه محتوا سرمایه‌گذاری می‌کنید و از هزینه‌های مکرر یا محدودیت‌های دسترسی در سرویس‌های اشتراکی در امان خواهید بود.

نکات کلیدی که یاد می‌گیرند

با تکمیل این دوره، شما به درک و مهارت‌های عملی کلیدی در زمینه Argo Workflows دست خواهید یافت که مهم‌ترین آن‌ها عبارتند از:

• طراحی گردش‌های کاری پیچیده: توانایی مدل‌سازی و پیاده‌سازی سناریوهای عملیاتی و توسعه‌ای پیچیده با استفاده از Argo Workflows.
• خودکارسازی فرآیندهای CI/CD: استقرار و مدیریت کامل خطوط لوله CI/CD خودکار در محیط کوبرنتیز.
• مدیریت داده در پایپ‌لاین‌ها: انتقال داده‌ها و اطلاعات بین مراحل مختلف گردش کار به طور مؤثر.
• اشکال‌زدایی و نظارت: تسلط بر ابزارها و روش‌های موجود برای عیب‌یابی و نظارت بر عملکرد گردش‌های کاری.
• بهینه‌سازی منابع کوبرنتیز: استفاده کارآمد از منابع خوشه‌ی کوبرنتیز برای اجرای گردش‌های کاری.
• ایجاد معماری‌های خودکار: طراحی سیستم‌هایی که قابلیت اجرای خودکار وظایف و عملیات‌های تکراری را دارند.
• کاربرد در حوزه‌های مختلف: درک چگونگی به‌کارگیری Argo Workflows در سناریوهای متنوع از جمله پردازش داده، یادگیری ماشین و اتوماسیون عملیاتی.