اپلیکیشن اندرویدی فلش‌کارت آموزشی Google Cloud Platform: ساخت اپلیکیشن های تحلیل زمانی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب Google Cloud Platform: ساخت اپلیکیشن های تحلیل زمانی

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر Google Cloud Platform (GCP)
• 2. آشنایی با مفاهیم ابری و مزایای آن
• 3. چرا GCP برای تحلیل زمانی مناسب است؟
• 4. معرفی سرویس های کلیدی GCP برای تحلیل زمانی
• 5. نمای کلی معماری برنامه های تحلیل زمانی در GCP
• 6. نصب و پیکربندی محیط توسعه GCP
• 7. تنظیم حساب GCP و پروژه
• 8. استفاده از Cloud Shell و gcloud CLI
• 9. مدیریت دسترسی و مجوزها (IAM)
• 10. مفاهیم پایگاه داده در GCP
• 11. انواع پایگاه داده های مناسب برای داده های زمانی
• 12. معرفی Cloud SQL: پایگاه داده رابطه‌ای مدیریت شده
• 13. استفاده از Cloud SQL برای PostgreSQL
• 14. استفاده از Cloud SQL برای MySQL
• 15. بهینه سازی پایگاه داده های رابطه‌ای برای داده های زمانی
• 16. معرفی Cloud Spanner: پایگاه داده مقیاس پذیر و سازگار
• 17. کار با Cloud Spanner برای داده های سری زمانی
• 18. مدیریت Schema در Cloud Spanner
• 19. معرفی BigQuery: انبار داده تحلیلی serverless
• 20. چرا BigQuery برای داده های زمانی قدرتمند است؟
• 21. نحوه وارد کردن داده های زمانی به BigQuery
• 22. انواع داده های زمانی در BigQuery
• 23. کوئری زدن داده های زمانی با SQL در BigQuery
• 24. استفاده از توابع زمانی در BigQuery
• 25. بهینه سازی کوئری های BigQuery برای داده های زمانی
• 26. ایجاد نمای BigQuery برای داده های زمانی
• 27. استفاده از BigQuery ML برای مدل سازی سری زمانی
• 28. مقدمه ای بر پردازش جریانی داده ها
• 29. چرا پردازش جریانی برای تحلیل زمانی حیاتی است؟
• 30. معرفی Cloud Pub/Sub: سرویس پیام رسانی مدیریت شده
• 31. ارسال پیام ها به Pub/Sub
• 32. دریافت پیام ها از Pub/Sub
• 33. مدیریت موضوعات و اشتراک ها در Pub/Sub
• 34. استفاده از Pub/Sub برای دریافت داده های زمانی زنده
• 35. معرفی Dataflow: سرویس پردازش جریانی و بچی مدیریت شده
• 36. معماری Dataflow: Pipeline ها و Transform ها
• 37. نوشتن Pipeline های Dataflow با Apache Beam
• 38. پردازش جریانی داده های زمانی با Dataflow
• 39. پردازش بچی داده های زمانی با Dataflow
• 40. مدیریت خطا و تحمل پذیری در Dataflow
• 41. استقرار و نظارت بر Pipeline های Dataflow
• 42. معرفی Dataproc: سرویس مدیریت شده Apache Spark و Hadoop
• 43. استفاده از Dataproc برای پردازش داده های زمانی در مقیاس بزرگ
• 44. اجرای Job های Spark بر روی Dataproc
• 45. بهینه سازی Job های Spark برای داده های زمانی
• 46. معرفی Cloud Functions: اجرای کد serverless
• 47. استفاده از Cloud Functions برای پردازش رویدادهای زمانی
• 48. توابع Trigger شده با Pub/Sub
• 49. توابع Trigger شده با Cloud Storage
• 50. مدیریت وابستگی ها در Cloud Functions
• 51. استقرار و نظارت بر Cloud Functions
• 52. معرفی Cloud Run: اجرای کانتینرها در مقیاس serverless
• 53. کانتینری کردن برنامه های تحلیل زمانی
• 54. استقرار برنامه های کانتینری با Cloud Run
• 55. مدیریت ترافیک و مقیاس پذیری در Cloud Run
• 56. معرفی Kubernetes Engine (GKE): ارکستراسیون کانتینرها
• 57. مقدمه ای بر Kubernetes
• 58. استفاده از GKE برای استقرار برنامه های پیچیده تحلیل زمانی
• 59. مدیریت Pods، Deployments و Services در GKE
• 60. مقیاس پذیری و خودترمیمی در GKE
• 61. معرفی Cloud Storage: ذخیره سازی اشیاء مدیریت شده
• 62. ذخیره سازی فایل های داده های زمانی در Cloud Storage
• 63. دسترسی به داده ها از Cloud Storage
• 64. مدیریت نسخه و چرخه عمر اشیاء در Cloud Storage
• 65. معرفی Cloud Scheduler: زمان بندی وظایف
• 66. زمان بندی اجرای Job های پردازش داده های زمانی
• 67. زمان بندی ارسال گزارش ها
• 68. تنظیم زمان بندی های پیچیده
• 69. معرفی Looker Studio (Google Data Studio): ابزار بصری سازی داده ها
• 70. اتصال Looker Studio به BigQuery
• 71. ساخت داشبوردهای تحلیلی برای داده های زمانی
• 72. ایجاد نمودارها و گراف های زمانی
• 73. فیلتر کردن و تعامل با داشبوردها
• 74. معرفی Looker: پلتفرم هوش تجاری سازمانی
• 75. استفاده از Looker برای کاوش عمیق تر داده های زمانی
• 76. مدیریت مدل داده ها در Looker
• 77. ساخت گزارش ها و داشبوردهای سفارشی
• 78. معرفی Vertex AI: پلتفرم یادگیری ماشین
• 79. استفاده از Vertex AI برای ساخت مدل های پیش بینی سری زمانی
• 80. آماده سازی داده ها برای مدل سازی
• 81. آموزش مدل های سری زمانی
• 82. ارزیابی مدل ها
• 83. استقرار مدل ها برای پیش بینی در زمان واقعی
• 84. مفاهیم پیش بینی سری زمانی
• 85. روش های کلاسیک پیش بینی سری زمانی
• 86. مدل های یادگیری ماشین برای پیش بینی سری زمانی
• 87. شبکه های عصبی بازگشتی (RNN) و LSTM
• 88. مدل های مبتنی بر ترانسفورمر
• 89. آماده سازی داده ها برای یادگیری ماشین
• 90. مهندسی ویژگی برای داده های زمانی
• 91. تقسیم داده ها به مجموعه های آموزش، اعتبارسنجی و تست
• 92. معیارهای ارزیابی مدل های پیش بینی
• 93. پیاده سازی مدل های پیش بینی با TensorFlow و PyTorch در GCP
• 94. استفاده از Vertex AI Pipelines برای خودکارسازی گردش کار ML
• 95. نظارت بر عملکرد مدل های پیش بینی در طول زمان
• 96. به روز رسانی و بازآموزی مدل ها
• 97. معماری های پیشرفته برای تحلیل زمانی
• 98. معماریLambda برای پردازش داده های جریانی و بچی
• 99. معماری Kappa برای پردازش صرفاً جریانی
• 100. استفاده از Microservices برای برنامه های تحلیل زمانی