کتاب Google Cloud Platform: Real-time Data Analysis Application Development with Advanced AI and Machine Learning Techniques با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب 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 کتاب (100 موضوع)

• 1. بخش اول: مبانی و مقدمات Google Cloud Platform**
• 2. مقدمه‌ای بر رایانش ابری و GCP
• 3. ساختار کلی GCP: پروژه‌ها، پوشه‌ها و سازمان‌ها
• 4. اصول مدیریت هویت و دسترسی (IAM)
• 5. نقش‌ها و مجوزهای IAM: مفاهیم اولیه و پیشرفته
• 6. حساب‌های خدماتی (Service Accounts) و بهترین شیوه‌های استفاده
• 7. مدیریت صورتحساب (Billing) و کنترل هزینه‌ها
• 8. استفاده از رابط خط فرمان (gcloud CLI) و Cloud Shell
• 9. مبانی شبکه‌های ابری مجازی (VPC)
• 10. زیرشبکه‌ها (Subnets) و قوانین فایروال (Firewall Rules)
• 11. مقدمه‌ای بر ماشین‌های مجازی (Compute Engine)
• 12. مبانی ذخیره‌سازی اشیاء با Cloud Storage
• 13. کلاس‌های ذخیره‌سازی و مدیریت چرخه حیات در Cloud Storage
• 14. معرفی پایگاه داده‌های مدیریت‌شده در GCP
• 15. استفاده از Cloud SDK برای توسعه
• 16. بخش دوم: دریافت و ذخیره‌سازی داده‌های حجیم (Data Ingestion & Storage)**
• 17. الگوهای دریافت داده (Data Ingestion Patterns) در GCP
• 18. معرفی Pub/Sub: پیام‌رسانی غیرهمزمان برای استریم داده
• 19. ایجاد Topic و Subscription در Pub/Sub
• 20. ویژگی‌های پیشرفته Pub/Sub: فیلتر کردن و Dead-lettering
• 21. استفاده از Cloud Storage به عنوان Data Lake
• 22. انتقال داده‌های حجیم با Storage Transfer Service
• 23. مقدمه‌ای بر BigQuery: انبار داده بدون سرور
• 24. معماری BigQuery: جداسازی محاسبات و ذخیره‌سازی
• 25. بارگذاری داده به صورت دسته‌ای (Batch Loading) در BigQuery
• 26. پایگاه داده رابطه‌ای مدیریت‌شده: Cloud SQL
• 27. پایگاه داده NoSQL مدیریت‌شده: Firestore
• 28. پایگاه داده NoSQL برای داده‌های حجیم: Bigtable
• 29. استفاده از Data Fusion برای یکپارچه‌سازی داده‌ها (ETL/ELT)
• 30. استفاده از Dataproc برای پردازش‌های مبتنی بر Hadoop و Spark
• 31. بخش سوم: پردازش آنی داده‌ها (Real-time Data Processing)**
• 32. مقدمه‌ای بر پردازش جریانی (Stream Processing)
• 33. معرفی Apache Beam و مدل برنامه‌نویسی آن
• 34. معرفی Cloud Dataflow: سرویس مدیریت‌شده برای Apache Beam
• 35. توسعه اولین Pipeline در Dataflow با Python/Java
• 36. مفاهیم پنجره‌بندی (Windowing) در پردازش جریانی
• 37. Triggers و Accumulation در Dataflow
• 38. دریافت داده از Pub/Sub در یک Pipeline Dataflow
• 39. ذخیره‌سازی نتایج پردازش در BigQuery به صورت آنی
• 40. استفاده از الگوهای آماده Dataflow (Dataflow Templates)
• 41. بهینه‌سازی عملکرد و هزینه در پایپ‌لاین‌های Dataflow
• 42. مدیریت خطا و مانیتورینگ پایپ‌لاین‌های Dataflow
• 43. بخش چهارم: توسعه و استقرار برنامه‌های کاربردی (Application Development & Deployment)**
• 44. مقدمه‌ای بر معماری میکروسرویس و بدون سرور (Serverless)
• 45. توسعه توابع رویداد-محور با Cloud Functions
• 46. استقرار کانتینرها به صورت بدون سرور با Cloud Run
• 47. مبانی کانتینرسازی با Docker
• 48. مدیریت رجیستری کانتینر با Artifact Registry
• 49. معرفی Google Kubernetes Engine (GKE) برای ارکستراسیون کانتینرها
• 50. استقرار یک برنامه ساده روی GKE
• 51. مدیریت APIها با API Gateway
• 52. ایجاد یک API برای سرویس Cloud Run یا Cloud Functions
• 53. ذخیره‌سازی و مدیریت اطلاعات حساس با Secret Manager
• 54. معرفی App Engine برای توسعه برنامه‌های وب
• 55. بخش پنجم: هوش مصنوعی و یادگیری ماشین با APIهای آماده**
• 56. مروری بر سرویس‌های هوش مصنوعی و یادگیری ماشین در GCP
• 57. تحلیل تصویر با Vision AI API
• 58. تشخیص متن (OCR) و برچسب‌گذاری اشیاء با Vision AI
• 59. پردازش زبان طبیعی با Natural Language AI API
• 60. تحلیل احساسات و استخراج موجودیت‌ها با Natural Language AI
• 61. تبدیل گفتار به متن با Speech-to-Text API
• 62. تبدیل متن به گفتار با Text-to-Speech API
• 63. ترجمه متون با Translation AI API
• 64. ادغام APIهای هوش مصنوعی با Cloud Functions برای پردازش آنی
• 65. استفاده از AutoML Vision برای آموزش مدل‌های طبقه‌بندی تصویر سفارشی
• 66. استفاده از AutoML Tables برای ساخت مدل‌های پیش‌بینی روی داده‌های ساختاریافته
• 67. بخش ششم: پلتفرم یکپارچه Vertex AI برای یادگیری ماشین پیشرفته**
• 68. مقدمه‌ای بر Vertex AI و چرخه حیات MLOps
• 69. مدیریت مجموعه داده‌ها (Datasets) در Vertex AI
• 70. مهندسی ویژگی با Vertex AI Feature Store
• 71. آموزش مدل‌های سفارشی با کانتینرهای از پیش ساخته شده
• 72. آموزش مدل‌های سفارشی با کانتینرهای شخصی‌سازی شده
• 73. تنظیم خودکار هایپرپارامترها (Hyperparameter Tuning)
• 74. استقرار مدل‌ها روی Endpoints برای پیش‌بینی آنلاین
• 75. دریافت پیش‌بینی‌های دسته‌ای (Batch Predictions)
• 76. معرفی Vertex AI Pipelines برای خودکارسازی فرآیندهای ML
• 77. ساخت و اجرای یک پایپ‌لاین ساده در Vertex AI
• 78. مانیتورینگ عملکرد مدل‌ها (Model Monitoring)
• 79. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI) در GCP
• 80. استفاده از Generative AI Studio و Model Garden
• 81. معرفی APIهای مدل‌های زبانی بزرگ (مانند PaLM 2)
• 82. بخش هفتم: معماری، امنیت و بهترین شیوه‌ها**
• 83. معماری یک برنامه تحلیل داده آنی کامل (End-to-End)
• 84. استفاده از Terraform برای مدیریت زیرساخت به عنوان کد (IaC)
• 85. اتوماسیون فرآیندهای CI/CD با Cloud Build
• 86. مانیتورینگ و ثبت وقایع با Cloud Monitoring و Cloud Logging
• 87. ایجاد داشبوردها و هشدارهای سفارشی
• 88. اصول امنیتی در GCP: مدل مسئولیت مشترک
• 89. کنترل دسترسی به شبکه با VPC Service Controls
• 90. حفاظت از داده‌ها با Cloud Data Loss Prevention (DLP)
• 91. بهینه‌سازی هزینه‌ها در سرویس‌های داده و هوش مصنوعی
• 92. مطالعه موردی: تحلیل آنی نظرات کاربران در شبکه‌های اجتماعی
• 93. مطالعه موردی: سیستم توصیه‌گر آنی برای یک فروشگاه آنلاین
• 94. جمع‌بندی دوره و مسیرهای یادگیری آینده
• 95. **پردازش داده‌های جریانی با Apache Beam و Dataflow:** معرفی Beam SDK، پایپلاین‌های پردازش داده، تبدیل‌ها و پنجره‌بندی داده‌ها.
• 96. **تحلیل داده‌های بلادرنگ با Pub/Sub و BigQuery:** دریافت و ذخیره داده‌های جریانی، تحلیل با کوئری‌های SQL در BigQuery، ایجاد داشبوردهای بلادرنگ.
• 97. **یادگیری ماشین بلادرنگ با TensorFlow Serving و Vertex AI:** استقرار مدل‌های یادگیری ماشین، ارائه پیش‌بینی‌های بلادرنگ، مانیتورینگ عملکرد مدل.
• 98. **بهینه‌سازی و مقیاس‌پذیری برنامه‌های تحلیل داده:** استراتژی‌های بهینه‌سازی، مقیاس‌بندی افقی و عمودی، استفاده از اتواسکیلینگ.
• 99. **امنیت و انطباق در محیط‌های تحلیل داده بلادرنگ:** رمزنگاری داده‌ها، مدیریت کلیدها، رعایت الزامات انطباق (Compliance).
• 100. **پروژه عملی: ساخت یک سیستم تحلیل داده بلادرنگ end-to-end:** طراحی، پیاده‌سازی و استقرار یک برنامه کاربردی کامل با استفاده از تکنیک‌های آموزش داده شده.

📚 محتوای این محصول آموزشی (پکیج کامل)

🎁 محتویات کامل بسته دانلودی

• کتاب صدها نکته فارسی (خودمونی) – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها) — زبان ساده و کاربردی
  
• کتاب صدها نکته رسمی فارسی – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها) — نگارش استاندارد، علمی و مناسب چاپ
• کتاب صدها پرسش و پاسخ تشریحی – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها)
  — هر سؤال بلافاصله همراه با پاسخ کامل و شفاف ارائه شده است؛ مناسب درک عمیق مفاهیم و رفع ابهام.
• کتاب صدها پرسش و پاسخ چهارگزینه‌ای – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها) (نسخه یادگیری سریع)
  — پاسخ‌ها بلافاصله پس از سؤال قرار دارند؛ مناسب یادگیری سریع و تثبیت مطالب.
• کتاب صدها پرسش و پاسخ چهارگزینه‌ای – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها) (نسخه خودآزمایی پایان‌بخش)
  — پاسخ‌ها در انتهای هر بخش آمده‌اند؛ مناسب آزمون واقعی و سنجش میزان یادگیری.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

• این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
• توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
• دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
• برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
• اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs