فلش‌کارت‌های آموزشی Google Cloud Platform: مدیریت داده های بزرگ و یادگیری ماشین

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب Google Cloud Platform: مدیریت داده های بزرگ و یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر Google Cloud Platform (GCP)
• 2. مقدمه ای بر مدیریت داده های بزرگ
• 3. مقدمه ای بر یادگیری ماشین
• 4. چرا GCP برای داده های بزرگ و یادگیری ماشین؟
• 5. معماری کلی GCP برای داده ها
• 6. خدمات ذخیره سازی GCP
• 7. Cloud Storage
• 8. انواع کلاس های ذخیره سازی در Cloud Storage
• 9. مدیریت چرخه عمر داده در Cloud Storage
• 10. امنیت در Cloud Storage
• 11. Cloud SQL
• 12. انواع پایگاه داده در Cloud SQL (MySQL, PostgreSQL, SQL Server)
• 13. مدیریت و مقیاس پذیری Cloud SQL
• 14. پشتیبان گیری و بازیابی در Cloud SQL
• 15. امنیت در Cloud SQL
• 16. BigQuery
• 17. مقدمه ای بر انبار داده ابری
• 18. ساختار داده در BigQuery
• 19. کوئری زدن در BigQuery
• 20. بهینه سازی عملکرد BigQuery
• 21. هزینه ها در BigQuery
• 22. امنیت در BigQuery
• 23. Streaming Inserts در BigQuery
• 24. BigQuery ML
• 25. مقدمه ای بر یادگیری ماشین در BigQuery
• 26. ساخت مدل های یادگیری ماشین با BigQuery ML
• 27. انواع مدل های پشتیبانی شده در BigQuery ML
• 28. ارزیابی مدل ها در BigQuery ML
• 29. استقرار مدل ها در BigQuery ML
• 30. Cloud Dataproc
• 31. مقدمه ای بر Hadoop و Spark
• 32. اجرای Hadoop و Spark در GCP
• 33. مدیریت کلاستر Dataproc
• 34. هزینه ها در Dataproc
• 35. امنیت در Dataproc
• 36. Cloud Dataflow
• 37. مقدمه ای بر پردازش استریمینگ و بچ
• 38. اجرای پردازش داده با Dataflow
• 39. نوشتن Pipeline های Dataflow
• 40. مدیریت و مانیتورینگ Dataflow
• 41. هزینه ها در Dataflow
• 42. امنیت در Dataflow
• 43. Cloud Pub/Sub
• 44. مقدمه ای بر صف های پیام
• 45. ارسال و دریافت پیام در Pub/Sub
• 46. مدیریت موضوعات و اشتراک ها
• 47. الگوهای استفاده از Pub/Sub
• 48. امنیت در Pub/Sub
• 49. Cloud Composer
• 50. مقدمه ای بر ارکستراسیون گردش کار
• 51. اجرای Apache Airflow در GCP
• 52. نوشتن DAG ها در Composer
• 53. مدیریت و مانیتورینگ Composer
• 54. امنیت در Composer
• 55. Vertex AI
• 56. مقدمه ای بر پلتفرم جامع یادگیری ماشین
• 57. پیش پردازش داده ها با Vertex AI
• 58. آموزش مدل ها با Vertex AI
• 59. تنظیم هایپرپارامترها با Vertex AI
• 60. ارزیابی مدل ها با Vertex AI
• 61. مدیریت چرخه عمر مدل با Vertex AI
• 62. استقرار مدل ها با Vertex AI
• 63. Custom Training در Vertex AI
• 64. AutoML در Vertex AI
• 65. انواع مدل های AutoML (تصویر، متن، جدول)
• 66. استفاده از AutoML برای مسائل مختلف
• 67. Vertex AI Workbench
• 68. محیط های توسعه مدیریت شده برای یادگیری ماشین
• 69. نوت بوک های Jupyter در Workbench
• 70. اتصال به منابع داده GCP
• 71. TensorFlow Enterprise در GCP
• 72. PyTorch در GCP
• 73. Kubernetes Engine (GKE) برای ML
• 74. استقرار و مدیریت اپلیکیشن های ML بر روی GKE
• 75. استفاده از Kubeflow بر روی GKE
• 76. مدیریت منابع GPU در GKE
• 77. امنیت در GKE برای ML
• 78. AI Platform Prediction (Legacy)
• 79. استقرار مدل های ML بر روی AI Platform
• 80. مدیریت Endpoint ها
• 81. مانیتورینگ عملکرد مدل
• 82. AI Platform Training (Legacy)
• 83. آموزش مدل ها بر روی AI Platform
• 84. مدیریت Job های آموزشی
• 85. TensorFlow Extended (TFX) در GCP
• 86. ساخت پایپ لاین های ML با TFX
• 87. استفاده از TFX با BigQuery و Vertex AI
• 88. Data Labeling در GCP
• 89. برچسب گذاری داده ها برای مسائل یادگیری ماشین
• 90. انواع داده های قابل برچسب گذاری
• 91. استفاده از خدمات برچسب گذاری GCP
• 92. Embedded AI و Edge AI در GCP
• 93. مقدمه ای بر پردازش در لبه
• 94. استفاده از TensorFlow Lite و Edge TPU
• 95. استقرار مدل ها بر روی دستگاه های لبه
• 96. راهکارهای IoT در GCP
• 97. امنیت داده ها در GCP
• 98. حفاظت از داده ها در برابر دسترسی غیرمجاز
• 99. رمزنگاری داده ها در حالت سکون و در حال انتقال
• 100. مدیریت هویت و دسترسی (IAM)