فلش‌کارت‌های آموزشی مهندسی داده و یادگیری ماشین با استفاده از خدمات گوگل کلود

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده و یادگیری ماشین با استفاده از خدمات گوگل کلود

موضوع کلی: مهندسی داده و هوش مصنوعی در محیط ابری

موضوع میانی: ابزارها و خدمات گوگل برای مهندسی داده و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی مهندسی داده در محیط ابری
• 2. مقدمه‌ای بر خدمات گوگل کلود
• 3. ساختار داده‌ها در مقیاس بزرگ
• 4. مفاهیم پایگاه داده رابطه‌ای در کلود
• 5. مفاهیم پایگاه داده NoSQL در کلود
• 6. طراحی انبار داده (Data Warehouse)
• 7. استخراج، تبدیل، بارگذاری (ETL)
• 8. ابزارهای ETL در گوگل کلود
• 9. مفاهیم جریان داده (Data Streaming)
• 10. پردازش داده‌های جریانی در کلود
• 11. معماری‌های داده مدرن
• 12. داده‌کاوی (Data Mining)
• 13. مقدمه‌ای بر یادگیری ماشین
• 14. یادگیری ماشین نظارت شده
• 15. یادگیری ماشین بدون نظارت
• 16. یادگیری تقویتی
• 17. مفاهیم اساسی هوش مصنوعی
• 18. ابزارهای هوش مصنوعی گوگل کلود
• 19. خدمات تحلیل داده گوگل کلود
• 20. ذخیره‌سازی داده در گوگل کلود
• 21. Google Cloud Storage
• 22. مدیریت داده در گوگل کلود
• 23. امنیت داده در گوگل کلود
• 24. حاکمیت داده در گوگل کلود
• 25. قوانین و مقررات حفاظت از داده
• 26. ملاحظات اخلاقی در مهندسی داده
• 27. ملاحظات اخلاقی در هوش مصنوعی
• 28. مقدمه‌ای بر BigQuery
• 29. ساختارهای داده در BigQuery
• 30. بهینه‌سازی کوئری در BigQuery
• 31. تجسم داده در BigQuery
• 32. Google Dataflow برای پردازش جریانی
• 33. Google Dataproc برای پردازش دسته‌ای
• 34. Google Cloud Composer برای ارکستراسیون
• 35. Google Cloud Pub/Sub برای پیام‌رسانی
• 36. Google Cloud Functions برای محاسبات بدون سرور
• 37. Google Kubernetes Engine (GKE) برای کانتینرسازی
• 38. مقدمه‌ای بر TensorFlow
• 39. TensorFlow در گوگل کلود
• 40. Google AI Platform
• 41. خدمات پیش‌ساخته هوش مصنوعی گوگل کلود
• 42. تشخیص تصویر با Google Vision AI
• 43. پردازش زبان طبیعی با Google Natural Language AI
• 44. تشخیص گفتار با Google Speech-to-Text
• 45. ترجمه با Google Translate API
• 46. مفاهیم مدل‌های زبانی بزرگ
• 47. استفاده از مدل‌های زبانی در مهندسی داده
• 48. ساخت پایپ‌لاین‌های ML در کلود
• 49. آموزش مدل‌های ML در مقیاس
• 50. استقرار مدل‌های ML
• 51. نظارت بر مدل‌های ML
• 52. بهینه‌سازی مدل‌های ML
• 53. مقدمه‌ای بر Data Catalog
• 54. مدیریت متادیتا با Data Catalog
• 55. جستجو و اکتشاف داده
• 56. امنیت و دسترسی در Data Catalog
• 57. Google Cloud Data Loss Prevention
• 58. حفاظت از اطلاعات حساس
• 59. انطباق با مقررات حفظ حریم خصوصی
• 60. معماری‌های داده برای کاربردهای خاص
• 61. مهندسی داده برای تحلیل کسب و کار
• 62. مهندسی داده برای اینترنت اشیاء (IoT)
• 63. مهندسی داده برای پردازش زبان طبیعی
• 64. مهندسی داده برای بینایی ماشین
• 65. مقدمه‌ای بر Data Studio (Looker Studio)
• 66. ساخت داشبوردهای تعاملی
• 67. تجسم داده‌های پیچیده
• 68. اشتراک‌گذاری و همکاری در Data Studio
• 69. مفاهیم مدیریت چرخه حیات داده
• 70. پایپ‌لاین‌های داده خودکار
• 71. استراتژی‌های پشتیبان‌گیری و بازیابی داده
• 72. مدیریت هزینه‌ها در گوگل کلود
• 73. بهینه‌سازی مصرف منابع
• 74. مقدمه‌ای بر MLOps
• 75. اصول MLOps
• 76. پیاده‌سازی MLOps در گوگل کلود
• 77. اتوماسیون فرآیندهای ML
• 78. پایپ‌لاین‌های CI/CD برای ML
• 79. نظارت و مدیریت مدل در تولید
• 80. امنیت در MLOps
• 81. ملاحظات قانونی در استفاده از هوش مصنوعی
• 82. راهبردهای مهاجرت به کلود
• 83. برنامه‌ریزی برای مقیاس‌پذیری
• 84. ارزیابی ابزارهای مختلف
• 85. تست و اعتبارسنجی پایپ‌لاین‌های داده
• 86. بهبود مستمر در مهندسی داده
• 87. آینده مهندسی داده و هوش مصنوعی
• 88. روندهای نوظهور در کلود
• 89. نقش مهندس داده در سازمان
• 90. توسعه پایدار در محاسبات ابری
• 91. ملاحظات زیست‌محیطی در کلود
• 92. استفاده مسئولانه از داده و هوش مصنوعی
• 93. اصول طراحی سیستم‌های توزیع شده
• 94. پیامدهای اجتماعی فناوری‌های داده
• 95. آموزش مداوم و به‌روزرسانی مهارت‌ها
• 96. کاربرد نوین در علوم داده
• 97. طراحی سیستم‌های داده امن و مقاوم
• 98. مقدمه‌ای بر حریم خصوصی در داده
• 99. مدل‌سازی داده برای تحلیل‌های عمیق
• 100. استفاده از داده برای تصمیم‌گیری استراتژیک