فلش‌کارت‌های آموزشی مهندسی داده، کلان داده و یادگیری ماشین در پلتفرم گوگل کلود: راهنمای جامع

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده، کلان داده و یادگیری ماشین در پلتفرم گوگل کلود: راهنمای جامع

موضوع کلی: مهندسی داده و هوش مصنوعی در رایانش ابری

موضوع میانی: مهندسی داده و یادگیری ماشین در پلتفرم گوگل کلود

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مهندسی داده در رایانش ابری
• 2. مفاهیم کلیدی کلان داده
• 3. معماری های کلان داده
• 4. مقدمه ای بر پلتفرم گوگل کلود
• 5. خدمات ذخیره سازی در گوگل کلود
• 6. Google Cloud Storage: اصول و کاربردها
• 7. Google Cloud BigQuery: مقدمه و قابلیت ها
• 8. طراحی شمای جداول در BigQuery
• 9. بهینه سازی کوئری ها در BigQuery
• 10. امنیت داده ها در گوگل کلود
• 11. مدیریت دسترسی در Google Cloud IAM
• 12. رمزنگاری داده ها در گوگل کلود
• 13. معرفی خدمات پردازش در گوگل کلود
• 14. Apache Beam و Dataflow
• 15. پردازش جریان داده با Dataflow
• 16. پردازش بچ با Dataflow
• 17. معرفی Apache Spark در گوگل کلود
• 18. Dataproc: مدیریت خوشه های Spark و Hadoop
• 19. کاربرد Spark در مهندسی داده
• 20. ابزارهای ETL در گوگل کلود
• 21. Cloud Data Fusion: طراحی جریان های داده
• 22. استفاده از Data Fusion برای تبدیل داده
• 23. Cloud Dataprep: آماده سازی و پاکسازی داده
• 24. خودکارسازی فرآیندهای ETL
• 25. مقدمه ای بر یادگیری ماشین
• 26. مفاهیم پایه یادگیری ماشین
• 27. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 28. پیش پردازش داده ها برای یادگیری ماشین
• 29. مهندسی ویژگی در یادگیری ماشین
• 30. انتخاب مدل مناسب برای یادگیری ماشین
• 31. ارزیابی مدل های یادگیری ماشین
• 32. مقدمه ای بر خدمات یادگیری ماشین در گوگل کلود
• 33. AI Platform: مدیریت چرخه عمر مدل
• 34. AI Platform Notebooks: محیط توسعه
• 35. آموزش مدل ها در AI Platform
• 36. پیش بینی با AI Platform
• 37. معرفی AutoML در گوگل کلود
• 38. AutoML Vision: ساخت مدل های بینایی ماشین
• 39. AutoML Natural Language: پردازش زبان طبیعی
• 40. AutoML Tables: مدل سازی داده های جدولی
• 41. مقایسه AutoML با آموزش سفارشی
• 42. معرفی TensorFlow در گوگل کلود
• 43. TensorFlow Enterprise
• 44. اجرای مدل های TensorFlow در AI Platform
• 45. TensorFlow Lite برای دستگاه های لبه
• 46. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 47. تکنیک های پیش پردازش متن
• 48. مدل های زبانی و جاسازی کلمات
• 49. استفاده از Cloud Natural Language API
• 50. تحلیل احساسات و استخراج موجودیت
• 51. معرفی بینایی ماشین (Computer Vision)
• 52. تشخیص اشیاء و طبقه بندی تصاویر
• 53. استفاده از Cloud Vision API
• 54. تشخیص چهره و تحلیل تصاویر
• 55. معرفی پردازش جریان داده (Stream Processing)
• 56. مفاهیم پردازش رویداد (Event Processing)
• 57. Apache Kafka و Pub/Sub
• 58. پردازش رویداد با Pub/Sub و Dataflow
• 59. کاربرد پردازش جریان در دنیای واقعی
• 60. معرفی انبار داده (Data Warehousing)
• 61. مفاهیم انبار داده و BI
• 62. Google Cloud BigQuery به عنوان انبار داده
• 63. طراحی مدل های انبار داده (Star Schema, Snowflake)
• 64. مهاجرت انبار داده به گوگل کلود
• 65. امنیت پیشرفته داده ها در گوگل کلود
• 66. کنترل دسترسی مبتنی بر نقش (RBAC)
• 67. مدیریت کلیدهای رمزنگاری (KMS)
• 68. حفاظت از داده ها در برابر تهدیدات
• 69. ملاحظات حریم خصوصی داده ها
• 70. معرفی معماری های داده مدرن
• 71. معماری دریاچه داده (Data Lake)
• 72. معماری دریاچه خانه (Data Lakehouse)
• 73. مقایسه معماری های داده
• 74. طراحی معماری داده برای سازمان ها
• 75. اخلاق در هوش مصنوعی و داده
• 76. سوگیری در داده ها و مدل ها
• 77. تفسیرپذیری مدل های هوش مصنوعی
• 78. مسئولیت پذیری در استفاده از هوش مصنوعی
• 79. راهنمای اخلاقی برای مهندسان داده
• 80. مقدمه ای بر DevOps و MLOps
• 81. اصول DevOps برای تیم های داده
• 82. MLOps: مدیریت چرخه عمر یادگیری ماشین
• 83. اتوماسیون در MLOps
• 84. پیاده سازی MLOps در گوگل کلود
• 85. تکنیک های پیشرفته BigQuery
• 86. بهینه سازی هزینه در BigQuery
• 87. استفاده از BigQuery ML
• 88. تجسم داده ها با Looker Studio (Data Studio)
• 89. طراحی داشبوردهای مدیریتی
• 90. مقدمه ای بر Data Governance
• 91. اهمیت Data Governance
• 92. پیاده سازی Data Governance در گوگل کلود
• 93. مدیریت کیفیت داده ها
• 94. استانداردسازی داده ها
• 95. مباحث پیشرفته در پردازش جریان
• 96. پنجره های زمانی (Windowing) در Dataflow
• 97. مدیریت حالت (State Management) در پردازش جریان
• 98. تکنیک های ضد تکرار (Deduplication)
• 99. کاربرد پردازش جریان در زمان واقعی
• 100. یادگیری ماشین در لبه (Edge ML)