فلش‌کارت‌های آموزشی Google Cloud Platform: استقرار و مدیریت برنامه های Batch با Ray

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: استقرار و مدیریت برنامه های Batch با Ray

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر پردازش دسته‌ای و Ray
• 2. آشنایی با Ray: معماری و اجزای کلیدی
• 3. نصب و پیکربندی Ray
• 4. مفاهیم پایه Ray: وظایف (Tasks) و اشیاء (Objects)
• 5. اجرای وظایف ساده با Ray
• 6. مدیریت اشیاء و حافظه در Ray
• 7. مقدمه ای بر Ray Actors
• 8. پیاده سازی Actors برای محاسبات توزیع شده
• 9. مدیریت Actor Handles و ارتباطات
• 10. زمان بندی و بهینه سازی وظایف در Ray
• 11. مقدمه ای بر Ray Tune برای تنظیم هایپرپارامتر
• 12. اجرای آزمایش های تنظیم هایپرپارامتر با Ray Tune
• 13. متریک ها و گزارش دهی در Ray Tune
• 14. معرفی Ray Train برای آموزش توزیع شده مدل های یادگیری عمیق
• 15. پیاده سازی آموزش توزیع شده با Ray Train
• 16. ادغام Ray Train با چارچوب های یادگیری عمیق
• 17. مقدمه ای بر Ray Datasets برای پردازش داده های بزرگ
• 18. بارگذاری و پیش پردازش داده ها با Ray Datasets
• 19. عملیات تبدیل داده ها در Ray Datasets
• 20. ادغام Ray Datasets با Ray Train
• 21. مقدمه ای بر Ray Serve برای استقرار مدل های یادگیری ماشین
• 22. استقرار مدل های یادگیری ماشین با Ray Serve
• 23. مدیریت و ارتقاء مدل ها در Ray Serve
• 24. مقدمه ای بر Ray RLlib برای یادگیری تقویتی
• 25. پیاده سازی الگوریتم های یادگیری تقویتی با RLlib
• 26. مدیریت محیط های یادگیری تقویتی
• 27. معرفی Ray Workflows برای ارکستراسیون گردش کارهای پیچیده
• 28. پیاده سازی گردش کارهای پیچیده با Ray Workflows
• 29. مدیریت وابستگی ها و خطاها در Ray Workflows
• 30. بهینه سازی عملکرد Ray: نکات و ترفندها
• 31. دیباگ کردن برنامه های Ray
• 32. مانیتورینگ و لاگینگ در Ray
• 33. ملاحظات امنیتی در استقرار Ray
• 34. مدیریت منابع در Ray Clusters
• 35. استقرار Ray روی Google Cloud Platform
• 36. مفاهیم کلیدی Google Kubernetes Engine (GKE)
• 37. استقرار Ray Cluster روی GKE
• 38. مدیریت Ray Cluster روی GKE
• 39. استقرار برنامه های Batch با Ray روی GKE
• 40. استفاده از Persistent Volumes برای Ray Data
• 41. مدیریت شبکه در GKE برای Ray
• 42. اتصال Ray به سرویس های Google Cloud دیگر
• 43. استفاده از Cloud Storage برای ذخیره سازی داده ها
• 44. استفاده از BigQuery برای تجزیه و تحلیل داده ها
• 45. ادغام Ray با AI Platform (Vertex AI)
• 46. استقرار مدل های یادگیری ماشین در Vertex AI با Ray Serve
• 47. آموزش مدل های توزیع شده با Ray Train در Vertex AI
• 48. تنظیم هایپرپارامتر مدل ها با Ray Tune در Vertex AI
• 49. پردازش دسته‌ای داده ها با Ray Datasets در Google Cloud
• 50. پیاده سازی برنامه های Batch پردازش داده با Ray و GKE
• 51. مدیریت هزینه ها در Google Cloud برای Ray
• 52. نکات امنیتی برای استقرار Ray در Google Cloud
• 53. معرفی مفاهیم اساسی پردازش داده های بزرگ
• 54. مقایسه Ray با سایر فریمورک های پردازش Batch
• 55. کاربردهای عملی Ray در صنایع مختلف
• 56. مطالعه موردی: استقرار سیستم توصیه گر با Ray
• 57. مطالعه موردی: پردازش داده های IoT با Ray
• 58. مطالعه موردی: آموزش مدل های پردازش زبان طبیعی با Ray
• 59. مطالعه موردی: بهینه سازی عملیات لجستیک با Ray
• 60. مطالعه موردی: تحلیل داده های مالی با Ray
• 61. مقدمه ای بر معماری میکروسرویس ها
• 62. استقرار برنامه های Batch به عنوان میکروسرویس با Ray
• 63. مدیریت صف های پیام برای پردازش Batch
• 64. استفاده از Cloud Functions برای وظایف کوچک Batch
• 65. پردازش رویداد محور با Ray
• 66. طراحی سیستم های مقیاس پذیر با Ray
• 67. مقدمه ای بر DevOps و CI/CD برای برنامه های Batch
• 68. پیاده سازی CI/CD برای برنامه های Ray روی GKE
• 69. تست خودکار برنامه های Batch Ray
• 70. مانیتورینگ و هشدار دهی برای برنامه های Production Ray
• 71. مدیریت خطا و بازیابی در سیستم های Batch
• 72. مقدمه ای بر امنیت در فضای ابری
• 73. اصول امنیتی برای استقرار Ray در GCP
• 74. مدیریت دسترسی و احراز هویت در GCP
• 75. رمزنگاری داده ها در حالت سکون و در حال انتقال
• 76. بررسی آسیب پذیری ها و اقدامات اصلاحی
• 77. مقدمه ای بر بهینه سازی هزینه در GCP
• 78. شناسایی عوامل هزینه در استقرار Ray
• 79. استراتژی های کاهش هزینه در GCP
• 80. استفاده از منابع از پیش تعیین شده (Preemptible VMs)
• 81. مدیریت چرخه عمر داده ها
• 82. مقدمه ای بر اینترنت اشیاء (IoT) و پردازش داده های آن
• 83. پردازش داده های Time Series با Ray
• 84. تحلیل داده های Real-time با Ray
• 85. مقدمه ای بر پردازش گراف با Ray
• 86. اجرای الگوریتم های گراف با Ray
• 87. کاربردهای پردازش گراف در یادگیری ماشین
• 88. مقدمه ای بر یادگیری فدرال با Ray
• 89. پیاده سازی یادگیری فدرال توزیع شده
• 90. چالش های یادگیری فدرال
• 91. مقدمه ای بر محاسبات بدون سرور (Serverless)
• 92. مقایسه Ray با راهکارهای Serverless
• 93. استفاده از Ray در کنار Google Cloud Run
• 94. مقدمه ای بر آخرین روندها در پردازش Batch
• 95. آینده Ray و اکوسیستم آن
• 96. جمع بندی و بهترین روش ها برای استقرار Ray در GCP