کتاب Google Cloud Platform: ساخت اپلیکیشن های تحلیل زمانی
, ,

کتاب Google Cloud Platform: ساخت اپلیکیشن های تحلیل زمانی

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000022608 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 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

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب Google Cloud Platform: ساخت اپلیکیشن های تحلیل زمانی

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر Google Cloud Platform (GCP)
  • 2. آشنایی با مفاهیم ابری و مزایای آن
  • 3. چرا GCP برای تحلیل زمانی مناسب است؟
  • 4. معرفی سرویس های کلیدی GCP برای تحلیل زمانی
  • 5. نمای کلی معماری برنامه های تحلیل زمانی در GCP
  • 6. نصب و پیکربندی محیط توسعه GCP
  • 7. تنظیم حساب GCP و پروژه
  • 8. استفاده از Cloud Shell و gcloud CLI
  • 9. مدیریت دسترسی و مجوزها (IAM)
  • 10. مفاهیم پایگاه داده در GCP
  • 11. انواع پایگاه داده های مناسب برای داده های زمانی
  • 12. معرفی Cloud SQL: پایگاه داده رابطه‌ای مدیریت شده
  • 13. استفاده از Cloud SQL برای PostgreSQL
  • 14. استفاده از Cloud SQL برای MySQL
  • 15. بهینه سازی پایگاه داده های رابطه‌ای برای داده های زمانی
  • 16. معرفی Cloud Spanner: پایگاه داده مقیاس پذیر و سازگار
  • 17. کار با Cloud Spanner برای داده های سری زمانی
  • 18. مدیریت Schema در Cloud Spanner
  • 19. معرفی BigQuery: انبار داده تحلیلی serverless
  • 20. چرا BigQuery برای داده های زمانی قدرتمند است؟
  • 21. نحوه وارد کردن داده های زمانی به BigQuery
  • 22. انواع داده های زمانی در BigQuery
  • 23. کوئری زدن داده های زمانی با SQL در BigQuery
  • 24. استفاده از توابع زمانی در BigQuery
  • 25. بهینه سازی کوئری های BigQuery برای داده های زمانی
  • 26. ایجاد نمای BigQuery برای داده های زمانی
  • 27. استفاده از BigQuery ML برای مدل سازی سری زمانی
  • 28. مقدمه ای بر پردازش جریانی داده ها
  • 29. چرا پردازش جریانی برای تحلیل زمانی حیاتی است؟
  • 30. معرفی Cloud Pub/Sub: سرویس پیام رسانی مدیریت شده
  • 31. ارسال پیام ها به Pub/Sub
  • 32. دریافت پیام ها از Pub/Sub
  • 33. مدیریت موضوعات و اشتراک ها در Pub/Sub
  • 34. استفاده از Pub/Sub برای دریافت داده های زمانی زنده
  • 35. معرفی Dataflow: سرویس پردازش جریانی و بچی مدیریت شده
  • 36. معماری Dataflow: Pipeline ها و Transform ها
  • 37. نوشتن Pipeline های Dataflow با Apache Beam
  • 38. پردازش جریانی داده های زمانی با Dataflow
  • 39. پردازش بچی داده های زمانی با Dataflow
  • 40. مدیریت خطا و تحمل پذیری در Dataflow
  • 41. استقرار و نظارت بر Pipeline های Dataflow
  • 42. معرفی Dataproc: سرویس مدیریت شده Apache Spark و Hadoop
  • 43. استفاده از Dataproc برای پردازش داده های زمانی در مقیاس بزرگ
  • 44. اجرای Job های Spark بر روی Dataproc
  • 45. بهینه سازی Job های Spark برای داده های زمانی
  • 46. معرفی Cloud Functions: اجرای کد serverless
  • 47. استفاده از Cloud Functions برای پردازش رویدادهای زمانی
  • 48. توابع Trigger شده با Pub/Sub
  • 49. توابع Trigger شده با Cloud Storage
  • 50. مدیریت وابستگی ها در Cloud Functions
  • 51. استقرار و نظارت بر Cloud Functions
  • 52. معرفی Cloud Run: اجرای کانتینرها در مقیاس serverless
  • 53. کانتینری کردن برنامه های تحلیل زمانی
  • 54. استقرار برنامه های کانتینری با Cloud Run
  • 55. مدیریت ترافیک و مقیاس پذیری در Cloud Run
  • 56. معرفی Kubernetes Engine (GKE): ارکستراسیون کانتینرها
  • 57. مقدمه ای بر Kubernetes
  • 58. استفاده از GKE برای استقرار برنامه های پیچیده تحلیل زمانی
  • 59. مدیریت Pods، Deployments و Services در GKE
  • 60. مقیاس پذیری و خودترمیمی در GKE
  • 61. معرفی Cloud Storage: ذخیره سازی اشیاء مدیریت شده
  • 62. ذخیره سازی فایل های داده های زمانی در Cloud Storage
  • 63. دسترسی به داده ها از Cloud Storage
  • 64. مدیریت نسخه و چرخه عمر اشیاء در Cloud Storage
  • 65. معرفی Cloud Scheduler: زمان بندی وظایف
  • 66. زمان بندی اجرای Job های پردازش داده های زمانی
  • 67. زمان بندی ارسال گزارش ها
  • 68. تنظیم زمان بندی های پیچیده
  • 69. معرفی Looker Studio (Google Data Studio): ابزار بصری سازی داده ها
  • 70. اتصال Looker Studio به BigQuery
  • 71. ساخت داشبوردهای تحلیلی برای داده های زمانی
  • 72. ایجاد نمودارها و گراف های زمانی
  • 73. فیلتر کردن و تعامل با داشبوردها
  • 74. معرفی Looker: پلتفرم هوش تجاری سازمانی
  • 75. استفاده از Looker برای کاوش عمیق تر داده های زمانی
  • 76. مدیریت مدل داده ها در Looker
  • 77. ساخت گزارش ها و داشبوردهای سفارشی
  • 78. معرفی Vertex AI: پلتفرم یادگیری ماشین
  • 79. استفاده از Vertex AI برای ساخت مدل های پیش بینی سری زمانی
  • 80. آماده سازی داده ها برای مدل سازی
  • 81. آموزش مدل های سری زمانی
  • 82. ارزیابی مدل ها
  • 83. استقرار مدل ها برای پیش بینی در زمان واقعی
  • 84. مفاهیم پیش بینی سری زمانی
  • 85. روش های کلاسیک پیش بینی سری زمانی
  • 86. مدل های یادگیری ماشین برای پیش بینی سری زمانی
  • 87. شبکه های عصبی بازگشتی (RNN) و LSTM
  • 88. مدل های مبتنی بر ترانسفورمر
  • 89. آماده سازی داده ها برای یادگیری ماشین
  • 90. مهندسی ویژگی برای داده های زمانی
  • 91. تقسیم داده ها به مجموعه های آموزش، اعتبارسنجی و تست
  • 92. معیارهای ارزیابی مدل های پیش بینی
  • 93. پیاده سازی مدل های پیش بینی با TensorFlow و PyTorch در GCP
  • 94. استفاده از Vertex AI Pipelines برای خودکارسازی گردش کار ML
  • 95. نظارت بر عملکرد مدل های پیش بینی در طول زمان
  • 96. به روز رسانی و بازآموزی مدل ها
  • 97. معماری های پیشرفته برای تحلیل زمانی
  • 98. معماریLambda برای پردازش داده های جریانی و بچی
  • 99. معماری Kappa برای پردازش صرفاً جریانی
  • 100. استفاده از Microservices برای برنامه های تحلیل زمانی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 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

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب Google Cloud Platform: ساخت اپلیکیشن های تحلیل زمانی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا