آموزش طراحی معماری مقیاس پذیر داده در Google Cloud

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

پیاده سازی معماری دسته ای و جریانی یکپارچه در GCP Implementing Integrated Batch and Streaming Architectures on the GCP

• بررسی اجمالی ماژول Module Overview

• پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

• تغییر ملاحظات معماری در دنیای واقعی Changing Architectural Considerations in the Real World

• بحث: استفاده و ساخت مدلهای ML ، پرس و جو از داده ها Discussion: Using and Building ML Models, Querying Data

• بحث: آموزش خدمت به Skew ، یک جهان چند ابر ، معماری Lambda و Kappa Discussion: Training Serving Skew, a Multi Cloud World, Lambda, and Kappa Architectures

• معماری Lambda و Kappa Lambda and Kappa Architectures

• تنظیم یک سطل GCS ، موضوع PubSub و جدول BigQuery Setting up a GCS Bucket, PubSub Topic, and BigQuery Table

• پیاده سازی پردازش مجتمع برای دسته ای و جریانی Implementing Integrated Processing for Batch and Streaming

• اجرای خط لوله برای پردازش دسته ای و جریان Executing the Pipeline for Batch and Stream Processing

طراحی استراتژی های مهاجرت و بازیابی فاجعه در GCP Designing Migration and Disaster Recovery Strategies on the GCP

• بررسی اجمالی ماژول Module Overview

• مهاجرت داده های ساختاریافته Migrating Structured Data

• گزینه های ذخیره سازی در GCP Storage Options on the GCP

• مهاجرت داده های بدون ساختار Migrating Unstructured Data

• انتقال داده ها از سطل منطقه ای به سطل چند منطقه ای Transfer Data from a Regional to a Multi Regional Bucket

• ایجاد و بارگذاری اطلاعات در یک سطل S3 Creating and Uploading Data in an S3 Bucket

• انتقال داده از S3 به GCS Buckets Transferring Data from S3 to GCS Buckets

• انتقال داده از یک URL قابل دسترسی خارجی Transferring Data from an Externally Accessible URL

• مدیریت چرخه زندگی شی Object Lifecycle Management

• برنامه ریزی برای فاجعه Planning for Disaster

• خلاصه ماژول Module Summary

طراحی گردش کار قوی ML در GCP Designing Robust ML Workflows on the GCP

• بررسی اجمالی ماژول Module Overview

• محصولات Google Cloud AI: در دسترس قرار دادن ML برای همه Google Cloud AI Products: Making ML Accessible to All

• Cloud ML Engine برای ساخت و آموزش مدلهای یادگیری ماشین سفارشی Cloud ML Engine for Building and Training Custom Machine Learning Models

• معرفی Dataprep Flows و دستورالعمل هایی برای درگیری داده ها Introducing Dataprep Flows and Recipes to Wrangle Data

• پاک کردن و قالب بندی داده ها Cleaning and Formatting Data

• آماده سازی داده ها برای یادگیری ماشین Preparing Data for Machine Learning

• ساخت و سریال سازی مدل رگرسیون خطی با استفاده از Scikit Learn Building and Serializing a Linear Regression Model Using Scikit Learn

• استفاده از یک مدل و استفاده از Cloud ML Engine برای پیش بینی Deploying a Model and Using Cloud ML Engine for Prediction

• خلاصه و مطالعه بیشتر Summary and Further Study