آموزش جامع گواهینامه مهندس داده حرفه‌ای گوگل کلاود (۲۰۲۵) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه: طراحی سیستم‌های پردازش داده Introduction: Designing Data Processing Systems

• مرور کلی دوره مهندس داده حرفه‌ای گوگل Google Professional Data Engineer course overview

• شروع کار با GCP Onboard to GCP

۱. انتخاب فناوری ذخیره‌سازی 1. Storage Technology Selection

• سرویس‌های تحلیل داده گوگل کلاود Google Cloud analytics services

• مزایا و معایب ابزارهای متن‌باز مهندسی داده Pros and cons of open-source data engineering tools

• مقایسه سرویس‌های مدیریت شده گوگل کلاود با متن‌باز Open-source vs. Google Cloud managed services

۲. طراحی خط لوله داده (Data Pipeline) 2. Data Pipeline Design

• خط لوله‌های مهندسی داده Data engineering pipelines

• استراتژی ذخیره‌سازی در گوگل کلاود Google Cloud storage strategy

۳. مهاجرت پردازش و انبار داده 3. Data Warehousing and Processing Migration

• استفاده از Google BigQuery در Google Colab Using Google BigQuery with Google Colab

• مهندسی پرامپت برای BigQuery Prompt engineering for BigQuery

• کاوش در داده‌ها با Google BigQuery Exploring data with Google BigQuery

• مرور کلی ذخیره‌سازهای GCP Overview GCP storage

• بهینه‌سازی راهکارهای پایگاه داده GCP Optimize for GCP database solutions

جمع‌بندی: طراحی سیستم‌های پردازش داده Conclusion: Designing Data Processing Systems

• گام‌های بعدی Next steps

مقدمه: ساخت و عملیاتی‌سازی سیستم‌های پردازش داده Introduction: Building and Operationalizing Data Processing Systems

• مرور کلی دوره Course overview

۱. پیاده‌سازی سیستم ذخیره‌سازی 1. Storage System Implementation

• دمو: Google Cloud Shell Demo: Google Cloud Shell

• دمو: ابزار خط فرمان Google gcloud CLI Demo: Google gcloud CLI tool

• دمو: ویرایشگر Google Cloud Editor Demo: Google Cloud Editor

• دمو: SDK خط فرمان گوگل Demo: Google CLI SDK

• مقایسه سیستم‌های ذخیره‌سازی Storage comparison

۲. ساخت و عملیاتی‌سازی خط لوله 2. Pipeline Building and Operationalization

• دمو: نوسانات پردازشی در GCP Demo: Compute volatility on GCP

• مثال خط لوله داده (داستان جک و لوبیای جادویی) Jack and the Beanstalk as a data pipeline

• مقایسه قابلیت‌های پردازشی Compare compute offerings

۳. پیاده‌سازی زیرساخت پردازشی 3. Processing Infrastructure Implementation

• چالش‌های داده‌های بزرگ (Big Data) The challenges of big data

• دمو: گسترش Cloud Functions در GCP Demo: Extending GCP Cloud Functions

• تریگرهای خط لوله داده Data pipeline triggers

جمع‌بندی: ساخت و عملیاتی‌سازی سیستم‌های پردازش داده Conclusion: Building and Operationalizing Data Processing Systems

• گام‌های بعدی Next steps

مقدمه: عملیاتی‌سازی مدل‌های یادگیری ماشین (ML) Introduction: Operationalizing Machine Learning (ML) Models

• مرور کلی دوره Course overview

۱. مدل‌های ML پیش‌ساخته به عنوان سرویس 1. Pre-built ML Models as a Service

• استفاده از GCP NLP از طریق CLI Using GCP NLP from the CLI

• Google Colab به همراه TensorFlow Hub Google Colab with TensorFlow Hub

۲. انتخاب زیرساخت آموزش و ارائه (Serving) 2. Training and Serving Infrastructure Selection

• استفاده از ML API Vision گوگل از طریق CLI Using GCP ML API vision from CLI

• استفاده از TPUها در گذار تکنولوژیک TPUs as part of technology transition

• مرور کلی مدل‌های پیش‌آموزش‌دیده PyTorch PyTorch pretrained model overview

• دمو: مدل پیش‌آموزش‌دیده PyTorch Demo: PyTorch pretrained model

• شروع کار با Vertex AI Getting started with Vertex AI

• درک مفاهیم TPU Understanding TPUs

۳. اندازه‌گیری، نظارت و عیب‌یابی مدل ML 3. ML Model Measurement, Monitoring, and Troubleshooting

• متدولوژی برنامه‌ریزی، اجرا، بررسی و اقدام (PDCA) Plan-do-check-act methodology

• عملیات یادگیری ماشین (MLOps) در GCP MLOps on GCP

• دمو: تست بار با استفاده از Locust Demo: Load testing with Locust

جمع‌بندی: عملیاتی‌سازی مدل‌های یادگیری ماشین Conclusion: Operationalizing Machine Learning Models

• گام‌های بعدی Next steps

• استفاده از دوره‌های یادگیری ماشین گوگل Using Google machine learning courses

مقدمه: تضمین کیفیت راهکار Introduction: Ensuring Solution Quality

• مرور کلی دوره Course overview

۱. طراحی امنیت و انطباق (Compliance) 1. Security and Compliance Design

• درک بازرسی‌های Rust crate توسط گوگل Understand Rust crate audits by Google

• امنیت یکپارچه داده‌ها Integrated data security

• امنیت ذاتی در طراحی زبان Rust The Rust language is secure by design

۲. تضمین مقیاس‌پذیری و کارایی 2. Scalability and Efficiency Assurance

• استفاده از Bard برای افزایش بهره‌وری Using Bard to enhance productivity

• برنامه‌نویسی Rust با کمک Copilot Copilot-enabled Rust

• مقایسه بهره‌وری انرژی پایتون در مقابل Rust Energy efficiency of Python vs. Rust

• دمو: تست واحد (Unit Test) در Rust Demo unit test Rust

• یکپارچه‌سازی مستمر با Rust و GitHub Actions Continuous integration with Rust and GitHub actions

۳. تضمین انعطاف‌پذیری و قابلیت جابه‌جایی 3. Flexibility and Portability Assurance

• دمو: ساخت و استقرار میکروسرویس Rust در Cloud Run Demo: Build and deploy Rust Microservice Cloud Run

• دمو: استقرار Rust در App Engine Demo: App Engine Rust deploy

• تصویر Distroless چیست؟ What is distroless?

جمع‌بندی: تضمین کیفیت راهکار Conclusion: Ensuring Solution Quality

• گام‌های بعدی Next steps