آموزش GCP: راهنمای کامل مهندس داده گوگل و معمار ابری

GCP: Complete Google Data Engineer and Cloud Architect Guide

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Google Cloud برای ML با TensorFlow، Big Data با Managed Hadoop استقرار برنامه‌های Hadoop مدیریت شده در Google Cloud ساخت مدل‌های یادگیری عمیق در ابر با استفاده از TensorFlow تصمیم‌گیری آگاهانه در مورد Containers، VMs و AppEngine استفاده از فناوری‌های کلان داده مانند BigTable، Dataflow، Apache Beam and Pub/Sub پیش نیازها:درک اولیه تکنولوژی - مواجهه سطحی با Hadoop کافی است

این دوره راهنمای واقعاً جامعی برای پلتفرم Google Cloud است - 25 ساعت محتوا و 60 دمو دارد.

پلتفرم Google Cloud در حال حاضر محبوب‌ترین پیشنهاد ابری موجود نیست - البته این AWS است - اما احتمالاً بهترین پیشنهاد ابری برای برنامه‌های یادگیری ماشینی پیشرفته است. به این دلیل که TensorFlow، فناوری یادگیری عمیق فوق‌العاده محبوب نیز از Google است.

موارد شامل:

  • محاسبات و ذخیره‌سازی - AppEngine، Container Engineer (معروف به Kubernetes) و Compute Engine
  • Big Data و Managed Hadoop - Dataproc، Dataflow، BigTable، BigQuery، Pub/Sub 
  • TensorFlow در ابر - شبکه‌های عصبی و یادگیری عمیق واقعاً چیست، نورون‌ها چگونه کار می‌کنند و شبکه‌های عصبی چگونه آموزش داده می‌شوند.
  • موارد DevOps  - گزارش StackDriver، نظارت، مدیر استقرار ابر
  • امنیت - مدیریت هویت و دسترسی، پروکسی با آگاهی از هویت، OAuth، کلیدهای API، حساب‌های سرویس
  • شبکه - ابرهای خصوصی مجازی، VPCهای مشترک، تعادل بار در شبکه، حمل و نقل و لایه HTTP. VPN، Cloud Interconnect و CDN Interconnect
  • پایه های Hadoop: نگاهی گذرا به پسرعموهای منبع باز (Hadoop، Spark، Pig، Hive و HBase)

سرفصل ها و درس ها

شما، این دوره و ما You, This Course and Us

  • شما، این دوره و ما You, This Course and Us

  • مواد درسی Course Materials

معرفی Introduction

  • تئوری، عمل و آزمون Theory, Practice and Tests

  • آزمایشگاه: راه اندازی یک حساب GCP Lab: Setting Up A GCP Account

  • آزمایشگاه: با استفاده از پوسته ابری Lab: Using The Cloud Shell

  • مهم! پروژه ها/نمونه های استفاده نشده GCP را حذف کنید Important! Delete unused GCP projects/instances

محاسبه کنید Compute

  • در مورد این بخش About this section

  • گزینه های محاسبه Compute Options

  • موتور محاسباتی گوگل (GCE) Google Compute Engine (GCE)

  • آزمایشگاه: ایجاد یک نمونه VM Lab: Creating a VM Instance

  • GCE بیشتر More GCE

  • آزمایشگاه: ویرایش نمونه VM Lab: Editing a VM Instance

  • آزمایشگاه: ایجاد یک نمونه VM با استفاده از خط فرمان Lab: Creating a VM Instance Using The Command Line

  • آزمایشگاه: ایجاد و پیوست کردن یک دیسک پایدار Lab: Creating And Attaching A Persistent Disk

  • موتور کانتینر Google - Kubernetes (GKE) Google Container Engine - Kubernetes (GKE)

  • GKE بیشتر More GKE

  • آزمایشگاه: ایجاد یک خوشه Kubernetes و استقرار یک ظرف وردپرس Lab: Creating A Kubernetes Cluster And Deploying A Wordpress Container

  • موتور برنامه App Engine

  • موتور برنامه متضاد، موتور محاسباتی و موتور کانتینر Contrasting App Engine, Compute Engine and Container Engine

  • آزمایشگاه: استقرار و اجرای برنامه موتور برنامه Lab: Deploy And Run An App Engine App

  • محاسبه کنید Compute

ذخیره سازی Storage

  • در مورد این بخش About this section

  • گزینه های ذخیره سازی Storage Options

  • سریع بگیرید Quick Take

  • فضای ذخیره ابری Cloud Storage

  • آزمایشگاه: کار با سطل های ذخیره سازی ابری Lab: Working With Cloud Storage Buckets

  • آزمایشگاه: Bucket And Object Permissions Lab: Bucket And Object Permissions

  • آزمایشگاه: مدیریت چرخه زندگی در سطل Lab: Life cycle Management On Buckets

  • رفع AccessDeniedException: 403 مجوز ناکافی Fix for AccessDeniedException: 403 Insufficient Permission

  • آزمایشگاه: اجرای یک برنامه در یک نمونه VM و ذخیره نتایج در فضای ذخیره سازی ابری Lab: Running A Program On a VM Instance And Storing Results on Cloud Storage

  • سرویس انتقال Transfer Service

  • آزمایشگاه: انتقال داده با استفاده از سرویس انتقال Lab: Migrating Data Using The Transfer Service

  • gcloud init gcloud init

  • آزمایشگاه: ACL های ذخیره سازی ابری و دسترسی به API با حساب سرویس Lab: Cloud Storage ACLs and API access with Service Account

  • آزمایشگاه: کلیدهای رمزگذاری ارائه شده توسط مشتری و مدیریت چرخه زندگی Cloud Storage Lab: Cloud Storage Customer-Supplied Encryption Keys and Life-Cycle Management

  • آزمایشگاه: نسخه‌سازی فضای ذخیره‌سازی ابری، همگام‌سازی فهرست Lab: Cloud Storage Versioning, Directory Sync

Cloud SQL، Cloud Spanner ~ OLTP ~ RDBMS Cloud SQL, Cloud Spanner ~ OLTP ~ RDBMS

  • در مورد این بخش About this section

  • ابر SQL Cloud SQL

  • آزمایشگاه: ایجاد یک نمونه Cloud SQL Lab: Creating A Cloud SQL Instance

  • آزمایشگاه: اجرای دستورات در Cloud SQL Instance Lab: Running Commands On Cloud SQL Instance

  • آزمایشگاه: بارگیری انبوه داده ها در جداول Cloud SQL Lab: Bulk Loading Data Into Cloud SQL Tables

  • آچار ابری Cloud Spanner

  • کلود آچار بیشتر More Cloud Spanner

  • آزمایشگاه: کار با Cloud Spanner Lab: Working With Cloud Spanner

  • مهم! پروژه ها/نمونه های استفاده نشده GCP را حذف کنید Important! Delete unused GCP projects/instances

پیش نیازها و زمینه هادوپ Hadoop Pre-reqs and Context

  • پیش نیازها و زمینه هادوپ Hadoop Pre-reqs and Context

BigTable ~ HBase = فروشگاه ستونی BigTable ~ HBase = Columnar Store

  • در مورد این بخش About this section

  • معرفی BigTable BigTable Intro

  • فروشگاه ستونی Columnar Store

  • غیرعادی شده Denormalised

  • خانواده های ستونی Column Families

  • عملکرد BigTable BigTable Performance

  • دریافت اعلان HBase Getting the HBase Prompt

  • آزمایشگاه: نسخه ی نمایشی BigTable Lab: BigTable demo

  • مهم! پروژه ها/نمونه های استفاده نشده GCP را حذف کنید Important! Delete unused GCP projects/instances

Datastore ~ ​​Database Document Datastore ~ Document Database

  • در مورد این بخش About this section

  • فروشگاه داده Datastore

  • آزمایشگاه: نسخه ی نمایشی Datastore Lab: Datastore demo

  • فروشگاه داده Datastore

BigQuery ~ Hive ~ OLAP BigQuery ~ Hive ~ OLAP

  • در مورد این بخش About this section

  • معرفی BigQuery BigQuery Intro

  • BigQuery پیشرفته BigQuery Advanced

  • آزمایشگاه: بارگیری داده‌های CSV در جستجوی بزرگ Lab: Loading CSV Data Into Big Query

  • آزمایشگاه: اجرای پرس و جو در پرس و جو بزرگ Lab: Running Queries On Big Query

  • آزمایشگاه: بارگیری داده های JSON با جداول تودرتو Lab: Loading JSON Data With Nested Tables

  • آزمایشگاه: مجموعه داده های عمومی در پرس و جو بزرگ Lab: Public Datasets In Big Query

  • آزمایشگاه: استفاده از Big Query از طریق خط فرمان Lab: Using Big Query Via The Command Line

  • آزمایشگاه: تجمعات و شرایط در تجمعات Lab: Aggregations And Conditionals In Aggregations

  • آزمایشگاه: سوالات فرعی و پیوستن Lab: Subqueries And Joins

  • آزمایشگاه: عبارات منظم در SQL قدیمی Lab: Regular Expressions In Legacy SQL

  • آزمایشگاه: استفاده از عبارت With برای سوالات فرعی Lab: Using The With Statement For SubQueries

جریان داده ~ پرتو آپاچی Dataflow ~ Apache Beam

  • در مورد این بخش About this section

  • معرفی جریان داده Data Flow Intro

  • پرتو آپاچی Apache Beam

  • آزمایشگاه: اجرای برنامه جریان داده پایتون Lab: Running A Python Data flow Program

  • آزمایشگاه: اجرای برنامه جریان داده جاوا Lab: Running A Java Data flow Program

  • آزمایشگاه: پیاده سازی تعداد کلمات در جریان داده جاوا Lab: Implementing Word Count In Dataflow Java

  • آزمایشگاه: اجرای جریان داده شمارش کلمات Lab: Executing The Word Count Dataflow

  • آزمایشگاه: اجرای MapReduce در جریان داده در پایتون Lab: Executing MapReduce In Dataflow In Python

  • آزمایشگاه: اجرای MapReduce در جریان داده در جاوا Lab: Executing MapReduce In Dataflow In Java

  • آزمایشگاه: جریان داده با جستجوی بزرگ به عنوان منبع و ورودی جانبی Lab: Dataflow With Big Query As Source And Side Inputs

  • آزمایشگاه: جریان داده با پرس و جو بزرگ به عنوان منبع و ورودی های جانبی 2 Lab: Dataflow With Big Query As Source And Side Inputs 2

Dataproc ~ مدیریت Hadoop Dataproc ~ Managed Hadoop

  • در مورد این بخش About this section

  • Data Proc Data Proc

  • آزمایشگاه: ایجاد و مدیریت یک خوشه Dataproc Lab: Creating And Managing A Dataproc Cluster

  • آزمایشگاه: ایجاد یک قانون فایروال برای دسترسی به Dataproc Lab: Creating A Firewall Rule To Access Dataproc

  • آزمایشگاه: اجرای یک کار PySpark در Dataproc Lab: Running A PySpark Job On Dataproc

  • آزمایشگاه: اجرای PySpark REPL Shell And Pig Scripts در Dataproc Lab: Running The PySpark REPL Shell And Pig Scripts On Dataproc

  • آزمایشگاه: ارسال Spark Jar به Dataproc Lab: Submitting A Spark Jar To Dataproc

  • آزمایشگاه: کار با Dataproc با استفاده از GCloud CLI Lab: Working With Dataproc Using The GCloud CLI

Pub/Sub برای پخش جریانی Pub/Sub for Streaming

  • در مورد این بخش About this section

  • Pub Sub Pub Sub

  • آزمایشگاه: کار با Pubsub در خط فرمان Lab: Working With Pubsub On The Command Line

  • آزمایشگاه: کار با PubSub با استفاده از کنسول وب Lab: Working With PubSub Using The Web Console

  • آزمایشگاه: راه اندازی یک ناشر Pubsub با استفاده از کتابخانه پایتون Lab: Setting Up A Pubsub Publisher Using The Python Library

  • آزمایشگاه: راه اندازی مشترک Pubsub با استفاده از کتابخانه Python Lab: Setting Up A Pubsub Subscriber Using The Python Library

  • آزمایشگاه: انتشار داده های جریانی در Pubsub Lab: Publishing Streaming Data Into Pubsub

  • آزمایشگاه: خواندن جریان داده‌ها از PubSub و نوشتن در BigQuery Lab: Reading Streaming Data From PubSub And Writing To BigQuery

  • آزمایشگاه: اجرای خط لوله برای خواندن داده های جریانی و نوشتن در BigQuery Lab: Executing A Pipeline To Read Streaming Data And Write To BigQuery

  • آزمایشگاه: منبع Pubsub BigQuery Sink Lab: Pubsub Source BigQuery Sink

Datalab ~ Jupyter Datalab ~ Jupyter

  • در مورد این بخش About this section

  • آزمایشگاه داده Data Lab

  • آزمایشگاه: ایجاد و کار بر روی یک نمونه Datalab Lab: Creating And Working On A Datalab Instance

  • آزمایشگاه: واردات و صادرات داده با استفاده از Datalab Lab: Importing And Exporting Data Using Datalab

  • Lab: استفاده از Charting API در Datalab Lab: Using The Charting API In Datalab

TensorFlow و یادگیری ماشین TensorFlow and Machine Learning

  • در مورد این بخش About this section

  • معرفی یادگیری ماشینی Introducing Machine Learning

  • آموزش بازنمایی Representation Learning

  • NN معرفی شد NN Introduced

  • معرفی TF Introducing TF

  • آزمایشگاه: عملیات ریاضی ساده Lab: Simple Math Operations

  • نمودار محاسباتی Computation Graph

  • تانسورها Tensors

  • آزمایشگاه: تانسور Lab: Tensors

  • مقدمه رگرسیون خطی Linear Regression Intro

  • متغیرها و متغیرها Placeholders and Variables

  • آزمایشگاه: متغیرهایی Lab: Placeholders

  • آزمایشگاه: متغیرها Lab: Variables

  • آزمایشگاه: رگرسیون خطی با داده های ساخته شده Lab: Linear Regression with Made-up Data

  • پردازش تصویر Image Processing

  • تصاویر به عنوان تانسور Images As Tensors

  • آزمایشگاه: خواندن و کار با تصاویر Lab: Reading and Working with Images

  • آزمایشگاه: تبدیل تصویر Lab: Image Transformations

  • معرفی MNIST Introducing MNIST

  • K-نزدیکترین همسایگان K-Nearest Neigbors

  • نمادگذاری یک داغ و فاصله L1 One-hot Notation and L1 Distance

  • مراحل اجرای K-Nearest-Neighbours Steps in the K-Nearest-Neighbors Implementation

  • آزمایشگاه: K-نزدیکترین همسایه ها Lab: K-Nearest-Neighbors

  • الگوریتم یادگیری Learning Algorithm

  • نورون فردی Individual Neuron

  • رگرسیون یادگیری Learning Regression

  • یادگیری XOR Learning XOR

  • XOR آموزش دیده XOR Trained

رگرسیون در TensorFlow Regression in TensorFlow

  • در مورد این بخش About this section

  • آزمایشگاه: دسترسی به داده ها از Yahoo Finance Lab: Access Data from Yahoo Finance

  • رگرسیون Non TensorFlow Non TensorFlow Regression

  • آزمایشگاه: رگرسیون خطی - تنظیم یک خط پایه Lab: Linear Regression - Setting Up a Baseline

  • گرادیان نزول Gradient Descent

  • آزمایشگاه: رگرسیون خطی Lab: Linear Regression

  • آزمایشگاه: رگرسیون چندگانه در TensorFlow Lab: Multiple Regression in TensorFlow

  • رگرسیون لجستیک معرفی شد Logistic Regression Introduced

  • طبقه بندی خطی Linear Classification

  • آزمایشگاه: رگرسیون لجستیک - تنظیم یک خط مبنا Lab: Logistic Regression - Setting Up a Baseline

  • لوجیت Logit

  • سافت مکس Softmax

  • Argmax Argmax

  • آزمایشگاه: رگرسیون لجستیک Lab: Logistic Regression

  • برآوردگرها Estimators

  • آزمایشگاه: رگرسیون خطی با استفاده از برآوردگرها Lab: Linear Regression using Estimators

  • آزمایشگاه: رگرسیون لجستیک با استفاده از برآوردگرها Lab: Logistic Regression using Estimators

Vision, Translate, NLP and Speech: Trained ML APIs Vision, Translate, NLP and Speech: Trained ML APIs

  • در مورد این بخش About this section

  • Lab: Taxicab Prediction - تنظیم مجموعه داده Lab: Taxicab Prediction - Setting up the dataset

  • آزمایشگاه: پیش بینی تاکسی - آموزش و اجرای مدل Lab: Taxicab Prediction - Training and Running the model

  • آزمایشگاه: Vision، Translate، NLP و Speech API Lab: The Vision, Translate, NLP and Speech API

  • Lab: Vision API برای تشخیص برچسب و نقطه عطف Lab: The Vision API for Label and Landmark Detection

ماشین های مجازی و تصاویر Virtual Machines and Images

  • در مورد این بخش About this section

  • مهاجرت زنده Live Migration

  • انواع ماشین و صورتحساب Machine Types and Billing

  • استفاده پایدار و تخفیف استفاده متعهد Sustained Use and Committed Use Discounts

  • توصیه های حقوقی Rightsizing Recommendations

  • دیسک RAM RAM Disk

  • تصاویر Images

  • اسکریپت های راه اندازی و تصاویر پخته شده Startup Scripts And Baked Images

VPC ها و شبکه های متصل VPCs and Interconnecting Networks

  • در مورد این بخش About this section

  • VPC ها و زیرشبکه ها VPCs And Subnets

  • VPC های جهانی، زیرشبکه های منطقه ای Global VPCs, Regional Subnets

  • آدرس های IP IP Addresses

  • آزمایشگاه: کار با آدرس های IP ثابت Lab: Working with Static IP Addresses

  • مسیرها Routes

  • قوانین فایروال Firewall Rules

  • آزمایشگاه: کار با فایروال Lab: Working with Firewalls

  • آزمایشگاه: کار با حالت خودکار و شبکه های حالت سفارشی Lab: Working with Auto Mode and Custom Mode Networks

  • آزمایشگاه: میزبان سنگر Lab: Bastion Host

  • Cloud VPN Cloud VPN

  • آزمایشگاه: کار با Cloud VPN Lab: Working with Cloud VPN

  • روتر ابری Cloud Router

  • آزمایشگاه: استفاده از روترهای ابری برای مسیریابی پویا Lab: Using Cloud Routers for Dynamic Routing

  • اتصال اختصاصی مستقیم و همتاسازی حامل Dedicated Interconnect Direct and Carrier Peering

  • VPC های مشترک Shared VPCs

  • آزمایشگاه: VPC های مشترک Lab: Shared VPCs

  • همتاسازی شبکه VPC VPC Network Peering

  • آزمایشگاه: VPC Peering Lab: VPC Peering

  • Cloud DNS و شبکه های قدیمی Cloud DNS And Legacy Networks

  • شبکه سازی Networking

گروه‌های نمونه مدیریت شده و تعادل بار Managed Instance Groups and Load Balancing

  • در مورد این بخش About this section

  • گروه های نمونه مدیریت شده و مدیریت نشده Managed and Unmanaged Instance Groups

  • انواع Load Balancing Types of Load Balancing

  • مروری بر تعادل بار HTTP(S). Overview of HTTP(S) Load Balancing

  • قوانین حمل و نقل، نقشه های پراکسی و آدرس اینترنتی هدف Forwarding Rules Target Proxy and Url Maps

  • خدمات Backend و Backends Backend Service and Backends

  • قوانین توزیع بار و فایروال Load Distribution and Firewall Rules

  • آزمایشگاه: تعادل بار HTTP(S). Lab: HTTP(S) Load Balancing

  • آزمایشگاه: تعادل بار مبتنی بر محتوا Lab: Content Based Load Balancing

  • SSL Proxy و TCP Proxy Load Balancing SSL Proxy and TCP Proxy Load Balancing

  • آزمایشگاه: SSL Proxy Load Balancing Lab: SSL Proxy Load Balancing

  • تعادل بار شبکه Network Load Balancing

  • تعادل بار داخلی Internal Load Balancing

  • مقیاس کننده های خودکار Autoscalers

  • آزمایشگاه: مقیاس خودکار با گروه‌های نمونه مدیریت‌شده Lab: Autoscaling with Managed Instance Groups

عملیات و امنیت Ops and Security

  • در مورد این بخش About this section

  • StackDriver StackDriver

  • StackDriver Logging StackDriver Logging

  • آزمایشگاه: نظارت بر منابع Stackdriver Lab: Stackdriver Resource Monitoring

  • Lab: Stackdriver Error Reporting and Debugging Lab: Stackdriver Error Reporting and Debugging

  • مدیر استقرار ابری Cloud Deployment Manager

  • آزمایشگاه: با استفاده از Deployment Manager Lab: Using Deployment Manager

  • آزمایشگاه: Deployment Manager و Stackdriver Lab: Deployment Manager and Stackdriver

  • نقاط پایانی ابری Cloud Endpoints

  • Cloud IAM: حساب‌های کاربری، حساب‌های سرویس، اعتبارنامه‌های API Cloud IAM: User accounts, Service accounts, API Credentials

  • Cloud IAM: نقش‌ها، پروکسی آگاه از هویت، بهترین روش‌ها Cloud IAM: Roles, Identity-Aware Proxy, Best Practices

  • آزمایشگاه: Cloud IAM Lab: Cloud IAM

  • حفاظت از داده ها Data Protection

  • عملیات و امنیت Operations and Security

پیوست: اکوسیستم هادوپ Appendix: Hadoop Ecosystem

  • معرفی اکوسیستم هادوپ Introducing the Hadoop Ecosystem

  • هادوپ Hadoop

  • HDFS HDFS

  • MapReduce MapReduce

  • نخ Yarn

  • کندو Hive

  • کندو در مقابل RDBMS Hive vs. RDBMS

  • HQL در مقابل SQL HQL vs. SQL

  • OLAP در Hive OLAP in Hive

  • کندو پنجره Windowing Hive

  • خوک Pig

  • خوک بیشتر More Pig

  • جرقه Spark

  • جرقه بیشتر More Spark

  • معرفی جریان Streams Intro

  • میکروبچ Microbatches

  • انواع پنجره Window Types

  • اکوسیستم هادوپ Hadoop Ecosystem

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش GCP: راهنمای کامل مهندس داده گوگل و معمار ابری
جزییات دوره
28 hours
226
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
49,179
4.3 از 5
دارد
دارد
دارد
Loony Corn
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Loony Corn Loony Corn

یک تیم سابق گوگل، استنفورد و فلیپ کارت