آموزش پایتون در کانتینرها [ویدئو]

Python in Containers [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Docker و Kubernetes این روزها برای مهندسان پایتون مهارت هایی هستند که باید داشته باشند. چه تمرکز شما بر یادگیری ماشین و علم داده باشد یا از پایتون به عنوان یک زبان برنامه نویسی عمومی استفاده کنید، باید Docker و Kubernetes را درک کنید، زیرا آنها اساس برنامه های کاربردی مدرن ابری را تشکیل می دهند که با استفاده از معماری های میکروسرویس ساخته شده اند. در این دوره یاد می گیرید که کارهای زیر را انجام دهید: • توسعه و کاوش یادگیری ماشین، علم داده، و نوت بوک های Jupyter در Docker •مدل های یادگیری ماشین را در حال تولید با Kubernetes و Docker Swarm اجرا کنید • کد پایتون خود را در کانتینرها بسته بندی کنید • ظروف خود را در ثبت تصاویر منتشر کنید • استقرار کانتینرها برای تولید، هم در Docker و هم Kubernetes • خدمات بسیار مدولار و مبتنی بر کانتینر را به روش میکروسرویس بسازید • نظارت و نگهداری برنامه های کانتینری شما می توانید از این دوره به دو صورت استفاده کنید: •اگر از Python برای یادگیری ماشین و علم داده استفاده می‌کنید، از بالا به پایین بروید - با بخش 7 شروع کنید تا به سرعت مهارت‌های Docker را توسعه دهید و از بخش‌های 2 تا 6 برای عمیق‌تر کردن موضوعات کانتینر استفاده کنید. •اگر می خواهید از پایتون برای ساخت اپلیکیشن های وب و میکروسرویس ها استفاده کنید، رویکرد پایین به بالا را امتحان کنید - از دوره به صورت خطی استفاده کنید. همه فایل‌های منبع در مخزن GitHub در https://github.com/PacktPublishing/Python-in-Containers آپلود می‌شوند. نوت بوک های Jupyter را اجرا کنید و ماشین های مجازی را در Docker ایجاد کنید از Docker Desktop برای Windows Pro و macOS و Docker Toolbox برای Windows Home استفاده کنید تصاویر کانتینر سفارشی را از ابتدا ایجاد کنید و ساخت تصاویر کانتینر را با Dockerfile خودکار کنید استقرار چند کانتینر فلاسک و جنگو را طراحی کنید و آنها را با Docker Compose خودکار کنید مدل‌های TensorFlow را به میکروسرویس تبدیل کنید و از Kubernetes با Minikube در میزبان توسعه استفاده کنید استقرار برنامه های پیچیده چند کانتینری در Docker Swarm و Kubernetes این دوره برای برنامه نویسان پایتون، دانشمندان داده و مهندسین یادگیری ماشین است که می خواهند از Python با ابزار Docker برای ساخت برنامه های مدرن مبتنی بر ابر استفاده کنند. با استفاده از ابزارهای Docker برای ایجاد کانتینرهای درجه یک که کد پایتون شما را اجرا می‌کنند به خوبی آشنا شوید * ابزارهای زمان اجرا Master Docker مانند Compose و Swarm * برنامه‌های خود را طوری طراحی کنید که روی Kubernetes اجرا شوند و در نوشتن اعلان‌های شی Kubernetes مهارت داشته باشید.

سرفصل ها و درس ها

معرفی Introduction

  • معرفی دوره و بررسی اجمالی دستور کار Course Introduction and Agenda Overview

  • مفهوم ظروف لینوکس The Concept of Linux Containers

  • ظروف توضیح داده شده است Containers Explained

  • ساخت، ارسال، اجرا Build, Ship, Run

  • مقدمه ای بر داکر Introduction to Docker

  • اکوسیستم فناوری های کانتینری Ecosystem of Container Technologies

  • مقدمه ای بر ارکستراسیون کانتینری Introduction to Container Orchestration

  • برنامه پایتون در Docker Container Python App in Docker Container

  • ارسال تصویر به داکر هاب Shipping the Image to Docker Hub

  • اجرای برنامه ما در محیط های مختلف Running our App in Various Environments

Docker Deep Dive Docker Deep Dive

  • نصب Docker برای یک توسعه دهنده Installing Docker for a Developer

  • شناسه داکر را ایجاد کنید Create Docker ID

  • با داکر بازی کنید Play with Docker

  • Docker را در اوبونتو نصب کنید Install Docker on Ubuntu

  • Docker را روی CentOS نصب کنید Install Docker on CentOS

  • Docker در لینوکس - هشدار امنیتی Docker on Linux - Security Warning

  • Docker Desktop در Windows Pro Docker Desktop on Windows Pro

  • معرفی کانتینرهای ویندوز Introduction to Windows Containers

  • Docker Desktop در MacOS Docker Desktop on MacOS

  • جعبه ابزار Docker برای Windows Home Docker Toolbox for Windows Home

  • اجرای کانتینرها با داکر Running Containers with Docker

  • ادغام کانتینرها با سیستم میزبان Integrating Containers with a Host System

  • تصاویر کانتینر Container Images

  • مدیریت کانتینرها Managing Containers

  • در حال اجرا کانتینرهای متعدد Running Multiple Containers

  • شبکه کانتینری Container Networking

  • پایداری داده - حجم Data Persistency - Volumes

  • معرفی Dockerfile Dockerfile Introduction

  • معرفی Docker Hub Docker Hub Introduction

  • تصاویر پایه پایتون Python Base Images

  • Docker GUIs قسمت 1 - Kitematic Docker GUIs Part 1 - Kitematic

  • Docker GUIs قسمت 2 - Portainer Docker GUIs Part 2 - Portainer

  • نمای کلی ماشین Docker Docker Machine Overview

  • Docker Machine با VirtualBox Docker Machine with VirtualBox

  • ماشین داکر با Hyper-V Docker Machine with Hyper-V

  • Docker Machine در هاست های ابری AWS Docker Machine on AWS Cloud Hosts

  • Docker Machine در Google Cloud Hosts Docker Machine on Google Cloud Hosts

ساخت تصاویر کانتینر Build Container Images

  • عناصر پروژه Python Containerized Elements of Containerized Python Project

  • چرخه حیات پروژه پایتون کانتینری Lifecycle of Containerized Python Project

  • اصول طراحی برای برنامه های کانتینری شده پایتون Design Principles for Containerized Python Apps

  • فرآیند ساخت تصویر دستی Manual Image Build Process

  • Dockerfile - اتوماسیون ساخت تصویر Dockerfile - Automation of Image Build

  • دستورات Dockerfile - مقدمه و FROM Dockerfile Commands - Introduction and FROM

  • دستورات Dockerfile - WORKDIR، COPY، ADD Dockerfile Commands - WORKDIR, COPY, ADD

  • دستورات Dockerfile - RUN Dockerfile Commands - RUN

  • دستورات Dockerfile - ENV، LABEL، USER Dockerfile Commands - ENV, LABEL, USER

  • دستورات Dockerfile - VOLUME و EXPOSE Dockerfile Commands - VOLUME and EXPOSE

  • دستورات Dockerfile - ENTRYPOINT و CMD Dockerfile Commands - ENTRYPOINT and CMD

  • پارامتریزه کردن Dockerfiles با ARG Parametrizing Dockerfiles with ARG

  • ساخت و اجرای تصاویر قابل استفاده مجدد Building and Running Reusable Images

  • زمان ساخت در مقابل زمان اجرا Build time versus Run time Execution

  • ساخت تصاویر کوچکتر Building smaller Images

  • ساخت تصویر چند مرحله ای Multistage Image Build

  • ساخت تصاویر سفارشی پایتون Building Custom Python Images

  • تصاویر پایه را از ابتدا بسازید Build Base Images from Scratch

  • Dockerizing PyTest و Pdb - مورد ساده Dockerizing PyTest and Pdb - Simple Case

  • ظروف جنگو برای توسعه Django Containerization for Development

  • ظروف جنگو برای تولید Django Containerization for Production

  • سرورهای کاربردی برای اجرای جنگو و فلاسک Application Servers to Run Django and Flask

  • Production--grade Database Engine - PostgreSQL Production--grade Database Engine - PostgreSQL

  • موتور پایگاه داده تولید - درجه - MariaDB Production--grade Database Engine - MariaDB

  • اجرای پروکسی سرور Implementing Proxy Server

  • نیاز به اتوماسیون The need of Automation

کانتینرهای کشتی Ship Containers

  • تصاویر حمل و نقل Shipping Images

  • ثبت تصاویر و مخازن Image Registries and Repositories

  • بررسی رجیستری های ابر کلیدی Review of Key Cloud Registries

  • بررسی فن آوری های ثبت محلی Review of Local Registry Technologies

  • ادغام گیت هاب و داکر هاب GitHub and Docker Hub Integration

  • گردش کار ساخت تصویر ظرف GitLab GitLab Container Image Build Workflow

  • آسیب پذیری اسکن تصاویر Vulnerability Scanning of Images

کانتینرها را در داکر اجرا کنید Run Containers in Docker

  • اجرای کانتینرهای تولید در داکر Running Production Containers in Docker

  • Docker Compose - مقدمه Docker Compose - Introduction

  • Docker Compose File - نسخه و حجم Docker Compose File - Version and Volumes

  • Docker Compose File - Networks Docker Compose File - Networks

  • Docker Compose File - Services Docker Compose File - Services

  • مدیریت تصاویر با Docker Compose Managing Images with Docker Compose

  • چرخه حیات برنامه با Docker Compose - قسمت 1 Application Lifecycle with Docker Compose - Part 1

  • چرخه حیات برنامه با Docker Compose - قسمت 2 Application Lifecycle with Docker Compose - Part 2

  • معرفی Docker Swarm Introduction to Docker Swarm

  • تهیه Swarm با Docker Machine Provisioning Swarm with Docker Machine

  • کانتینرهای مستقل در Swarm Standalone Containers in Swarm

  • خدمات در Swarm Services in Swarm

  • حالت های سرویس و مش مسیریابی ورودی Service Modes and Ingress Routing Mesh

  • پشته برنامه در Swarm - قسمت 1 Application Stack in Swarm - Part 1

  • پشته برنامه در Swarm - قسمت 2 Application Stack in Swarm - Part 2

  • محیط کاربردی در Swarm - قسمت 1 Application Environment in Swarm - Part 1

  • محیط کاربردی در Swarm - قسمت 2 Application Environment in Swarm - Part 2

  • چرخه حیات برنامه در Swarm Application Lifecycle in Swarm

  • خلاصه ای از Docker Runtime Environment Summary of Docker Runtime Environment

کانتینرها را در Kubernetes اجرا کنید Run Containers in Kubernetes

  • مقدمه ای بر Kubernetes Introduction to Kubernetes

  • نمای هلیکوپتر Kubernetes به عنوان پلتفرم برنامه Helicopter View of Kubernetes as the Application Platform

  • نصب یک خوشه کوچک Kubernetes Installing a Small Kubernetes Cluster

  • اجرای برنامه ساده در Minikube Running Simple Application in Minikube

  • استقرار برنامه چند کانتینری در Minikube - قسمت 1 Deployment of Multi-Container Application in Minikube - Part 1

  • استقرار برنامه چند کانتینر در Minikube - قسمت 2 Deployment of Multi-Container Application in Minikube - Part 2

  • Pod Controllers Part 1 - Introduction and ReplicaSet Pod Controllers Part 1 - Introduction and ReplicaSet

  • Pod Controllers قسمت 2- استقرار Pod Controllers Part 2- Deployment

  • Pod Controllers Part 3 - StatefulSet، DaemonSet Pod Controllers Part 3 - StatefulSet, DaemonSet

  • Pod Controllers Part4 - Job, CronJob Pod Controllers Part4 - Job, CronJob

  • خدمات Services

  • حجم ها Volumes

  • استقرار یک برنامه چند کانتینری در Google Kubernetes Engine Deploying a Multi-Container Application in Google Kubernetes Engine

  • محیط کاربردی در Kubernetes Application Environment in Kubernetes

علم داده و یادگیری ماشین در کانتینرها Data Science & Machine Learning in Containers

  • بخش معرفی و بررسی اجمالی Section Introduction & Overview

  • ظروف در تحقیق و آزمایش Containers in Research & Experimentation

  • یادگیری ماشینی در تولید Machine Learning in Production

  • نوت بوک Jupyter در Docker Jupyter Notebook in Docker

  • کد پایتون را در Jupyter Container اجرا کنید Run Python Code in Jupyter Container

  • علم داده در کانتینر ژوپیتر Data Science in Jupyter Container

  • TensorFlow در کانتینرها TensorFlow in Containers

  • مدل‌های طبقه‌بندی MNIST در ظرف تنسورفلو MNIST Classification Models in Tensorflow Container

  • خدمت تنسورفلو - مثال پیش بینی Tensorflow Serving - Prediction Example

  • تشخیص شی در ظرف تنسورفلو Object Detection in TensorFlow Container

  • پردازنده گرافیکی انویدیا و داکر NVIDIA GPU and Docker

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

آموزش پایتون در کانتینرها [ویدئو]
جزییات دوره
24 h 0 m
114
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Kris Celmer
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kris Celmer Kris Celmer

کارشناس زیرساخت فناوری اطلاعات - کارشناس ابر