GCP: راهنمای کامل مهندس داده گوگل و معمار ابر [ویدئو]

GCP: Complete Google Data Engineer and Cloud Architect Guide [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Google Cloud Platform (GCP) نه تنها محبوب‌ترین ارائه ابری در حال حاضر است، بلکه به لطف TensorFlow، فناوری یادگیری عمیق محبوب گوگل، احتمالاً بهترین پیشنهاد ابری برای برنامه‌های یادگیری ماشینی پیشرفته است. این دوره به شما کمک می کند تا مفاهیم اساسی مورد نیاز برای استقرار برنامه های TensorFlow در GCP را بیاموزید. این دوره با مقدمه ای بر محاسبات ابری، Hadoop و GCP شروع می شود و به شما در راه اندازی آزمایشگاه برای تمرینات کمک می کند. گزینه‌های محاسباتی مختلف، مانند موتور محاسباتی Google (GCE) را می‌شناسید و گزینه‌های مختلف ذخیره‌سازی را بررسی می‌کنید. با پیشروی، با Cloud SQL کار می‌کنید و با انجام تمرین‌های آزمایشگاهی، مروری بر BigTable و BigQuery خواهید داشت، ویژگی جریان داده به نام Apache Beam را بررسی می‌کنید و از Data Proc برای مدیریت Hadoop استفاده می‌کنید. همچنین یاد خواهید گرفت که چگونه از Pub/Sub در GCP استفاده کنید و ویژگی‌های یک آزمایشگاه داده را بررسی کنید. سپس این دوره شما را با مفاهیم یادگیری ماشین و TensorFlow آشنا می کند و به شما نشان می دهد که چگونه یک مجموعه داده برای اجرای یک مدل و نحوه کار با ماشین های مجازی و تصاویر آماده کنید. در نهایت با مفاهیم شبکه و امنیت آشنا می شوید و با اصول Hadoop آشنا می شوید. در پایان این دوره، شما مهارت های مورد نیاز برای ساختن مدل های TensorFlow و یادگیری ماشین بر روی GCP را خواهید داشت. کل بسته کد این دوره را می‌توانید در: https://github.com/packtpublishing/gcp-complete-google-data-engineer-and-cloud-architect-guide-v- کاوش گزینه‌های محاسباتی مختلف، مانند App موتور و موتور کانتینری نحوه آموزش شبکه های عصبی را کشف کنید با گروه های نمونه مدیریت شده کار کنید و بارها را متعادل کنید مفاهیم امنیت رایانش ابری را درک کنید عملکرد شبکه های متصل به هم را بیابید یک نمای کلی از اصول Hadoop دریافت کنید چه به دنبال قبولی در آزمون‌های Google Data Engineer یا Cloud Architect در امتحانات گواهینامه معماری ابری باشید، چه بخواهید مدل‌های TensorFlow را بسازید و آنها را در فضای ابری مستقر کنید، یا بخواهید از Google Cloud Platform در سازمان خود استفاده کنید، این دوره برای شما. برای شروع این دوره به درک اولیه فناوری Hadoop نیاز دارید. نحوه استقرار برنامه های Hadoop مدیریت شده در GCP را بیاموزید * نحوه استفاده از فناوری های داده های بزرگ مانند BigTable، Dataflow، Apache Beam و Pub/Sub را بیاموزید * دانش خود را برای ایجاد مدل های یادگیری عمیق در ابر با استفاده از TensorFlow به کار ببرید.

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

معرفی Introduction

  • تئوری، عمل و آزمون Theory, Practice and Tests

  • چرا ابر؟ Why Cloud?

  • هادوپ و محاسبات توزیع شده Hadoop and Distributed Computing

  • در محل، Colocation یا Cloud؟ On-premise, Colocation or Cloud?

  • معرفی پلتفرم Google Cloud Introducing the Google Cloud Platform

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

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

محاسبه انتخاب ها Compute Choices

  • گزینه های محاسبه Compute Options

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

  • GCE بیشتر More GCE

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

  • 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 App Engine Lab: Deploy and Run an App Engine App

ذخیره سازی Storage

  • 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

  • Lab: Bucket and Object Permissions Lab: Bucket and Object Permissions

  • آزمایشگاه: مدیریت چرخه زندگی در سطل ها Lab: Life-Cycle Management on Buckets

  • 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 ها با استفاده از سرویس انتقال Lab: Migrating Data Using the Transfer Service

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

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

  • 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

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

  • معرفی BigTable BigTable Intro

  • فروشگاه ستون Columnar Store

  • غیرعادی شده Denormalised

  • خانواده های ستونی Column Families

  • عملکرد BigTable BigTable Performance

  • آزمایشگاه: نسخه ی نمایشی BigTable Lab: BigTable demo

Datastore ~ ​​Database Document Datastore ~ Document Database

  • فروشگاه داده Datastore

  • آزمایشگاه: نسخه ی نمایشی Datastore Lab: Datastore demo

BigQuery ~ Hive ~ OLAP BigQuery ~ Hive ~ OLAP

  • معرفی BigQuery BigQuery Intro

  • BigQuery پیشرفته BigQuery Advanced

  • آزمایشگاه: بارگیری داده‌های CSV در Big Query 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

  • معرفی جریان داده Dataflow Intro

  • پرتو آپاچی Apache Beam

  • آزمایشگاه: اجرای یک برنامه جریان داده پایتون Lab: Running a Python Dataflow Program

  • آزمایشگاه: اجرای یک برنامه جریان داده جاوا Lab: Running a Java Dataflow 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 BigQuery به عنوان منبع و ورودی جانبی Lab: Dataflow with BigQuery as Source and Side Inputs

  • آزمایشگاه: جریان داده با Big Query به عنوان منبع و ورودی جانبی 2 Lab: Dataflow with Big Query as Source and Side Inputs 2

Dataproc ~ مدیریت Hadoop Dataproc ~ Managed Hadoop

  • 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.

  • میخانه/فرعی Pub/Sub

  • آزمایشگاه: کار با Pub/Sub در خط فرمان Lab: Working with Pub/Sub on the Command Line

  • آزمایشگاه: کار با Pub/Sub با استفاده از کنسول وب Lab: Working with Pub/Sub Using the Web Console

  • آزمایشگاه: راه اندازی Pub/Sub Publisher با استفاده از کتابخانه Python Lab: Setting Up a Pub/Sub Publisher Using the Python Library

  • آزمایشگاه: راه اندازی یک مشترک Pub/Sub با استفاده از کتابخانه Python Lab: Setting Up a Pub/Sub Subscriber Using the Python Library

  • آزمایشگاه: انتشار داده های جریانی در Pub/Sub Lab: Publishing Streaming Data into Pub/Sub

  • آزمایشگاه: خواندن جریان داده‌ها از Pub/Sub و نوشتن در BigQuery Lab: Reading Streaming Data from Pub/Sub 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: سینک BigQuery Source Pub/Sub Lab: Pub/Sub Source BigQuery Sink

Datalab ~ Jupyter Datalab ~ Jupyter

  • Datalab Datalab

  • 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

  • معرفی یادگیری ماشینی Introducing Machine Learning

  • آموزش بازنمایی Representation Learning

  • شبکه های عصبی (NN) معرفی شدند Neural Networks (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 همسایه ها به عنوان یادگیری بدون نظارت K-Nearest Neighbours as Unsupervised Learning

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

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

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

  • 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

  • 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

  • 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

  • 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

  • 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

  • این ویدئو روتر ابری را توضیح می دهد. This video explains the cloud router.

  • 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

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

  • 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 بازارسال، پروکسی هدف و نقشه های URL 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

  • تعادل بار پروکسی SSL و TCP Proxy 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

  • درایور پشته Stack driver

  • 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

پیوست: اکوسیستم هادوپ Appendix: Hadoop Ecosystem

  • مقدمه ای بر اکوسیستم هادوپ Introduction to 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

نمایش نظرات

GCP: راهنمای کامل مهندس داده گوگل و معمار ابر [ویدئو]
جزییات دوره
27 h 51 m
205
Packtpub Packtpub
(آخرین آپدیت)
3
4.3 از 5
ندارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.