لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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.
نمایش نظرات