استقرار مدل علم داده و رایانش ابری در GCP [ویدئو]

سرفصل ها و درس ها

مقدمه و پیش نیاز دوره Course Introduction and Prerequisites

• معرفی دوره و بررسی بخش Course Introduction and Section Walkthrough

• پیش نیازهای دوره Course Prerequisites

مفاهیم ابری مدرن Modern-Day Cloud Concepts

• معرفی Introduction

• مقیاس پذیری - مقیاس افقی در مقابل عمودی Scalability - Horizontal Versus Vertical Scaling

• بدون سرور در مقابل سرورها و کانتینرسازی Serverless Versus Servers and Containerization

• معماری میکروسرویس Microservice Architecture

• معماری رویداد محور Event-Driven Architecture

با Google Cloud شروع کنید Get Started with Google Cloud

• حساب آزمایشی GCP را تنظیم کنید Set Up GCP Trial Account

• راه اندازی Google Cloud CLI Google Cloud CLI Setup

• با اصول اولیه gcloud CLI راحت باشید Get Comfortable with Basics of gcloud CLI

• مبانی دستورات gsutil و Bash gsutil and Bash Command Basics

Cloud Run - برنامه های بدون سرور و کانتینری Cloud Run - Serverless and Containerized Applications

• بخش مقدمه Section Introduction

• آشنایی با Dockers Introduction to Dockers

• آزمایشگاه - موتور داکر را نصب کنید Lab - Install Docker Engine

• آزمایشگاه - Docker را به صورت محلی اجرا کنید Lab - Run Docker Locally

• آزمایشگاه - اجرای و ارسال برنامه ها با استفاده از رجیستری کانتینر Lab - Run and Ship Applications Using the Container Registry

• مقدمه ای بر Cloud Run Introduction to Cloud Run

• آزمایشگاه - برنامه پایتون را در Cloud Run اجرا کنید Lab - Deploy Python Application to Cloud Run

• پارامترهای مقیاس پذیری برنامه اجرای ابری Cloud Run Application Scalability Parameters

• مقدمه ای بر Cloud Build Introduction to Cloud Build

• آزمایشگاه - استقرار برنامه پایتون با استفاده از Cloud Build Lab - Python Application Deployment Using Cloud Build

• آزمایشگاه - استقرار مداوم با استفاده از Cloud Build و GitHub Lab - Continuous Deployment Using Cloud Build and GitHub

Google App Engine - برای برنامه های بدون سرور Google App Engine - For Serverless Applications

• مقدمه ای بر App Engine Introduction to App Engine

• App Engine - محیط های مختلف App Engine - Different Environments

• آزمایشگاه - استقرار برنامه پایتون در موتور برنامه - قسمت 1 Lab - Deploy Python Application to App Engine - Part 1

• آزمایشگاه - استقرار برنامه پایتون در موتور برنامه - قسمت 2 Lab - Deploy Python Application to App Engine - Part 2

• آزمایشگاه - تقسیم ترافیک در موتور برنامه Lab - Traffic Splitting in App Engine

• آزمایشگاه - استقرار پایتون - برنامه BigQuery Lab - Deploy Python - BigQuery Application

• حافظه پنهان و موارد استفاده از آن Caching and Its Use Cases

• آزمایشگاه - پیاده سازی مکانیسم کش در برنامه پایتون - قسمت 1 Lab - Implement Caching Mechanism in Python Application - Part 1

• آزمایشگاه - پیاده سازی مکانیسم کش در برنامه پایتون - قسمت 2 Lab - Implement Caching Mechanism in Python Application - Part 2

• Lab - Assignment Implement Caching Lab - Assignment Implement Caching

• آزمایشگاه - استقرار برنامه پایتون در یک محیط انعطاف پذیر Lab - Python App Deployment in a Flexible Environment

• آزمایشگاه - مقیاس پذیری و انواع نمونه در App Engine Lab - Scalability and Instance Types in App Engine

توابع ابری - برنامه های بدون سرور و رویداد محور Cloud Functions - Serverless and Event-Driven Applications

• معرفی Introduction

• آزمایشگاه - استقرار برنامه پایتون با استفاده از محرک های ذخیره سازی ابری Lab - Deploy Python Application Using Cloud Storage Triggers

• آزمایشگاه - استقرار برنامه پایتون با استفاده از تریگرهای Pub/Sub Lab - Deploy Python Application Using Pub/Sub Triggers

• آزمایشگاه - استقرار برنامه پایتون با استفاده از تریگرهای HTTP Lab - Deploy Python Application Using HTTP Triggers

• مقدمه ای بر Cloud Datastore Introduction to Cloud Datastore

• بررسی اجمالی لیست علاقه مندی های محصول مورد استفاده Overview Product Wishlist Use Case

• Lab – Use Case Deployment – ​​Part-1 Lab – Use Case Deployment - Part-1

• آزمایشگاه - استقرار مورد استفاده - قسمت 2 Lab – Use Case Deployment - Part-2

مدل های علم داده با موتور برنامه گوگل Data Science Models with Google App Engine

• مقدمه ای بر چرخه عمر مدل ML Introduction to ML Model Lifecycle

• نمای کلی - بیان مشکل Overview - Problem Statement

• آزمایشگاه - کد آموزشی را در App Engine اجرا کنید Lab - Deploy Training Code to App Engine

• آزمایشگاه - کد سرویس مدل را در موتور برنامه اجرا کنید Lab - Deploy Model Serving Code to App Engine

• نمای کلی - مورد استفاده جدید Overview - New Use Case

• آزمایشگاه - اعتبارسنجی داده ها با استفاده از موتور برنامه Lab - Data Validation Using App Engine

• Lab - معرفی الگوی گردش کار Lab - Workflow Template Introduction

• آزمایشگاه - استقرار راه حل نهایی با استفاده از گردش کار و موتور برنامه Lab - Final Solution Deployment Using Workflow and App Engine

PySpark بدون سرور Dataproc Dataproc Serverless PySpark

• معرفی Introduction

• ویژگی های مقیاس خودکار بدون سرور PySpark PySpark Serverless Autoscaling Properties

• خوشه تاریخ ماندگار Persistent History Cluster

• آزمایشگاه - توسعه و ارسال شغل PySpark Lab - Develop and Submit PySpark Job

• آزمایشگاه - Monitoring and Spark UI Lab - Monitoring and Spark UI

• مقدمه ای بر جریان هوا Introduction to Airflow

• آزمایشگاه - جریان هوا با PySpark بدون سرور Lab - Airflow with Serverless PySpark

• بسته شدن Wrap Up

Vertex AI - چارچوب یادگیری ماشین Vertex AI - Machine Learning Framework

• معرفی Introduction

• نمای کلی – Vertex AI UI Overview – Vertex AI UI

• آزمایشگاه - آموزش مدل سفارشی با استفاده از کنسول وب Lab - Custom Model Training Using Web Console

• آزمایشگاه - آموزش مدل سفارشی با استفاده از SDK و مدل Registries Lab - Custom Model Training Using SDK and Model Registries

• آزمایشگاه - مدل استقرار نقطه پایانی Lab - Model Endpoint Deployment

• آزمایشگاه - مدل جریان آموزش با استفاده از Python SDK Lab - Model Training Flow Using Python SDK

• آزمایشگاه - مدل استقرار جریان با استفاده از Python SDK Lab - Model Deployment Flow Using Python SDK

• آزمایشگاه - ارائه مدل با استفاده از نقطه پایانی با Python SDK Lab - Model Serving Using Endpoint with Python SDK

• مقدمه ای بر Kubeflow Introduction to Kubeflow

• آزمایشگاه - مرور کد با استفاده از Kubeflow و Python Lab - Code Walkthrough Using Kubeflow and Python

• آزمایشگاه - اجرای خط لوله در Kubeflow Lab - Pipeline Execution in Kubeflow

• Lab - Final Pipeline Visualization با استفاده از Vertex UI و Walkthrough Lab - Final Pipeline Visualization Using Vertex UI and Walkthrough

• آزمایشگاه - قبل از استقرار مرحله ارزیابی مدل را در Kubeflow اضافه کنید Lab - Add Model Evaluation Step in Kubeflow before Deployment

• آزمایشگاه - استفاده مجدد از فایل های پیکربندی برای اجرای خط لوله و آموزش Lab - Reusing Configuration Files for Pipeline Execution and Training

• Lab - Assignment Use Case - واکشی داده ها از BigQuery Lab - Assignment Use Case - Fetch Data from BigQuery

• بسته شدن Wrap Up

Cloud Scheduler و Application Monitoring Cloud Scheduler and Application Monitoring

• مقدمه ای بر Cloud Scheduler Introduction to Cloud Scheduler

• آزمایشگاه - Cloud Scheduler در عمل Lab - Cloud Scheduler in Action

• آزمایشگاه - تنظیم هشدار برای برنامه‌های موتور برنامه Google Lab - Set Up Alerting for Google App Engine Applications

• آزمایشگاه - تنظیم هشدار برای برنامه های کاربردی Cloud-Run Lab - Set Up Alerting for Cloud-Run Applications

• تخصیص آزمایشگاه - تنظیم هشدار برای برنامه های کاربردی Cloud Function Lab Assignment - Set Up Alerting for Cloud Function Applications