آموزش استقرار مدل علم داده و رایانش ابری در GCP

سرفصل ها و درس ها

مقدمه و پیش نیاز دوره Course Introduction and pre-requisites

• معرفی دوره و بررسی بخش Course Introduction and Section Walkthrough

• پیش نیاز دوره Course Pre-requisites

• مواد دوره Github Repo Course Material Github Repo

مفاهیم ابر روز مدرن Modern Day Cloud Concepts

• معرفی Introduction

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

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

• معماری میکروسرویس Microservice Architecture

• معماری رویداد محور Event Driven Architecture

با Google Cloud شروع کنید Get Started with Google Cloud

• راه اندازی حساب آزمایشی GCP Setup GCP Trial Account

• راه اندازی Gcloud CLI Gcloud CLI Setup

• با اصول اولیه gcloud cli راحت باشید Get comfortable with basics of gcloud cli

• اصول دستور 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 - برنامه ها را با استفاده از رجیستری کانتینر اجرا و ارسال کنید Lab - Run and ship applications using the container registry

• مقدمه ای بر Cloud Run Introduction to Cloud Run

• Lab-استقرار برنامه پایتون در اجرای Cloud 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 ساخت ابر Lab- Python application deployment using cloud build

• استقرار مستمر آزمایشگاهی با استفاده از ساخت ابر 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

• Lab-Deploy برنامه Python به App Engine - قسمت 1 Lab-Deploy Python application to App Engine - Part 1

• Lab-Deploy برنامه Python به App Engine - قسمت 2 Lab-Deploy Python application to App Engine - Part 2

• تقسیم آزمایشگاه-ترافیک در App Engine Lab-Traffic splitting in App Engine

• Lab-Deploy برنامه python-bigquery Lab-Deploy python-bigquery application

• حافظه پنهان و موارد استفاده چیست؟ What is Caching and the use-cases ?

• Lab-Implement Caching مکانیزم در برنامه پایتون - قسمت 1 Lab-Implement Caching mechanism in python application - Part 1

• Lab-Implement Caching مکانیزم در برنامه پایتون - قسمت 2 Lab-Implement Caching mechanism in python application - Part 2

• حافظه پنهان اجرای آزمایشگاه تکالیف Lab-Assignment Implement Caching

• استقرار اپلیکیشن Lab-Python در محیطی انعطاف پذیر Lab-Python App deployment in flexible environment

• آزمایشگاه- مقیاس پذیری و انواع نمونه در App Engine Lab- Scalability and instance types in App Engine

توابع ابری - برنامه های کاربردی بدون سرور و رویداد Cloud Functions - Serverless and event driven applications

• معرفی Introduction

• Lab-Deploy برنامه پایتون با استفاده از محرک های ذخیره سازی ابری Lab-Deploy python application using cloud storage triggers

• Lab-Deploy برنامه پایتون با استفاده از محرک های pub-sub Lab-Deploy python application using pub-sub triggers

• برنامه کاربردی پایتون آزمایشگاهی 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

• Lab-Use-case deployment part-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

• Lab-استقرار کد آموزشی در App Engine Lab-Deploy Training Code to App Engine

• Lab-Deploy Model Service Code to App Engine Lab-Deploy Model Serving Code to App Engine

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

• اعتبار سنجی داده های آزمایشگاهی با استفاده از App Engine Lab-Data Validation using App Engine

• معرفی الگوی Lab-Workflow Lab-Workflow Template introduction

• استقرار راه حل نهایی آزمایشگاهی با استفاده از گردش کار و موتور برنامه Lab-Final Solution Deployment using workflow and app engine

پای اسپارک 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

• Lab-Monitoring و Spark UI Lab-Monitoring and Spark UI

• مقدمه ای بر جریان هوا Introduction to Airflow

• Lab- Airflow 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 - VertexAI UI Overview - VertexAI UI

• آموزش Lab-Custom Model با استفاده از کنسول وب Lab-Custom Model training using Web Console

• آموزش Lab-Custom Model با استفاده از SDK و Model 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

• سرویس مدل آزمایشگاهی با استفاده از Endpoint با Python SDK Lab-Model Serving using Endpoint with Python SDK

• مقدمه ای بر Kubeflow Introduction to Kubeflow

• Lab-Code Walkthrough با استفاده از Kubeflow و Python Lab-Code Walkthrough using Kubeflow and Python

• اجرای Lab-Pipeline در Kubeflow Lab-Pipeline Execution in Kubeflow

• تجسم خط لوله نهایی آزمایشگاهی با استفاده از Vertex UI و Walkthrough Lab-Final Pipeline Visualization using Vertex UI and Walkthrough

• آزمایشگاه- مرحله ارزیابی مدل را در Kubeflow قبل از استقرار 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

• Lab-Cloud Scheduler در عمل Lab-Cloud Scheduler in action

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

• آزمایشگاه - هشدار راه اندازی برای برنامه های کاربردی Cloud Run Lab - Setup Alerting for Cloud Run Applications

• تخصیص آزمایشگاه - هشدار راه اندازی برای برنامه های کاربردی Cloud Function Lab Assignment - Setup Alerting for Cloud Function Applications