آموزش استقرار مدل‌های علم داده و رایانش ابری در GCP - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره و پیش‌نیازها Course Introduction and Prerequisites

• مقدمه دوره و بررسی بخش‌ها Course Introduction and Section Walkthrough

• پیش‌نیازهای دوره Course Prerequisites

مفاهیم مدرن رایانش ابری Modern-Day Cloud Concepts

• مقدمه Introduction

• مقیاس‌پذیری: مقیاس‌بندی 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

شروع کار با گوگل کلود (Google Cloud) Get Started with Google Cloud

• راه‌اندازی حساب آزمایشی GCP Set Up GCP Trial Account

• نصب و پیکربندی Google Cloud CLI Google Cloud CLI Setup

• آشنایی با مبانی gcloud CLI Get Comfortable with Basics of gcloud CLI

• مبانی gsutil و دستورات Bash gsutil and Bash Command Basics

Cloud Run: برنامه‌های بدون سرور و کانتینری Cloud Run - Serverless and Containerized Applications

• مقدمه بخش Section Introduction

• آشنایی با داکر (Docker) Introduction to Dockers

• آزمایشگاه: نصب موتور داکر Lab - Install Docker Engine

• آزمایشگاه: اجرای داکر به صورت محلی Lab - Run Docker Locally

• آزمایشگاه: اجرا و ارسال برنامه‌ها با استفاده از Container Registry Lab - Run and Ship Applications Using the Container Registry

• آشنایی با Cloud Run Introduction to Cloud Run

• آزمایشگاه: استقرار برنامه پایتون در Cloud Run Lab - Deploy Python Application to Cloud Run

• پارامترهای مقیاس‌پذیری برنامه در Cloud Run Cloud Run Application Scalability Parameters

• آشنایی با 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 برنامه‌های بدون سرور Google App Engine - For Serverless Applications

• آشنایی با App Engine Introduction to App Engine

• محیط‌های مختلف App Engine App Engine - Different Environments

• آزمایشگاه: استقرار برنامه پایتون در App Engine - بخش اول Lab - Deploy Python Application to App Engine - Part 1

• آزمایشگاه: استقرار برنامه پایتون در App Engine - بخش دوم Lab - Deploy Python Application to App Engine - Part 2

• آزمایشگاه: تقسیم ترافیک (Traffic Splitting) در App Engine Lab - Traffic Splitting in App Engine

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

• کشینگ (Caching) و موارد استفاده از آن Caching and Its Use Cases

• آزمایشگاه: پیاده‌سازی مکانیزم کشینگ در برنامه پایتون - بخش اول Lab - Implement Caching Mechanism in Python Application - Part 1

• آزمایشگاه: پیاده‌سازی مکانیزم کشینگ در برنامه پایتون - بخش دوم Lab - Implement Caching Mechanism in Python Application - Part 2

• آزمایشگاه: تکلیف پیاده‌سازی کشینگ Lab - Assignment Implement Caching

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

• آزمایشگاه: مقیاس‌پذیری و انواع Instanceها در App Engine Lab - Scalability and Instance Types in App Engine

Cloud Functions: برنامه‌های بدون سرور و رویداد-محور Cloud Functions - Serverless and Event-Driven Applications

• مقدمه Introduction

• آزمایشگاه: استقرار برنامه پایتون با استفاده از Triggerهای Cloud Storage Lab - Deploy Python Application Using Cloud Storage Triggers

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

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

• آشنایی با Cloud Datastore Introduction to Cloud Datastore

• مرور مورد کاربردی: لیست علاقه‌مندیات محصول Overview Product Wishlist Use Case

• آزمایشگاه: استقرار مورد کاربردی - بخش اول Lab - Use Case Deployment - Part-1

• آزمایشگاه: استقرار مورد کاربردی - بخش دوم Lab - Use Case Deployment - Part-2

مدل‌های علم داده با Google App Engine Data Science Models with Google App Engine

• آشنایی با چرخه حیات مدل ML Introduction to ML Model Lifecycle

• مرور کلی: تعریف مسئله Overview - Problem Statement

• آزمایشگاه: استقرار کد آموزش در App Engine Lab - Deploy Training Code to App Engine

• آزمایشگاه: استقرار کد سرویس‌دهی مدل در App Engine Lab - Deploy Model Serving Code to App Engine

• مرور کلی: مورد کاربردی جدید Overview - New Use Case

• آزمایشگاه: اعتبارسنجی داده‌ها با استفاده از App Engine Lab - Data Validation Using App Engine

• آزمایشگاه: آشنایی با قالب Workflow Lab - Workflow Template Introduction

• آزمایشگاه: استقرار راهکار نهایی با استفاده از Workflow و App Engine Lab - Final Solution Deployment Using Workflow and App Engine

Dataproc Serverless PySpark Dataproc Serverless PySpark

• مقدمه Introduction

• ویژگی‌های مقیاس‌بندی خودکار PySpark بدون سرور PySpark Serverless Autoscaling Properties

• کلاستر تاریخچه پایدار (Persistent History Cluster) Persistent History Cluster

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

• آزمایشگاه: مانیتورینگ و Spark UI Lab - Monitoring and Spark UI

• آشنایی با Airflow Introduction to Airflow

• آزمایشگاه: Airflow همراه با PySpark بدون سرور Lab - Airflow with Serverless PySpark

• جمع‌بندی Wrap Up

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

• مقدمه Introduction

• مرور کلی: رابط کاربری Vertex AI 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 Model Registries Lab - Custom Model Training Using SDK and Model Registries

• آزمایشگاه: استقرار Endpoint مدل Lab - Model Endpoint Deployment

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

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

• آزمایشگاه: سرویس‌دهی مدل با استفاده از Endpoint و Python SDK Lab - Model Serving Using Endpoint with Python SDK

• آشنایی با Kubeflow Introduction to Kubeflow

• آزمایشگاه: بررسی کد با استفاده از Kubeflow و پایتون Lab - Code Walkthrough Using Kubeflow and Python

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

• آزمایشگاه: بصری‌سازی نهایی Pipeline با Vertex UI و بررسی Lab - Final Pipeline Visualization Using Vertex UI and Walkthrough

• آزمایشگاه: افزودن مرحله ارزیابی مدل در Kubeflow قبل از استقرار Lab - Add Model Evaluation Step in Kubeflow before Deployment

• آزمایشگاه: استفاده مجدد از فایل‌های پیکربندی برای اجرا و آموزش Pipeline Lab - Reusing Configuration Files for Pipeline Execution and Training

• آزمایشگاه: مورد کاربردی تکلیف: دریافت داده‌ها از BigQuery Lab - Assignment Use Case - Fetch Data from BigQuery

• جمع‌بندی Wrap Up

Cloud Scheduler و مانیتورینگ برنامه Cloud Scheduler and Application Monitoring

• آشنایی با Cloud Scheduler Introduction to Cloud Scheduler

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

• آزمایشگاه: راه‌اندازی سیستم هشدار برای برنامه‌های Google App Engine Lab - Set Up Alerting for Google App Engine Applications

• آزمایشگاه: راه‌اندازی سیستم هشدار برای برنامه‌های Cloud Run Lab - Set Up Alerting for Cloud-Run Applications

• آزمایشگاه: تکلیف راه‌اندازی سیستم هشدار برای برنامه‌های Cloud Function Lab Assignment - Set Up Alerting for Cloud Function Applications