دوره آموزشی آمادگی برای گواهینامه مهندس داده حرفهای Google Cloud آپدیت (2025)
4 ساعتپیشرفته2025-05-02
مدرسین
Noah Gift
MLOps Expert | Solopreneur | Author | Adjunct Professor | CTO
جزئیات دوره
اگر میخوای وارد دنیای حرفهای مهندسی داده (Data Engineering) بشی و مدرک معتبر Google Professional Data Engineer رو بگیری، این دوره یه انتخاب عالیه!
مدرس باتجربه، نوح گیفت (Noah Gift)، قدمبهقدم بهت نشون میده چطور سیستمهای پردازش دادهای قدرتمند با استفاده از سرویسهای برتر گوگل مثل BigQuery و Cloud Functions طراحی کنی. همچنین با تکنولوژیهای مختلف ذخیرهسازی داده مثل BigTable، Firestore و Spanner آشنا میشی و یاد میگیری چطور بر اساس نیازهای تجاری و دادهای تصمیمگیری کنی.
از مدلهای آماده یادگیری ماشین گرفته تا طراحی و استقرار پایپلاینهای ML، این دوره همه چیز رو پوشش میده. حتی با استفاده از زبان امن و پرقدرت Rust، میتونی میکروسرویسهایی سریع و مطمئن بسازی.
در کنار اینها، با استفاده از ابزارهای برنامهنویسی مبتنی بر هوش مصنوعی، مهارتهات رو ارتقا میدی و میتونی سیستمهایی مقیاسپذیر، امن، و کاملاً کاربردی طراحی کنی که جوابگوی نیازهای واقعی کسبوکارها باشه.
🎯 اهداف یادگیری:
طراحی سیستمهای پردازش داده مقاوم و قابل توسعه با استفاده از سرویسهای Google Cloud
انتخاب تکنولوژی ذخیرهسازی مناسب (مثل BigTable، Firestore، یا Spanner) بر اساس نیازهای پروژه
استفاده از مدلهای آماده یادگیری ماشین گوگل و طراحی پایپلاینهای ML
استقرار و مانیتورینگ مدلهای یادگیری ماشین در محیط تولیدی
ارتقای امنیت، مقیاسپذیری و انعطافپذیری راهحلها با استفاده از زبان Rust
کار با دستیارهای برنامهنویسی AI برای تسریع توسعه و تست سیستمهای دادهمحور
مدرس باتجربه، نوح گیفت (Noah Gift)، قدمبهقدم بهت نشون میده چطور سیستمهای پردازش دادهای قدرتمند با استفاده از سرویسهای برتر گوگل مثل BigQuery و Cloud Functions طراحی کنی. همچنین با تکنولوژیهای مختلف ذخیرهسازی داده مثل BigTable، Firestore و Spanner آشنا میشی و یاد میگیری چطور بر اساس نیازهای تجاری و دادهای تصمیمگیری کنی.
از مدلهای آماده یادگیری ماشین گرفته تا طراحی و استقرار پایپلاینهای ML، این دوره همه چیز رو پوشش میده. حتی با استفاده از زبان امن و پرقدرت Rust، میتونی میکروسرویسهایی سریع و مطمئن بسازی.
در کنار اینها، با استفاده از ابزارهای برنامهنویسی مبتنی بر هوش مصنوعی، مهارتهات رو ارتقا میدی و میتونی سیستمهایی مقیاسپذیر، امن، و کاملاً کاربردی طراحی کنی که جوابگوی نیازهای واقعی کسبوکارها باشه.
🎯 اهداف یادگیری:
طراحی سیستمهای پردازش داده مقاوم و قابل توسعه با استفاده از سرویسهای Google Cloud
انتخاب تکنولوژی ذخیرهسازی مناسب (مثل BigTable، Firestore، یا Spanner) بر اساس نیازهای پروژه
استفاده از مدلهای آماده یادگیری ماشین گوگل و طراحی پایپلاینهای ML
استقرار و مانیتورینگ مدلهای یادگیری ماشین در محیط تولیدی
ارتقای امنیت، مقیاسپذیری و انعطافپذیری راهحلها با استفاده از زبان Rust
کار با دستیارهای برنامهنویسی AI برای تسریع توسعه و تست سیستمهای دادهمحور
مهارت ها
Google Cloud PlatformData EngineeringSoftware Development ToolsGoogleCloud PlatformsCert PrepCloud ComputingData ScienceSoftware Development
سرفصل ها
مقدمه - طراحی سیستمهای پردازش داده
- مرور کلی دوره مهندس داده حرفهای گوگل
- نصب روی GCP
انتخاب فناوری ذخیرهسازی
- سرویسهای متنباز در مقابل سرویسهای مدیریتشده با ابر گوگل
- مزایا و معایب ابزارهای مهندسی داده متنباز
- سرویسهای تحلیلی گوگل کلود
طراحی خط لوله داده
- خطوط لوله مهندسی داده
- استراتژی فضای ذخیرهسازی ابری گوگل
مهاجرت انبارداری و پردازش دادهها
- بررسی اجمالی فضای ذخیرهسازی GCP
- بهینهسازی برای راهکارهای پایگاه داده GCP
- مهندسی سریع برای BigQuery
- استفاده از Google BigQuery با Google Colab
- کاوش دادهها با Google BigQuery
نتیجهگیری - طراحی سیستمهای پردازش داده
- مراحل بعدی
مقدمه - ساخت و عملیاتی کردن سیستمهای پردازش داده
- مرور کلی دوره
پیادهسازی سیستم ذخیرهسازی
- نسخه آزمایشی - پوسته ابری گوگل
- نسخه آزمایشی - ویرایشگر ابری گوگل
- نسخه آزمایشی - کیت توسعه نرمافزار خط فرمان گوگل
- نسخه آزمایشی - ابزار خط فرمان گوگل gcloud
- مقایسه فضای ذخیرهسازی
ساخت و بهرهبرداری از خط لوله
- جک و لوبیای سحرآمیز به عنوان یک خط لوله داده
- مقایسه پیشنهادات محاسباتی
- نسخه آزمایشی - محاسبه نوسانات روی GCP
پیادهسازی زیرساخت پردازش
- چالشهای کلانداده
- نسخه آزمایشی - توسعه توابع ابری GCP
- تریگرهای خط لوله داده
نتیجهگیری - ساخت و عملیاتیسازی سیستمهای پردازش داده
- مراحل بعدی
مقدمه - عملیاتی کردن مدلهای یادگیری ماشین (ML)
- مرور کلی دوره
مدلهای یادگیری ماشین از پیش ساختهشده به عنوان سرویس
- همکاری گوگل با TensorFlow Hub
- استفاده از GCP NLP از رابط خط فرمان (CLI)
انتخاب زیرساختهای آموزشی و خدماتی
- بررسی اجمالی مدل از پیش آموزشدیدهی PyTorch
- نسخه آزمایشی - مدل از پیش آموزشدیده PyTorch
- آشنایی با TPU ها
- TPUها به عنوان بخشی از گذار فناوری
- شروع کار با هوش مصنوعی ورتکس
- استفاده از GCP ML API vision از CLI
اندازهگیری، نظارت و عیبیابی مدل یادگیری ماشین
- روششناسی برنامهریزی-اجرا-بررسی-اقدام
- نسخه آزمایشی - تست بارگذاری با Locust
- MLOps روی GCP
نتیجهگیری - عملیاتی کردن مدلهای یادگیری ماشین
- استفاده از دورههای یادگیری ماشینی گوگل
- مراحل بعدی
مقدمه - تضمین کیفیت راهکار
- مرور کلی دوره
طراحی امنیتی و انطباقی
- امنیت یکپارچه دادهها
- آشنایی با ممیزیهای Rust Crate توسط گوگل
- زبان Rust از نظر طراحی ایمن است
تضمین مقیاسپذیری و کارایی
- استفاده از بارد برای افزایش بهرهوری
- Rust با قابلیت کمک خلبانی
- ادغام مداوم با اکشنهای Rust و GitHub
- تست واحد نسخه آزمایشی Rust
- بهرهوری انرژی پایتون در مقابل Rust
تضمین انعطافپذیری و قابلیت حمل
- دیسترولس چیست؟
- نسخه آزمایشی - ساخت و استقرار Rust Microservice Cloud Run
- نسخه آزمایشی - استقرار موتور برنامه Rust
نتیجهگیری - تضمین کیفیت راهحل
- مراحل بعدی
دوره های مرتبط
- دوره آموزشی آمادگی برای گواهینامه مهندس یادگیری ماشین حرفهای گوگل کلود
- دوره آموزشی ساخت زیرساخت هوش مصنوعی با پلتفرم ابری گوگل (GCP)
- دوره آموزشی یادگیری جامع گوگل کلود: استقرار، تجزیه و تحلیل و امنیت محیط کلود شما
- دوره آموزشی مایکروسافت آژور: مدیریت وضعیت امنیت ابری (CSPM)
- دوره آموزشی گوگل کلود: مدیریت وضعیت امنیت ابری (CSPM)
- دوره آموزشی انبار داده در پلتفرم ابری گوگل (Google Cloud Platform)
- دوره آموزشی امنیت Google Cloud برای مبتدیان: ابزارها و سرویسها
- دوره آموزشی راهنمای مبتدیان برای گزینه های عمومی ابر