https://lyndakade.ir/learning/data-management-with-apache-nifi-37531015 2026-05-29T12:25:23+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/04/Data%20Management%20with%20Apache%20NiFi/preview.webp دوره آموزشی مدیریت داده با Apache NiFi دنبال راهی برای خودکارسازی و مدیریت جریان‌های داده هستی؟ Apache NiFi یه ابزار قدرتمنده که می‌تونه حسابی کارتو راه بندازه. توی این دوره، یاد می‌گیری چطور NiFi رو روی سیستم‌عامل‌های مختلف مثل مک‌او‌اس و ویندوز نصب و راه‌اندازی کنی. بعدش میریم سراغ اصل مطلب: چطور جریان‌های داده رو بسازی، اجرا کنی و زیر نظر داشته باشی. قراره یاد بگیری چطور FlowFile ها رو تقسیم و ادغام کنی، چطور NiFi رو با پایگاه‌های داده مثل PostgreSQL وصل کنی و چطور از قابلیت‌های ابری مثل Amazon S3 استفاده کنی. مفاهیم پیشرفته‌تر NiFi مثل همزمانی (concurrency)، زمان‌بندی (scheduling) و فشار برگشتی (backpressure) رو هم یاد می‌گیریم تا بتونیم جریان‌های داده‌مون رو بهینه کنیم. همچنین با استفاده از گروه‌های پردازشی (process groups)، یاد می‌گیریم چطور جریان‌های داده ماژولار بسازیم و چطور داده‌ها رو در فرمت‌های مختلف مدیریت کنیم. با سناریوهای واقعی کار می‌کنیم؛ مثلاً اتصال NiFi به نقاط پایانی HTTP و راه‌اندازی هشدار (alerts) برای مانیتورینگ. این دوره برای متخصصان مدیریت داده و هر کسی که دنبال ساده‌سازی گردش کار داده‌ها هست، عالیه چون با مثال‌های واقعی، مهارت‌های لازم رو کسب می‌کنی. اهداف یادگیری توانایی‌های Apache NiFi در اتوماسیون و مدیریت جریان داده را بررسی کن. نحوه راه‌اندازی و پیکربندی NiFi بر روی سیستم‌عامل‌های Mac OS و Windows را فرا بگیر. فرآیند ایجاد، اجرا و نظارت بر جریان‌های داده (dataflows) را بیاموز. نحوه تقسیم و ادغام FlowFile ها را یاد بگیر. یکپارچه‌سازی NiFi با پایگاه‌های داده مانند PostgreSQL را انجام بده. استفاده از قابلیت‌های ابری با Amazon S3 را فرا بگیر. مفاهیم پیشرفته NiFi مانند همزمانی، زمان‌بندی و فشار برگشتی برای بهینه‌سازی جریان‌های داده را درک کن. استفاده از Process Group ها برای ساخت جریان‌های داده ماژولار را یاد بگیر. مدیریت داده‌ها در فرمت‌های مختلف را بیاموز. سناریوهای دنیای واقعی مانند ادغام NiFi با نقاط پایانی HTTP را پیاده‌سازی کن. پیکربندی هشدارها برای نظارت بر جریان‌های داده را انجام بده. https://dl.lyndakade.ir/courses/2026/04/Data%20Management%20with%20Apache%20NiFi/preview.webp دوره آموزشی مدیریت داده با Apache NiFi دنبال راهی برای خودکارسازی و مدیریت جریان‌های داده هستی؟ Apache NiFi یه ابزار قدرتمنده که می‌تونه حسابی کارتو راه بندازه. توی این دوره، یاد می‌گیری چطور NiFi رو روی سیستم‌عامل‌های مختلف مثل مک‌او‌اس و ویندوز نصب و راه‌اندازی کنی. بعدش میریم سراغ اصل مطلب: چطور جریان‌های داده رو بسازی، اجرا کنی و زیر نظر داشته باشی. قراره یاد بگیری چطور FlowFile ها رو تقسیم و ادغام کنی، چطور NiFi رو با پایگاه‌های داده مثل PostgreSQL وصل کنی و چطور از قابلیت‌های ابری مثل Amazon S3 استفاده کنی. مفاهیم پیشرفته‌تر NiFi مثل همزمانی (concurrency)، زمان‌بندی (scheduling) و فشار برگشتی (backpressure) رو هم یاد می‌گیریم تا بتونیم جریان‌های داده‌مون رو بهینه کنیم. همچنین با استفاده از گروه‌های پردازشی (process groups)، یاد می‌گیریم چطور جریان‌های داده ماژولار بسازیم و چطور داده‌ها رو در فرمت‌های مختلف مدیریت کنیم. با سناریوهای واقعی کار می‌کنیم؛ مثلاً اتصال NiFi به نقاط پایانی HTTP و راه‌اندازی هشدار (alerts) برای مانیتورینگ. این دوره برای متخصصان مدیریت داده و هر کسی که دنبال ساده‌سازی گردش کار داده‌ها هست، عالیه چون با مثال‌های واقعی، مهارت‌های لازم رو کسب می‌کنی. اهداف یادگیری توانایی‌های Apache NiFi در اتوماسیون و مدیریت جریان داده را بررسی کن. نحوه راه‌اندازی و پیکربندی NiFi بر روی سیستم‌عامل‌های Mac OS و Windows را فرا بگیر. فرآیند ایجاد، اجرا و نظارت بر جریان‌های داده (dataflows) را بیاموز. نحوه تقسیم و ادغام FlowFile ها را یاد بگیر. یکپارچه‌سازی NiFi با پایگاه‌های داده مانند PostgreSQL را انجام بده. استفاده از قابلیت‌های ابری با Amazon S3 را فرا بگیر. مفاهیم پیشرفته NiFi مانند همزمانی، زمان‌بندی و فشار برگشتی برای بهینه‌سازی جریان‌های داده را درک کن. استفاده از Process Group ها برای ساخت جریان‌های داده ماژولار را یاد بگیر. مدیریت داده‌ها در فرمت‌های مختلف را بیاموز. سناریوهای دنیای واقعی مانند ادغام NiFi با نقاط پایانی HTTP را پیاده‌سازی کن. پیکربندی هشدارها برای نظارت بر جریان‌های داده را انجام بده. https://dl.lyndakade.ir/courses/2026/04/Data%20Management%20with%20Apache%20NiFi/0.%20Introduction/01%20-%20Data%20management%20with%20Apache%20NiFi.mp4 303 2026-04-22T00:00:00+03:30 دوره آموزشی مدیریت داده با Apache NiFi Data Management with Apache NiFi Janani Ravi https://lyndakade.ir/learning/fact-checking-ai-how-to-spot-errors-reduce-hallucinations-and-trust-your-output 2026-05-29T12:22:06+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/04/Fact-Checking%20AI%20-%20How%20to%20Spot%20Errors%2C%20Reduce%20Hallucinations%2C%20and%20Trust%20Your%20Output/preview.webp دوره آموزشی راستی‌آزمایی هوش مصنوعی: چگونگی شناسایی خطاها، کاهش توهمات و اعتماد به خروجی‌ها ابزارهای هوش مصنوعی خیلی با اعتماد به نفس حرف می‌زنن، روان هستن و… اغلب هم اشتباه می‌کنن! خطر اصلی این نیست که هوش مصنوعی عمداً دروغ بگه، بلکه اینه که خودش هم نمی‌دونه کی داره اطلاعات رو دروغ می‌بافه یا توهم می‌زنه. همین موضوع باعث می‌شه خروجی‌های کنترل‌نشده برای هر کسی که اسمش پای اون کاره، خطرناک باشه. توی این دوره یاد می‌گیریم که چرا خروجی‌های هوش مصنوعی اشتباه از آب در میان، چطور با پرامپت‌نویسی هوشمندانه ریسک خطا رو کم کنیم، و مهم‌تر از همه، چطور محتوای تولید شده توسط هوش مصنوعی رو قبل از انتشار تأیید و راستی‌آزمایی کنیم. چون هزینه اشتباه کردن – چه برای آبروی خودت، چه سازمانت، و چه حتی برای ایده حقیقت به طور کلی – خیلی بیشتر از اونیه که بیشتر آدم‌ها قبل از اینکه دیر بشه، متوجهش می‌شن. اهداف یادگیری شناسایی دلایل شکست خروجی‌های هوش مصنوعی و تشخیص علائم هشداردهنده محتوای ساختگی یا غیرقابل اعتماد. تمایز بین انواع مختلف خطاهای هوش مصنوعی، از توهمات آشکار گرفته تا عدم دقت‌های ظریف. به‌کارگیری تکنیک‌های پرامپت‌نویسی برای کاهش نرخ خطا و تشویق به شفافیت در مورد عدم قطعیت‌ها. ارزیابی سیستماتیک خروجی‌های هوش مصنوعی قبل از اشتراک‌گذاری یا انتشار آن‌ها. راستی‌آزمایی حقایق، منابع و اعداد با استفاده از یک روش کارآمد و تکرارپذیر. استفاده از ابزارهای هوش مصنوعی برای نقد و بهبود کارهای تولید شده توسط خود هوش مصنوعی. ایجاد یک گردش کار شخصی برای راستی‌آزمایی که سرعت را با پاسخگویی متعادل کند. https://dl.lyndakade.ir/courses/2026/04/Fact-Checking%20AI%20-%20How%20to%20Spot%20Errors%2C%20Reduce%20Hallucinations%2C%20and%20Trust%20Your%20Output/preview.webp دوره آموزشی راستی‌آزمایی هوش مصنوعی: چگونگی شناسایی خطاها، کاهش توهمات و اعتماد به خروجی‌ها ابزارهای هوش مصنوعی خیلی با اعتماد به نفس حرف می‌زنن، روان هستن و… اغلب هم اشتباه می‌کنن! خطر اصلی این نیست که هوش مصنوعی عمداً دروغ بگه، بلکه اینه که خودش هم نمی‌دونه کی داره اطلاعات رو دروغ می‌بافه یا توهم می‌زنه. همین موضوع باعث می‌شه خروجی‌های کنترل‌نشده برای هر کسی که اسمش پای اون کاره، خطرناک باشه. توی این دوره یاد می‌گیریم که چرا خروجی‌های هوش مصنوعی اشتباه از آب در میان، چطور با پرامپت‌نویسی هوشمندانه ریسک خطا رو کم کنیم، و مهم‌تر از همه، چطور محتوای تولید شده توسط هوش مصنوعی رو قبل از انتشار تأیید و راستی‌آزمایی کنیم. چون هزینه اشتباه کردن – چه برای آبروی خودت، چه سازمانت، و چه حتی برای ایده حقیقت به طور کلی – خیلی بیشتر از اونیه که بیشتر آدم‌ها قبل از اینکه دیر بشه، متوجهش می‌شن. اهداف یادگیری شناسایی دلایل شکست خروجی‌های هوش مصنوعی و تشخیص علائم هشداردهنده محتوای ساختگی یا غیرقابل اعتماد. تمایز بین انواع مختلف خطاهای هوش مصنوعی، از توهمات آشکار گرفته تا عدم دقت‌های ظریف. به‌کارگیری تکنیک‌های پرامپت‌نویسی برای کاهش نرخ خطا و تشویق به شفافیت در مورد عدم قطعیت‌ها. ارزیابی سیستماتیک خروجی‌های هوش مصنوعی قبل از اشتراک‌گذاری یا انتشار آن‌ها. راستی‌آزمایی حقایق، منابع و اعداد با استفاده از یک روش کارآمد و تکرارپذیر. استفاده از ابزارهای هوش مصنوعی برای نقد و بهبود کارهای تولید شده توسط خود هوش مصنوعی. ایجاد یک گردش کار شخصی برای راستی‌آزمایی که سرعت را با پاسخگویی متعادل کند. https://dl.lyndakade.ir/courses/2026/04/Fact-Checking%20AI%20-%20How%20to%20Spot%20Errors%2C%20Reduce%20Hallucinations%2C%20and%20Trust%20Your%20Output/0.%20Introduction/01%20-%20Fact-Checking%20AI.mp4 63 2026-04-22T00:00:00+03:30 دوره آموزشی راستی‌آزمایی هوش مصنوعی: چگونگی شناسایی خطاها، کاهش توهمات و اعتماد به خروجی‌ها Fact-Checking AI: How to Spot Errors, Reduce Hallucinations, and Trust Your Output Dave Birss https://lyndakade.ir/learning/introduction-to-large-language-models-llm-in-5g-enhancing-intelligence 2026-05-29T12:19:53+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/04/Introduction%20to%20Large%20Language%20Models%20%28LLM%29%20in%205G%20-%20Enhancing%20Intelligence/preview.webp دوره آموزشی مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM) در 5G: ارتقاء هوشمندی توی دنیای مخابرات، حجم داده‌ها واقعاً سرسام‌آوره؛ از لاگ‌های شبکه گرفته تا تعاملات مشتری‌ها. برای همین، هوش مصنوعی تبدیل شده به یه ابزار حیاتی برای اینکه از این داده‌ها ارزش واقعی دربیاد. این دوره یه پایه‌ی کاربردی و حرفه‌ای بهت می‌ده تا بتونی مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی مولد (GenAI) رو برای حل چالش‌های واقعی صنعت Telecom به کار بگیری. اول از همه، با مفاهیم اصلی LLM و Transformer آشنا می‌شی، بعد می‌ری سراغ ساخت مدل‌های سفارشی تشخیص موجودیت نام‌دار (NER) برای تحلیل لاگ‌های شبکه. علاوه بر این، یاد می‌گیری چطور سیستم‌های طبقه‌بندی متن و طبقه‌بندی نیت (Intent Classification) بسازی تا پاسخ‌گویی مشتریان رو خودکار کنی. توی ادامه هم با Fine-tuning مدل‌های از پیش آموزش‌دیده، اون‌ها رو برای نیازهای خاص صنعت مخابرات شخصی‌سازی می‌کنی. این دوره فقط روی دقت مدل تمرکز نداره؛ بلکه کل مسیر رو پوشش می‌ده، از آماده‌سازی داده و برچسب‌گذاری گرفته تا ارزیابی مدل، اونم با نگاه به اثر واقعی روی کسب‌وکار. یعنی یاد می‌گیری چطور پروژه‌های هوش مصنوعی رو از مرحله پایلوت به پروداکشن برسونی و خروجی مدل‌ها رو داخل CRM و فرایندهای عملیاتی سازمان جا بدی. اهداف یادگیری مفهوم‌های پایه‌ای هوش مصنوعی مولد را توضیح بده، از جمله نقش ترنسفورمرها، ساختار و توانایی‌های مدل‌های زبانی بزرگ، و اینکه توکن‌ها چطور به‌عنوان واحدهای اصلی برای ساخت معنای contextual عمل می‌کنند. تکنیک‌های token classification و text classification را از هم تشخیص بده و کاربرد هر کدام را در تصمیم‌گیری‌های مخابراتی، مثل NER و intent classification، ارزیابی کن. فرایند ساخت یک مدل NER سفارشی برای لاگ‌های شبکه مخابراتی را طراحی و شبیه‌سازی کن، از آماده‌سازی داده و توکن‌سازی تا annotation، fine-tuning و ارزیابی مبتنی بر اثر کسب‌وکار. روش استخراج اطلاعات domain-specific را با ساخت مدل‌های NER مخصوص مشتری و compliance تحلیل کن و یک taxonomy برای موجودیت‌های مخابراتی بساز که مدل‌های عمومی زبان را به اصطلاحات تخصصی صنعت وصل کند. ادغام مدل‌های intent classification و sentiment analysis را در منطق کسب‌وکار ارزیابی کن. استراتژی‌هایی برای تبدیل خروجی مدل‌ها به insightهای قابل‌اقدام داخل CRM و workflowهای پشتیبانی مشتری تدوین کن. یک نقشه‌راه استراتژیک برای AI در مخابرات طراحی کن که مسیر از پروژه‌های پایلوت تا استقرار در پروداکشن را مشخص کند و best practiceها را برای ارزیابی مدل، افزایش دقت و ایجاد ارزش تجاری در نظر بگیرد. https://dl.lyndakade.ir/courses/2026/04/Introduction%20to%20Large%20Language%20Models%20%28LLM%29%20in%205G%20-%20Enhancing%20Intelligence/preview.webp دوره آموزشی مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM) در 5G: ارتقاء هوشمندی توی دنیای مخابرات، حجم داده‌ها واقعاً سرسام‌آوره؛ از لاگ‌های شبکه گرفته تا تعاملات مشتری‌ها. برای همین، هوش مصنوعی تبدیل شده به یه ابزار حیاتی برای اینکه از این داده‌ها ارزش واقعی دربیاد. این دوره یه پایه‌ی کاربردی و حرفه‌ای بهت می‌ده تا بتونی مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی مولد (GenAI) رو برای حل چالش‌های واقعی صنعت Telecom به کار بگیری. اول از همه، با مفاهیم اصلی LLM و Transformer آشنا می‌شی، بعد می‌ری سراغ ساخت مدل‌های سفارشی تشخیص موجودیت نام‌دار (NER) برای تحلیل لاگ‌های شبکه. علاوه بر این، یاد می‌گیری چطور سیستم‌های طبقه‌بندی متن و طبقه‌بندی نیت (Intent Classification) بسازی تا پاسخ‌گویی مشتریان رو خودکار کنی. توی ادامه هم با Fine-tuning مدل‌های از پیش آموزش‌دیده، اون‌ها رو برای نیازهای خاص صنعت مخابرات شخصی‌سازی می‌کنی. این دوره فقط روی دقت مدل تمرکز نداره؛ بلکه کل مسیر رو پوشش می‌ده، از آماده‌سازی داده و برچسب‌گذاری گرفته تا ارزیابی مدل، اونم با نگاه به اثر واقعی روی کسب‌وکار. یعنی یاد می‌گیری چطور پروژه‌های هوش مصنوعی رو از مرحله پایلوت به پروداکشن برسونی و خروجی مدل‌ها رو داخل CRM و فرایندهای عملیاتی سازمان جا بدی. اهداف یادگیری مفهوم‌های پایه‌ای هوش مصنوعی مولد را توضیح بده، از جمله نقش ترنسفورمرها، ساختار و توانایی‌های مدل‌های زبانی بزرگ، و اینکه توکن‌ها چطور به‌عنوان واحدهای اصلی برای ساخت معنای contextual عمل می‌کنند. تکنیک‌های token classification و text classification را از هم تشخیص بده و کاربرد هر کدام را در تصمیم‌گیری‌های مخابراتی، مثل NER و intent classification، ارزیابی کن. فرایند ساخت یک مدل NER سفارشی برای لاگ‌های شبکه مخابراتی را طراحی و شبیه‌سازی کن، از آماده‌سازی داده و توکن‌سازی تا annotation، fine-tuning و ارزیابی مبتنی بر اثر کسب‌وکار. روش استخراج اطلاعات domain-specific را با ساخت مدل‌های NER مخصوص مشتری و compliance تحلیل کن و یک taxonomy برای موجودیت‌های مخابراتی بساز که مدل‌های عمومی زبان را به اصطلاحات تخصصی صنعت وصل کند. ادغام مدل‌های intent classification و sentiment analysis را در منطق کسب‌وکار ارزیابی کن. استراتژی‌هایی برای تبدیل خروجی مدل‌ها به insightهای قابل‌اقدام داخل CRM و workflowهای پشتیبانی مشتری تدوین کن. یک نقشه‌راه استراتژیک برای AI در مخابرات طراحی کن که مسیر از پروژه‌های پایلوت تا استقرار در پروداکشن را مشخص کند و best practiceها را برای ارزیابی مدل، افزایش دقت و ایجاد ارزش تجاری در نظر بگیرد. https://dl.lyndakade.ir/courses/2026/04/Introduction%20to%20Large%20Language%20Models%20%28LLM%29%20in%205G%20-%20Enhancing%20Intelligence/0.%20Introduction/01%20-%20Introduction.mp4 0 2026-04-22T00:00:00+03:30 دوره آموزشی مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM) در 5G: ارتقاء هوشمندی Introduction to Large Language Models (LLM) in 5G: Enhancing Intelligence Rahul Kaundal Itelcotech https://lyndakade.ir/learning/kubernetes-gitops-with-argo-cd 2026-05-29T12:16:47+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/04/Kubernetes%20-%20GitOps%20with%20Argo%20CD/preview.webp دوره آموزشی کوبرنتیس: GitOps با Argo CD اگه دنبال اینی که دیپلوی زیرساخت و اپلیکیشن‌ها روی Kubernetes رو حرفه‌ای، سریع و تمیز یاد بگیری، این دوره دقیقاً برای توئه. توی این آموزش جامع، Janani Ravi بهت یاد می‌ده چطور با GitOps و Argo CD، استقرار مداوم زیرساخت رو روی کوبرنتیز مدیریت کنی و کل فرایند دیپلویمنت رو اتوماتیک و قابل‌اعتماد پیش ببری. تو این دوره یاد می‌گیری Argo CD رو چطور کانفیگ کنی، اپلیکیشن‌ها رو هم روی کلاستر لوکال و هم روی کلاسترهای خارجی دیپلوی کنی، و منابع مختلف رو توی چند محیط به‌صورت مرتب و بهینه مدیریت کنی. بعدش می‌ری سراغ Helm Chartها تا دیپلویمنت‌ها رو خودکار کنی، و با استفاده از Lifecycle Hookها و Sync Waveها ترتیب اجرا و وابستگی‌های بین سرویس‌ها رو دقیق کنترل کنی. یه بخش مهم دیگه هم اینه که می‌فهمی Argo CD چطور با GitHub و حتی ریپازیتوری‌های خصوصی به‌خوبی یکپارچه می‌شه تا روند توسعه و انتشار نرم‌افزار خیلی روان‌تر بشه. در ادامه، یاد می‌گیری چطور مدیریت زیرساخت رو خودکار کنی و اسکیل دیپلوی اپلیکیشن‌ها رو در معماری‌های پیچیده Kubernetes به شکل حرفه‌ای انجام بدی. این دوره مخصوص DevOps Engineerها و Site Reliability Engineerها طراحی شده و بهت کمک می‌کنه مهارت‌های کاربردی برای دیپلوی و مدیریت زیرساخت روی Google Kubernetes Engine (GKE) به دست بیاری. همچنین با Application Setها هم کار می‌کنی تا بتونی چندین Microservice رو هم‌زمان و منظم مدیریت کنی. اهداف یادگیری یادگیری کانفیگ و راه‌اندازی Argo CD برای GitOps دیپلوی اپلیکیشن روی کلاسترهای لوکال و خارجی مدیریت منابع در چند محیط مختلف خودکارسازی دیپلویمنت با Helm Chart کنترل ترتیب اجرای سرویس‌ها با Lifecycle Hook و Sync Wave اتصال Argo CD به GitHub و ریپازیتوری‌های خصوصی خودکارسازی مدیریت زیرساخت در معماری‌های پیچیده Kubernetes مدیریت و اسکیل اپلیکیشن‌ها روی Google Kubernetes Engine ساخت و استفاده از Application Set برای مدیریت چند Microservice https://dl.lyndakade.ir/courses/2026/04/Kubernetes%20-%20GitOps%20with%20Argo%20CD/preview.webp دوره آموزشی کوبرنتیس: GitOps با Argo CD اگه دنبال اینی که دیپلوی زیرساخت و اپلیکیشن‌ها روی Kubernetes رو حرفه‌ای، سریع و تمیز یاد بگیری، این دوره دقیقاً برای توئه. توی این آموزش جامع، Janani Ravi بهت یاد می‌ده چطور با GitOps و Argo CD، استقرار مداوم زیرساخت رو روی کوبرنتیز مدیریت کنی و کل فرایند دیپلویمنت رو اتوماتیک و قابل‌اعتماد پیش ببری. تو این دوره یاد می‌گیری Argo CD رو چطور کانفیگ کنی، اپلیکیشن‌ها رو هم روی کلاستر لوکال و هم روی کلاسترهای خارجی دیپلوی کنی، و منابع مختلف رو توی چند محیط به‌صورت مرتب و بهینه مدیریت کنی. بعدش می‌ری سراغ Helm Chartها تا دیپلویمنت‌ها رو خودکار کنی، و با استفاده از Lifecycle Hookها و Sync Waveها ترتیب اجرا و وابستگی‌های بین سرویس‌ها رو دقیق کنترل کنی. یه بخش مهم دیگه هم اینه که می‌فهمی Argo CD چطور با GitHub و حتی ریپازیتوری‌های خصوصی به‌خوبی یکپارچه می‌شه تا روند توسعه و انتشار نرم‌افزار خیلی روان‌تر بشه. در ادامه، یاد می‌گیری چطور مدیریت زیرساخت رو خودکار کنی و اسکیل دیپلوی اپلیکیشن‌ها رو در معماری‌های پیچیده Kubernetes به شکل حرفه‌ای انجام بدی. این دوره مخصوص DevOps Engineerها و Site Reliability Engineerها طراحی شده و بهت کمک می‌کنه مهارت‌های کاربردی برای دیپلوی و مدیریت زیرساخت روی Google Kubernetes Engine (GKE) به دست بیاری. همچنین با Application Setها هم کار می‌کنی تا بتونی چندین Microservice رو هم‌زمان و منظم مدیریت کنی. اهداف یادگیری یادگیری کانفیگ و راه‌اندازی Argo CD برای GitOps دیپلوی اپلیکیشن روی کلاسترهای لوکال و خارجی مدیریت منابع در چند محیط مختلف خودکارسازی دیپلویمنت با Helm Chart کنترل ترتیب اجرای سرویس‌ها با Lifecycle Hook و Sync Wave اتصال Argo CD به GitHub و ریپازیتوری‌های خصوصی خودکارسازی مدیریت زیرساخت در معماری‌های پیچیده Kubernetes مدیریت و اسکیل اپلیکیشن‌ها روی Google Kubernetes Engine ساخت و استفاده از Application Set برای مدیریت چند Microservice https://dl.lyndakade.ir/courses/2026/04/Kubernetes%20-%20GitOps%20with%20Argo%20CD/0.%20Introduction/01%20-%20Where%20does%20Argo%20CD%20fit.mp4 259 2026-04-22T00:00:00+03:30 دوره آموزشی کوبرنتیس: GitOps با Argo CD Kubernetes: GitOps with Argo CD Janani Ravi