مصورسازی کلان داده برای بازی‌ها با استفاده از Elastic Stack

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

یادگیری چگونگی تولید، پردازش و تحلیل لاگ‌هایی که در طول فرآیند توسعه بازی با Elastic Stack ایجاد می‌شوند.
استفاده از Elastic Stack (شامل Elasticsearch و Logstash و Kibana) برای پردازش لاگ‌های توسعه بازی
ساخت داشبورد کیبانا با ویجت‌های کاربردی و ارزشمند که داده‌ بازی مربوط به سشن، مکان و عملکرد را نمایش می‌دهند.
ادغام نقشه دنیای بازی آنریل انجین 5 با مصورسازی کیبانا
استفاده از پایتون برای تعامل با Elasticsearch

پیش‌نیازهای دوره

مهارت‌ها: نیازی به تجربه قبلی در این زمینه نیست.
ابزارها: Elastic Stack و Unreal Engine 5 و Python و VS Code. همه به صورت رایگان در دسترس هستند.

توضیحات دوره

به دوره مصورسازی کلان داده برای بازی‌ها با استفاده از Elastic Stack خوش آمدید!

این دوره دروازه ورود شما به تسلط به بینش‌های داده‌محور برای توسعه بازی با استفاده از Elastic Stack (ELK) است.

چه شما یک تحلیلگر داده، مهندس تضمین کیفیت (QA)، سرپرست فنی، معمار پایپ‌لاین، مهندس اتوماسیون/DevOps یا یک هنرمند فنی باشید، این دوره طوری طراحی شده تا شما را به مهارت‌های عملی برای پردازش، تحلیل و مصورسازی داده‌ بازی مجهز کند تا گردش های کاری توسعه و تصمیم‌گیری‌های خود را بهبود بخشید.

چه چیزهایی یاد می‌گیرید؟

در طول این دوره، شما راه‌حل‌های مصورسازی کلان داده را بررسی و پیاده‌سازی خواهید کرد و سه نوع ضروری از لاگ‌های توسعه بازی را پوشش می‌دهید:

داده‌ سشن بازی: ردیابی اینکه چه کسی، برای چه مدت و روی کدام پلتفرم بازی کرده است. این اطلاعات، بینش و پایه‌ای برای معیارهای خاص‌تر مانند نرخ کرش-در-ساعت، میانگین مدت زمان جلسات بازی و غیره فراهم می‌کند.
داده‌ عملکرد: تحلیل معیارهای عملکرد تاریخی (FPS، مصرف CPU/GPU، مصرف حافظه، زمان اجرای توابع) در بیلدها، پلتفرم‌ها و سناریوهای مختلف گیم‌پلی برای گرفتن تصمیمات آگاهانه در بهینه‌سازی عملکرد
داده‌ مبتنی بر مکان: بازسازی مسیر حرکت بازیکن، ترسیم نقشه کرش‌های بازی، کشتن باس‌های کمیاب، افت فریم و سایر رویدادهای کلیدی با استفاده از نقشه‌های تعاملی بازی در کیبانا

در پایان این دوره، شما یک داشبورد کلان داده کاملاً کاربردی خواهید داشت که لاگ‌های خام را به بینش‌های عملی تبدیل می‌کند!

این دوره کاملاً عملی است (مشابه دوره‌های مرتبط با پایتون مدرس) و بیشتر وقت شما صرف شرکت در کارگاه‌های عملی با چالش‌های گوناگون می‌شود، به جای آنکه فقط درس های اسلاید-محور را تماشا کنید.

به عنوان منبع لاگ‌های بازی در طول دوره، ما از آنریل انجین 5 و پروژه نمونه آن Stack-O-Bot استفاده خواهیم کرد تا داده‌ دنیای واقعی و معیارهای معنادار برای تحلیل را شبیه‌سازی کنیم.

تمام ابزارهای استفاده شده در محتوای دوره دسترسی رایگان دارند.

کد منبع ضمیمه شده است.

این دوره برای چه کسانی مناسب است؟