گواهینامه داده و تحلیل با استفاده از Google Cloud GCP

آنچه یاد خواهید گرفت:

• شما با مقدمات Google Cloud Platform (GCP)، از جمله مزایای اصلی رایانش ابری با GCP، سرویس‌های عمده و موارد استفاده کلیدی آشنا خواهید شد.
• شما همچنین بررسی خواهید کرد که چگونه GCP از گردش‌کارهای مدرن علم داده، یادگیری ماشین و تحلیل کسب‌وکارد پشتیبانی می‌کند.
• شما راهکارهای ذخیره‌سازی داده در GCP را، شامل انواع مختلف ذخیره‌سازی مانند Cloud Storage ،Cloud SQL ،Firestore و Bigtable بررسی خواهید کرد.
• شما یاد خواهید گرفت که چگونه سرویس ذخیره‌سازی مناسب را بر اساس بار کاری و نوع داده انتخاب کنید و بهترین شیوه ها را پیاده‌سازی نمایید.
• شما با پردازش کلان‌داده به وسیله BigQuery، پلتفرم قدرتمند و بدون سرور گوگل برای تحلیل داده، آشنا خواهید شد.
• شما گردش کار کلان‌داده در BigQuery را درک خواهید کرد، عملکرد کوئری‌ها را بهینه‌سازی کرده و داده‌های ساختاریافته و نیمه‌ساختاریافته را مدیریت می‌کنید.
• شما یاد خواهید گرفت که چگونه پایپ‌لاین‌های یکپارچه‌سازی داده و ETL را در GCP بسازید. شما اجزای گردش‌کارهای ETL را مطالعه خواهید کرد.
• استراتژی‌های دریافت داده را با استفاده از ابزارهایی مانند Cloud Dataflow و Cloud Pub/Sub بررسی کرده و پردازش بلادرنگ و دسته‌ای را پیاده‌سازی کنید.
• شما مصورسازی داده‌ها و هوش تجاری (BI) در GCP را با استفاده از ابزارهایی مانند Looker و Data Studio بررسی خواهید کرد.
• شما با انواع مختلف مصورسازی، فرآیند BI و چگونگی طراحی داشبوردهای تعاملی آشنا خواهید شد.
• شما دانش عملی در زمینه یادگیری ماشین با GCP، از جمله چگونگی آماده‌سازی داده‌ها و آموزش مدل‌ها با استفاده از Vertex AI کسب خواهید کرد.
• شما مدل‌های از پیش آموزش‌دیده و AutoML را برای آزمایش سریع‌تر بررسی خواهید کرد. تمرین‌های عملی شامل آموزش و ارزیابی یک مدل یادگیری ماشین است.
• شما MLOps و اتوماسیون گردش کار در GCP را با تمرکز بر یکپارچه‌سازی و استقرار مداوم (CI/CD) درک خواهید کرد.
• شما ابزارهایی مانند TFX ،Cloud Build و Vertex Pipelines را مطالعه کرده و مطالعات موردی را که پیاده‌سازی‌های موفق MLOps را نشان می‌دهند، بررسی خواهید کرد.
• شما امنیت و حاکمیت در GCP را مطالعه خواهید کرد، از جمله IAM (مدیریت هویت و دسترسی)، رمزگذاری داده‌ها و امنیت شبکه.
• شما یاد خواهید گرفت که چگونه از داده‌های حساس محافظت کنید و بهترین شیوه های حاکمیت در پروژه‌های تحلیلی و ML را دنبال کنید. تمرین‌های عملی شامل تنظیم نقش‌های IAM است.

پیش نیازهای دوره

• شما باید به علم داده، یادگیری ماشین و فناوری‌های ابری علاقه‌مند باشید.
• تمایل به یادگیری چگونگی ذخیره‌سازی، مدیریت، تحلیل و مصورسازی داده‌ها
• علاقه‌مند به کاربرد مدل‌های یادگیری ماشین در سناریوهای دنیای واقعی

توضیحات دوره

گام بعدی را در سفر هوش مصنوعی مبتنی بر ابر و تحلیل داده‌های خود بردارید! چه یک دانشمند داده مشتاق، مهندس ML، توسعه‌دهنده یا تصمیم‌گیرنده کسب‌وکار باشید، این دوره شما را با مهارت‌های لازم برای بهره‌گیری از Google Cloud Platform (GCP) جهت راهکارهای مقیاس‌پذیر و واقعی علم داده و یادگیری ماشین مجهز می‌کند. کشف کنید که چگونه سرویس‌هایی مانند BigQuery ،Vertex AI ،Cloud Storage و Looker از طریق بینش‌های هوشمند، اتوماسیون و قابلیت‌های پیش‌بینی، نوآوری را در صنایع مختلف پیش می‌برند.
با هدایت آزمایشگاه‌های عملی و موارد استفاده در دنیای واقعی، شما:

• به اصول رایانش ابری، گردش‌کارهای کلان‌داده و یادگیری ماشین با استفاده از سرویس‌های GCP مسلط خواهید شد.
• تجربه عملی در مدیریت و تحلیل داده‌ها با BigQuery ،Cloud Storage Cloud SQL و Dataflow کسب خواهید کرد.
• یاد خواهید گرفت که مدل‌های ML را با استفاده از Vertex AI ،AutoML و TensorFlow/PyTorch در GCP آموزش دهید، بهینه‌سازی کنید و مستقر نمایید.
• کاربردهای عملی در بخش‌هایی مانند خرده‌فروشی، بهداشت و درمان، تولید و رسانه را با استفاده از ابزارهای AI/ML در GCP بررسی خواهید کرد.
• بهترین شیوه های امنیت، انطباق و مدیریت هزینه در پروژه‌های علم داده مبتنی بر ابر را درک خواهید کرد.
• با تسلط به مهارت‌های پرتقاضا در تقاطع رایانش ابری، هوش مصنوعی و تحلیل کلان‌داده، خود را برای مشاغل آینده آماده خواهید کرد.

چارچوب‌های دوره

• ویدئوهای آموزشی تعاملی، مطالعات موردی، پروژه‌های دنیای واقعی، منابع قابل دانلود و تمرین‌های تعاملی طراحی شده برای کمک به شما در درک عمیق چگونگی استفاده از Google Cloud Platform (GCP) برای تحلیل داده، یادگیری ماشین و راهکارهای مبتنی بر ابر
• این دوره شامل مطالعات موردی خاص دامنه، ابزارهای بومی GCP، راهنماهای مرجع، آزمون‌ها، ارزیابی‌های خودگام و آزمایشگاه‌های عملی برای تقویت توانایی شما در ساخت، مدیریت و استقرار مدل‌های ML با استفاده از سرویس‌های GCP است.
• در بخش اول دوره، شما اصول رایانش ابری، سرویس‌های GCP و چگونگی پشتیبانی Google Cloud از گردش‌کارهای داده مقیاس‌پذیر و هوشمند را خواهید آموخت.
• در بخش میانی دوره، شما تجربه عملی با ابزارهایی مانند BigQuery، Cloud Storage ،Cloud SQL و Vertex AI برای ساخت پایپ‌لاین‌های ETL، تحلیل کلان‌داده و آموزش مدل‌های یادگیری ماشین کسب خواهید کرد.
• در بخش پایانی دوره، شما استقرار مدل، اتوماسیون MLOps، حاکمیت داده، بهترین شیوه های امنیتی و موارد استفاده واقعی در بخش‌های مختلف را بررسی خواهید کرد.

محتوای دوره:

بخش 1

مقدمه و برنامه مطالعاتی

• مقدمه و آشنایی با مدرس
• برنامه مطالعاتی و ساختار دوره

ماژول 1. GCP چیست؟

• مزایای کلیدی GCP
• سرویس‌های اصلی GCP
• موارد استفاده GCP
• شروع کار با GCP
• گام‌های بعدی - استقرار اولین ماشین مجازی، ذخیره و بازیابی داده‌ها با Cloud Storage، آموزش مدل هوش مصنوعی با استفاده از Vertex AI
• نتیجه‌گیری: GCP چیست؟

ماژول 2. راهکارهای ذخیره‌سازی داده در Google Cloud Platform

• انواع راهکارهای ذخیره‌سازی داده در GCP
• انتخاب راهکار ذخیره‌سازی مناسب در GCP
• بهترین شیوه ها برای ذخیره‌سازی داده در GCP
• گام‌های بعدی - بررسی Cloud Storage برای ذخیره داده‌های بدون ساختار، استفاده از BigQuery برای تحلیل داده، استقرار دیتابیس Cloud SQL برای اپلیکیشن شما
• نتیجه‌گیری: راهکارهای ذخیره‌سازی داده در Google Cloud Platform (GCP)

ماژول 3. پردازش کلان‌داده با BigQuery

• ویژگی‌های پردازش کلان‌داده در BigQuery
• گردش کار پردازش کلان‌داده در BigQuery
• موارد استفاده دنیای واقعی برای پردازش کلان‌داده در BigQuery
• بهترین شیوه ها برای پردازش کلان‌داده در BigQuery
• گام‌های بعدی - کار عملی با BigQuery
• نتیجه‌گیری: پردازش کلان‌داده با BigQuery

ماژول 4. یکپارچه‌سازی داده‌ها و پایپ‌لاین‌های ETL

• اجزای یک پایپ‌لاین ETL
• رویکردهای یکپارچه‌سازی داده‌ها
• بهترین شیوه ها برای ساخت پایپ‌لاین‌های ETL
• موارد استفاده دنیای واقعی برای پایپ‌لاین‌های ETL
• گام‌های بعدی - ساخت یک پایپ‌لاین ETL
• نتیجه‌گیری: یکپارچه‌سازی داده‌ها و پایپ‌لاین‌های ETL

ماژول 5. مصورسازی داده‌ها و هوش تجاری

• مثال - ایجاد یک نمودار میله‌ای در Python (Matplotlib)
• انواع مصورسازی داده‌ها
• فرآیند هوش تجاری (BI)
• ایجاد داشبوردها در ابزارهای BI
• موارد استفاده دنیای واقعی از مصورسازی داده‌ها و BI
• گام‌های بعدی - ساخت داشبورد BI خودتان
• نتیجه‌گیری: مصورسازی داده‌ها و هوش تجاری

ماژول 6. یادگیری ماشین با Google Cloud Platform (GCP)

• آماده‌سازی داده‌ها برای ML در GCP
• آموزش مدل‌های ML در GCP
• استقرار مدل‌های ML در GCP
• موارد استفاده دنیای واقعی از ML در GCP
• پروژه عملی ML در GCP
• نتیجه‌گیری: یادگیری ماشین با Google Cloud Platform

ماژول 7. MLOps و اتوماسیون گردش کار

• گردش کار MLOps و اتوماسیون پایپ‌لاین
• ابزارهای MLOps و اتوماسیون گردش کار
• یکپارچه‌سازی و استقرار مداوم (CI CD) در MLOps
• پایش مدل و تشخیص دریفت 
• مطالعات موردی MLOps در دنیای واقعی
• پروژه عملی MLOps - اتوماسیون مدل پیش‌بینی ریزش مشتری
• نتیجه‌گیری: MLOps و اتوماسیون گردش کار

ماژول 8. امنیت و حاکمیت در آنالیتیکس Google Cloud Platform (GCP)

• مدیریت هویت و دسترسی (IAM) در GCP
• امنیت داده و رمزگذاری
• امنیت شبکه در GCP
• انطباق و ثبت لاگ‌های حسابرسی
• تشخیص تهدید و پایش
• بهترین شیوه های حاکمیت در آنالیتیکس GCP
• نتیجه‌گیری: امنیت و حاکمیت در Google Cloud Platform (GCP)

ماژول 9. موارد استفاده و کاربردهای دنیای واقعی با استفاده از Google Cloud Platform (GCP)

• تحلیل داده‌ها و هوش تجاری
• راهکارهای یادگیری ماشین و هوش مصنوعی
• پردازش داده‌های بلادرنگ و IoT
• اپلیکیشن‌های مبتنی بر ابر و DevOps
• امنیت و انطباق
• بهداشت و درمان و علوم زیستی
• رسانه و سرگرمی
• نتیجه‌گیری - آزادسازی قدرت GCP

بخش 2

• پروژه پایانی

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده مشتاق، مهندسان یادگیری ماشین و فعالان حوزه هوش مصنوعی
• توسعه‌دهندگان و مهندسان نرم‌افزار که به دنبال ادغام پایپ‌لاین‌های مقیاس‌پذیر داده، آنالیتیکس و مدل‌های AI هستند.
• تحلیلگران، متخصصان هوش تجاری و کارشناسان مصورسازی داده‌ها
• متخصصان IT، معماران ابر و مهندسان DevOps