دوره DevOps ساده و کاربردی: اتوماسیون عملی

آنچه یاد خواهید گرفت:

• خودکارسازی زیرساخت در AWS و Azure با استفاده از Terraform (ماشین‌های مجازی، شبکه‌ها، Kubernetes)
• ساخت پایپ‌لاین‌های حرفه‌ای CI/CD با GitHub Actions (تست‌ها، استقرار، تخریب خودکار)
• مدیریت کلاسترهای Kubernetes در Azure (AKS) با HPA ،Ingress و KEDA
• نظارت بر محیط‌های ابری با Datadog (متریک‌ها، لاگ‌ها، داشبوردها)
• نوشتن Playbookهای Ansible برای پیکربندی خودکار سرور
• کار با کانتینرها (Docker multistage ،Docker Compose ،Docker Hub)
• راه‌اندازی محیط‌های کامل DevOps (شامل Git ،Linux ،IaC ،CI/CD)
• آمادگی برای گواهینامه‌هایی مانند AZ-400 DevOps
• مثال: انجام یک مطالعه موردی برای مدیریت پروژه از کانسپت تا تکمیل

پیش‌نیازهای دوره

• دانش اولیه IT — درک ساده از چگونگی کار سرورها و شبکه‌ها (سطح مبتدی)
• کامپیوتر با دسترسی به اینترنت — ویندوز، مک یا لینوکس (برای آزمایشگاه‌های عملی)
• حساب‌های ابری رایگان — AWS Free Tier و Azure Free Tier (مدرس چگونگی تنظیم آن‌ها را آموزش می‌دهد)
• اشتیاق به یادگیری — دوره از صفر با مفاهیم Git، لینوکس و کلاود شروع می‌شود
• بدون نیاز به تجربه برنامه‌نویسی — شما همه چیز را گام‌به‌گام خواهید آموخت.

توضیحات دوره

آنچه خواهید آموخت — عملی، بدون حاشیه

کلاود، به صورت عملی

ساخت VMها، شبکه‌ها و ذخیره‌سازی در AWS و Azure (آزمایشگاه‌های 10–15، 38–44)

اتوماسیون واقعی

نوشتن اسکریپت‌هایی برای ایجاد چندین VM به صورت انبوه (آزمایشگاه‌های 40، 44) و مدیریت JSON با استفاده از jq (آزمایشگاه‌های 41، 43)

Terraform حرفه‌ای

تدارک کلاسترهای Kubernetes (آزمایشگاه‌های 52–55) و VMها با متغیرها و ماژول‌ها (آزمایشگاه‌های 48–51)

Ansible کاربردی

استقرار کانتینرها، مدیریت کاربران و مجوزها (آزمایشگاه‌های 60–61)

CI/CD کامل

ساخت یک پایپ‌لاین GitHub Actions با تست، استقرار و تخریب خودکار زیرساخت (آزمایشگاه‌های 64–80)

Kubernetes در Azure

تسلط به HPA ،Ingress، KEDA و Probes (آزمایشگاه‌های 91–93)

نظارت برتر

ایجاد داشبوردهای Datadog برای Kubernetes و EC2 با هشدارهای بصری (آزمایشگاه‌های 97–102)

ماژول‌های جدید

• هوش مصنوعی برای DevOps ← ChatGPT ،Claude ،Gemini (در حال تکمیل)
• Vibe Coding ← برای گردش های کاری DevOps
• Python ← برای اتوماسیون DevOps

متدولوژی مستقیم و دقیق

• هر درس = 1 مهارت عملی
• بدون تئوری‌های گسسته ← همه چیز دارای کاربرد دنیای واقعی است
• آزمایشگاه‌های قابل استفاده مجدد ← اعمال اسکریپت‌ها مستقیماً در محل کار
• از صفر تا حرفه‌ای ← شروع با Git/Linux و تکامل به سمت پروژه‌های کامل DevOps

آنچه خواهید ساخت

• یک محیط چند-ابری (AWS + Azure) با استفاده از CLI و Terraform (بخش‌های 2، 6، 7)
• یک پایپ‌لاین CI/CD که تست، استقرار و تخریب خودکار زیرساخت را انجام می‌دهد (بخش 9)
• یک کلاستر Kubernetes با مقیاس‌دهی خودکار مبتنی بر متریک (آزمایشگاه 91)
• یک سیستم نظارتی Datadog با هشدارهای بصری (آزمایشگاه 101)

چرا این دوره متفاوت است؟

• تمرکز بر عیب‌یابی (آزمایشگاه‌های 79، 100) — مهارتی کلیدی که اکثر دوره‌ها نادیده می‌گیرند
• همراستا با گواهینامه AZ-400 — بسیاری از دانشجویان قبلاً گواهینامه دریافت کرده‌اند.
• ابزارهای دنیای واقعی ← Terraform ،Ansible ،GitHub Actions، Helm ،KEDA ،Datadog

این دوره برای چه کسانی است؟

• مبتدیان DevOps (ما با Git و Linux شروع می‌کنیم — بخش‌های 1، 3، 4)
• توسعه‌دهندگان که می‌خواهند CI/CD را درک و پیاده‌سازی کنند.
• مدیران سیستم که در حال مهاجرت به محیط‌های ابری هستند.

پرسش‌های متداول

آیا نیاز به تجربه دارم؟
خیر. شما گام‌به‌گام یاد خواهید گرفت، از Git و Linux شروع کرده و تا پروژه‌های پیشرفته DevOps پیش می‌روید.

آیا می‌توانم این موارد را در کار اعمال کنم؟
قطعاً. آزمایشگاه‌ها از ابزارهای دنیای واقعی و حساب‌های رایگان در AWS و Azure استفاده می‌کنند.

چه چیزی این دوره را متمایز می‌کند؟

• بدون تمرینات بیهوده "Hello World"
• آزمایشگاه‌های واقعی Terraform + Kubernetes + Helm
• اتوماسیون چند-ابری با AWS و Azure
• یک رویکرد عملی و متمرکز بر اتوماسیون برای پروژه‌های واقعی

تضیمن اختصاصی

• دسترسی مادام‌العمر به 103 درس کاملاً عملی
• شامل تمام اسکریپت‌ها — آماده استفاده در کار روزمره شما

این دوره استفاده محدودی از ابزارهای هوش مصنوعی برای تنظیمات زبانی و بهبود وضوح دارد. تمام محتوای دوره، آزمایشگاه‌ها و توضیحات توسط مدرس ایجاد و بازبینی شده است.

این دوره برای چه کسانی مناسب است؟

• متخصصان زیرساخت و پشتیبانی که به دنبال انتقال به DevOps هستند، یا هر کسی که کنجکاو درباره DevOps است اما نمی‌داند از کجا شروع کند.
• علاقه‌مندان به Python برای DevOps که به دنبال کاربردهای عملی هستند.
• توسعه‌دهندگان Java که می‌خواهند شیوه‌های DevOps را ادغام کنند.
• تحلیلگران پشتیبانی که قصد دارند به سمت اتوماسیون و محیط‌های ابری پیشرفت کنند.
• متخصصان علاقه‌مند به هوش مصنوعی کاربردی در DevOps
• مثال: توسعه‌دهندگان مبتدی Python که درباره علم داده کنجکاو هستند.