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.