PostgreSQL ve Büyük Veri Analitiği Eğitimi

Eğitim Hakkında

Analitik sorgulamadan partitioning, paralel sorgu ve veri ambarı tekniklerine büyük ölçekli analiz

PostgreSQL ve Büyük Veri Analitiği Eğitimi, PostgreSQL'i büyük veri setleri üzerinde güçlü bir analiz motoru olarak kullanmayı öğretir. Katılımcılar pencere fonksiyonları, GROUPING SETS, ROLLUP ve CUBE ile ileri analitik sorgular yazar; declarative partitioning ile büyük tabloları parçalar. Paralel sorgu, materialized view ve BRIN indeksleriyle performansı ölçekler. postgres_fdw ile dış veri kaynaklarına erişir, ETL akışları kurar ve veri ambarı modelleme ilkelerini uygular.

Süre ve Format

3 Gün. Her gün dört modül; ileri analitik sorgulamadan partitioning, paralel sorgu, materialized view ve veri ambarı tekniklerine ilerlenir.

Seviye

Orta Seviye — Analitik sorgulama, partitioning, paralel sorgu, materialized view ve veri ambarı teknikleri

Öğrenme Metodu

Her konu gerçek bir büyük veri seti üzerinde analitik sorgu yazma, partition kurma ve plan inceleme alıştırmalarıyla uygulanır.

Neden Bu Eğitim?

📊İleri analitik gücü

Pencere fonksiyonları ve GROUPING SETS ile çok boyutlu özetleri tek sorguda üretir, raporlamayı veritabanı içinde çözersiniz.

🗄️Büyük tabloyu yönetme

Partitioning ile dev tabloları yönetilebilir parçalara böler, sorgu ve bakım performansını belirgin biçimde artırırsınız.

⚡Ölçeklenebilir performans

Paralel sorgu, materialized view ve BRIN indeksleriyle analitik iş yüklerini hızlandırır, kaynakları verimli kullanırsınız.

Anahtar Konular

postgresql büyük veri eğitimipostgresql analitik eğitimiveri ambarı eğitimipostgresql partitioning eğitimisql analitik eğitimipencere fonksiyonları eğitimiveri analizi eğitimipostgresql performans eğitimipostgresql eğitimi

“Büyük veri, boyutu değil doğru sorulduğunda açığa çıkan içgörüsüyle değerlidir; PostgreSQL bu içgörüyü üretecek araçların tamamını taşır.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Orta düzey SQL

JOIN, GROUP BY ve alt sorgu yazabilecek orta düzey SQL deneyimi gereklidir.

2

PostgreSQL aşinalığı

Tablo, indeks ve temel sorgu çalıştırma düzeyinde PostgreSQL aşinalığı beklenir.

3

Analitik düşünme

Veriyi boyut ve ölçü olarak düşünebilecek temel analitik bakış faydalıdır.

4

Çalışma ortamı

Örnek büyük veri seti yüklü bir PostgreSQL ve plan görüntüleyebilen bir hesap gereklidir.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı pencere fonksiyonlarıyla sıralama ve kümülatif analiz yapar, GROUPING SETS, ROLLUP ve CUBE ile çok boyutlu özetleri tek sorguda üretir.

Modül 1

Pencere Fonksiyonlarıyla Analiz

PARTITION BY ve ORDER BY ile pencere tanımı
ROW_NUMBER, RANK ve DENSE_RANK sıralaması
LAG ve LEAD ile dönemsel karşılaştırma
Kümülatif toplam ve hareketli ortalama
Frame (ROWS/RANGE) tanımı ve etkisi
NTILE ile çeyrek ve segment analizi

Modül 2

Çok Boyutlu Gruplama

GROUPING SETS ile çoklu grup düzeyi
ROLLUP ile hiyerarşik ara toplamlar
CUBE ile tüm boyut kombinasyonları
GROUPING fonksiyonu ile toplam ayrımı
FILTER ile koşullu ölçü hesaplama
Pivot benzeri çapraz özet üretimi

Modül 3

İstatistiksel Analiz Fonksiyonları

percentile_cont ve medyan hesabı
stddev ve variance ile dağılım
corr ve regr_* ile ilişki analizi
mode ile dağılımın tepe değeri
width_bucket ile histogram kovaları
Ordered-set ve hypothetical agregatlar

Modül 4

Zaman Serisi ve Tarih Analizi

date_trunc ile dönemsel gruplama
generate_series ile zaman ekseni üretme
Eksik dönemleri doldurma (gap filling)
Dönem üzeri değişim ve büyüme oranı
interval aritmetiği ve pencere birleşimi
Trend ve mevsimsellik için sorgu kalıpları

Günün hedefiKatılımcı declarative partitioning ile büyük tabloları böler, paralel sorguyu ayarlar ve BRIN ile uygun indeks stratejilerini kullanarak analitik performansı ölçekler.

Modül 1

Declarative Partitioning

Range, list ve hash partition türleri
Partition anahtarı seçimi ve kriterleri
Alt bölüm (sub-partitioning) kurgusu
Partition ekleme/çıkarma (attach/detach)
Veri yaşam döngüsü ve eski bölümü arşivleme
Partition tasarım hataları ve tuzakları

Modül 2

Partition Pruning ve Sorgu

Partition pruning ile gereksiz bölümü atlama
Constraint exclusion ve plan etkisi
Partition-wise join ile verimli birleştirme
Partition-wise aggregate ile toplama
Bölümlerde indeks ve kısıt yönetimi
EXPLAIN ile pruning davranışını doğrulama

Modül 3

Paralel Sorgu Yürütme

Paralel sorgunun çalışma mimarisi
max_parallel_workers_per_gather ayarı
Paralel sequential scan ve paralel join
Paralel agregasyon ve veri toplama
Paralelliğin uygun olduğu iş yükleri
Paralel sorgu maliyet parametreleri

Modül 4

Analitik İndeks Stratejileri

BRIN indeks ile büyük sıralı veri
B-tree ve BRIN karşılaştırması
Partial indeks ile seçili veri alt kümesi
Covering index ve index-only scan
İstatistik ve ANALYZE ile doğru plan
Büyük tabloda indeks bakım maliyeti

Günün hedefiKatılımcı materialized view ile ağır sorguları önbelleğe alır, postgres_fdw ile dış kaynaklara erişir, ETL akışları kurar ve yıldız şeması gibi veri ambarı modellerini uygular.

Modül 1

Materialized View ve Önbellekleme

Materialized view ile sonuç önbellekleme
REFRESH ve CONCURRENTLY ile yenileme
Artımlı yenileme stratejileri ve seçimi
Özet (aggregate) tablolarla raporu hızlandırma
View ve materialized view seçim kriteri
Yenileme zamanlaması ve tazelik dengesi

Modül 2

Dış Veri Kaynakları (FDW)

Foreign Data Wrapper (FDW) mimarisi
postgres_fdw ile uzak PostgreSQL erişimi
Foreign table ve kullanıcı eşleme
file_fdw ile CSV dosyalarını sorgulama
FDW'de predicate pushdown performansı
Dağıtık sorgu ve federasyon senaryoları

Modül 3

ETL ve Toplu Veri Yükleme

COPY ile yüksek hızlı toplu yükleme
Staging tablo ile dönüştürme akışı
INSERT ON CONFLICT ile upsert yükleme
Toplu yüklemede indeks ve constraint yönetimi
UNLOGGED tablo ile geçici hız kazanımı
Veri kalitesi ve doğrulama adımları

Modül 4

Veri Ambarı Modelleme

Yıldız (star) şeması ve fact/dimension
Snowflake şeması ve boyut normalizasyonu
Fact tablo tasarımı ve ölçüler (measure)
Yavaş değişen boyut (SCD) yaklaşımı
Analitik eklentilere bakış (columnar, TimescaleDB)
OLTP ve OLAP iş yükünü ayırma kararı

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

İleri analitik sorgu

Pencere fonksiyonları ve GROUPING SETS ile çok boyutlu özetleri ve karşılaştırmaları tek sorguda üretirsiniz.

✅

İstatistiksel analiz

percentile, stddev ve regresyon fonksiyonlarıyla veriyi istatistiksel olarak özetler, dağılım ve ilişkileri ortaya koyarsınız.

✅

Zaman serisi yetkinliği

date_trunc ve generate_series ile dönemsel analiz yapar, eksik dönemleri doldurur ve trendleri sorguyla çıkarırsınız.

✅

Tablo bölümleme

Declarative partitioning ile büyük tabloları böler, partition pruning ile sorguları ve bakımı belirgin hızlandırırsınız.

✅

Paralel ölçekleme

Paralel sorguyu ayarlar, BRIN ve partial indekslerle büyük analitik iş yüklerini verimli biçimde ölçeklersiniz.

✅

Materialized view

Ağır sorguları materialized view ile önbelleğe alır, yenileme stratejisiyle rapor hızını ve veri tazeliğini dengelersiniz.

✅

Veri entegrasyonu

postgres_fdw ve COPY ile dış kaynaklardan veri çeker, ETL akışlarıyla büyük veriyi hızlı ve güvenilir yüklersiniz.

✅

Ambar modelleme

Yıldız şeması ve fact/dimension modeliyle analitik veri ambarı kurar, OLTP ve OLAP iş yüklerini doğru ayırırsınız.

Kimler İçin Uygundur?

Büyük veri setleriyle çalışan veri analistleri
raporlama ve veri ambarı kuran mühendisler
iş zekası uzmanları
PostgreSQL'i analitik iş yükleri için ölçeklemek isteyen veritabanı profesyonelleri için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Büyük veri setleriyle çalışan veri analistleri, raporlama ve veri ambarı kuran mühendisler, iş zekası uzmanları ve PostgreSQL'i analitik iş yükleri için ölçeklemek isteyen veritabanı profesyonelleri için uygundur. Orta düzey SQL deneyimi ve PostgreSQL aşinalığı beklenir.

Bu eğitim temel SQL sorgulama eğitiminden farklı mıdır?

Evet. Sorgulama eğitimi SELECT, JOIN ve temel pencere fonksiyonlarını öğretirken bu eğitim büyük ölçekli analize odaklanır: çok boyutlu gruplama, partitioning, paralel sorgu, materialized view ve veri ambarı modelleme. Yani sorgu yazmayı bildiğiniz varsayılır ve bu beceriyi büyük veri performansına taşırsınız.

Citus veya dağıtık mimari bu eğitimde var mı?

Bu eğitim tek sunucu üzerinde partitioning, paralel sorgu ve veri ambarı tekniklerine odaklanır; columnar ve TimescaleDB gibi eklentilere kısa bir bakış içerir. Citus ile yatay ölçekleme ve veri parçalama ayrı bir programın, PostgreSQL Ölçeklenebilirlik ve Veri Parçalama (Citus) Eğitimi'nin konusudur.

Ne kadar büyük veri setleriyle çalışılıyor?

Alıştırmalar partitioning, paralel sorgu ve indeks davranışını gözlemlemeye yetecek büyüklükte örnek veri setleriyle yapılır. Amaç veri boyutu değil, büyük tablolarda performansı etkileyen kavramları anlamaktır. İçerik kurumun gerçek veri hacmine ve şemasına göre uyarlanabilir.

Eğitim sonunda sertifika veriliyor mu?

Programı tamamlayan katılımcılar Digital Vizyon Akademi Katılım ve Başarı Sertifikası alır. Sertifika ileri analitik sorgulama, partitioning, paralel sorgu, materialized view ve veri ambarı modelleme konularını belgeler. İçerik kurumun analitik ihtiyaçlarına ve veri setine göre uyarlanabilir.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika