Eğitimin Amacı ve Kapsamı
Karmaşık analitik sorular ve makine öğrenmesi için üretilen feature tabloları, standart GROUP BY sorgularıyla yazıldığında hem okunması güçleşir hem de veri ambarında yüksek maliyet ve gecikme yaratır. Bu eğitim, analitik SQL yetkinliğini ileri seviyeye taşıyarak tek geçişte karmaşık hesaplamalar yapmayı ve yavaş sorguları darboğazlarından arındırmayı hedefler.
Window fonksiyonları (OVER, PARTITION BY, çerçeve tanımları), recursive CTE'ler, kohort ve retention analizleri, JSON/array kolonları sorgulama, indeksleme stratejileri, partitioning ve EXPLAIN ANALYZE okuma uygulamalı olarak ele alınır. Katılımcılar kurumun yavaş çalışan veya karmaşık bir rapor/feature sorgusunu yeniden yazarak ölçülebilir performans ve okunabilirlik kazanımı elde eder.
Kimler Katılmalı?
- Kıdemli veri analistleri, BI geliştiricileri ve analytics engineer'lar
- Feature store ve veri hazırlama pipeline'ları yazan veri bilimciler ve veri mühendisleri
- Veri tabanı sorgu performansını iyileştirmek isteyen backend geliştiriciler
- Ön koşul: JOIN, GROUP BY ve temel alt sorgularla aktif SQL deneyimi
Kazanımlar
- Window fonksiyonları ve frame tanımlarıyla hareketli ortalama, kümülatif toplam ve sıralama hesaplar
- Modüler CTE'ler ve recursive sorgularla hiyerarşik ve ardışık verileri modeller
- Kohort, churn, funnel ve point-in-time feature tablolarını tek sorguda üretir
EXPLAIN ANALYZEçıktısını okuyarak full table scan, yanlış join stratejisi ve indeks eksiklerini tespit eder- Büyük tablolarda partitioning, clustering ve sorgu maliyet optimizasyonu kurallarını uygular
Konular
İleri Window Fonksiyonları ve Çerçeve (Frame) Yönetimi
- ROW_NUMBER, RANK, DENSE_RANK, NTILE, LAG ve LEAD
- ROWS vs RANGE frame tanımlarıyla hareketli ve kümülatif metrikler
Modüler SQL, Recursive CTE ve Hiyerarşik Veriler
- Çok katmanlı CTE mimarisi ve kod tekrarını önleme
- Recursive CTE ile ağaç yapıları, organizasyon ve graf sorguları
Analitik Desenler ve Point-in-Time Feature Üretimi
- Kohort, retention, sessionization ve gap-and-island problemleri
- Veri sızıntısını (data leakage) önleyen tarihsel feature sorguları
Yarı-Yapısal Veri (JSON ve Array) İşleme
- JSON fonksiyonları, UNNEST/FLATTEN ile iç içe yapıları açma
- Analitik tablolarda yarı-yapısal kolonların performanslı kullanımı
Sorgu Planı Analizi ve Performans Optimizasyonu
- EXPLAIN ANALYZE okuma: Hash Join, Merge Join, Nested Loop
- B-Tree/GIN indeksler, partitioning, clustering ve anti-pattern'ler
Bu Kategorideki Diğer Eğitimler
-
RAG, LLM ve makine öğrenmesi sistemleri için uçtan uca veri mühendisliği: veri sözleşmeleri, medallion mimarisi, feature ve embedding pipeline'ları, lineage ve metadata yönetimi.
- Canlı Kurs
- 5 modül
-
Kaynak sistemlerdeki sessiz şema ve veri bozulmalarını önlemek için otomatik veri kalitesi testleri (dbt, Great Expectations, Soda) ve üretici-tüketici arasında uygulanabilir data contract tasarımı.
- Canlı Kurs
- 5 modül
-
OpenLineage, DataHub/OpenMetadata ve veri gözlemlenebilirliği araçlarıyla veri varlıklarını keşfetme, kolon bazlı lineage çıkarma ve veri hatlarındaki gecikme veya dağılım kaymalarını erken yakalama.
- Canlı Kurs
- 5 modül
-
PDF, Word, taranmış belge, çağrı merkezi ses kaydı ve görüntülerden RAG ve multimodal yapay zeka sistemleri için ölçeklenebilir veri hazırlama, parçalama, metadata zenginleştirme ve indeksleme hatları.
- Canlı Kurs
- 5 modül
-
Apache Iceberg tabanlı lakehouse depolama, dbt ile modüler ve testli veri dönüşümü ve Apache Airflow ile orkestrasyon; ölçeklenebilir ve açık standartlı veri platformu kuran mühendisler için.
- Canlı Kurs
- 5 modül
-
Analitik, klasik ML, RAG ve otonom agent iş yüklerini aynı çatı altında destekleyen kurumsal veri mimarisi: lakehouse, semantic layer, feature store, vektör indeksleri ve yönetişim katmanı tasarımı.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
