Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Farklı BI panolarında 'net gelir' veya 'aktif müşteri' metriğinin farklı SQL formülleriyle hesaplanması, üst yönetimde veri güvenini sarsar; üstelik ham tablolara doğrudan bağlanan Text-to-SQL ve LLM agent'ları yanlış join ve filtrelerle halüsinasyon üretir. Bu eğitim, metrikleri ve varlık ilişkilerini kod olarak tanımlayan modern bir semantic layer (anlamsal katman) kurmayı öğretir.

dbt Semantic Layer (MetricFlow) ve Cube mimarileri, entity/dimension/measure tanımları, oran ve kümülatif metrikler, önbellekleme (pre-aggregations) ve MCP/REST/SQL arayüzleri üzerinden hem BI araçlarına hem de LLM agent'larına güvenli metrik sunumu uygulamalı olarak işlenir. Katılımcılar kurumun temel KPI'ları için bir semantic layer taslağı geliştirir.

Kimler Katılmalı?

  • Metrik standartlaştırmasından sorumlu analytics engineer'lar ve BI mimarları
  • Text-to-SQL ve analitik copilot/agent geliştiren yapay zeka ve veri mühendisleri
  • Kurumsal KPI yönetişimini yürüten veri analitiği liderleri
  • Ön koşul: SQL, boyutsal modelleme kavramları ve temel YAML/dbt bilgisi

Kazanımlar

  • Varlıkları (entities), boyutları (dimensions) ve ölçümleri (measures) semantik model olarak tanımlar
  • Basit, türetilmiş (derived), oran (ratio) ve kümülatif metrikleri tek bir merkezde kodlar
  • Çoklu fact tablo birleştirmelerinde fan-out ve chasm trap hatalarını semantic layer grafiğiyle önler
  • LLM ve analitik agent'ları ham SQL yazmak yerine semantic layer API/MCP araçlarını çağırmaya yönlendirir
  • Pre-aggregation, önbellekleme ve satır bazlı erişim kontrolüyle (RLS) performans ve güvenliği yönetir

Konular

Neden Semantic Layer? BI Tutarsızlığı ve Text-to-SQL Halüsinasyonları
  • BI araçlarına gömülü metriklerin yarattığı tekrar ve çelişkiler
  • LLM'lerin ham veri ambarı şemalarında neden yanlış join ve filtre ürettiği
Semantik Modelleme: Entities, Dimensions, Measures ve Metrics
  • dbt Semantic Layer (MetricFlow) ve Cube ile semantik model yazımı
  • Ratio, derived, cumulative ve conversion metriklerinin tanımlanması
Zaman Boyutu, Çoklu Tablo Birleştirme ve Fan-Out Önleme
  • Metric time spine, farklı granülerlikte tarih kırılımları ve dönem karşılaştırmaları
  • Semantik join grafiğiyle chasm/fan trap hatalarının otomatik engellenmesi
Text-to-SQL ve AI Agent Entegrasyonu
  • Ham SQL üretimi yerine Text-to-Semantic-Query yaklaşımı ve MCP sunucusu entegrasyonu
  • Metrik açıklamaları, eş anlamlılar (synonyms) ve örnek sorularla agent doğruluğunu artırma
Performans, Önbellekleme ve Erişim Kontrolü
  • Pre-aggregations ve akıllı önbellekleme ile sorgu gecikmesini ve maliyetini düşürme
  • Tek noktadan satır ve kolon bazlı yetkilendirme (RBAC/RLS) ve tüketici izleme

Bu Kategorideki Diğer Eğitimler

  • Metadata for RAG ve Agents

    RAG ve agent sistemlerinde retrieval isabetini ve güvenliği artıran metadata mühendisliği: şema tasarımı, otomatik metadata çıkarımı, pre-filtering, zamansal geçerlilik ve ACL yetki filtreleme.

    Veri Bilimi ve AI-Ready Veri Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Web Scraping (Web Kazıma) Web Scraping (Web Kazıma)

    BeautifulSoup, Scrapy ve Playwright ile statik ve dinamik web kaynaklarından ölçeklenebilir veri toplama, anti-bot engellerini aşma, LLM destekli veri çıkarımı ve Pandas ile veri doğrulama süreçlerini kapsayan uygulamalı Web Scraping eğitimi.

    Veri Bilimi ve AI-Ready Veri Mühendisliği Kurumsal, Bireysel
    Canlı Kurs
    13 modül
    İncele
  • Data Science (Veri Bilimi) Data Science (Veri Bilimi)

    Python, Pandas, SQL ve Scikit-learn ile veri analizi ve makine öğreniminden PyTorch/TensorFlow ile derin öğrenme, LLM'ler, Apache Spark ve MLOps süreçlerine uzanan uçtan uca Data Science eğitimi.

    Veri Bilimi ve AI-Ready Veri Mühendisliği Kurumsal, Bireysel
    Canlı Kurs
    18 modül
    İncele
  • Veri Bilimi Giriş

    Veri bilimi yaşam döngüsü (CRISP-DM), keşifsel veri analizi, temel makine öğrenmesi kavramları ve model değerlendirme; veriyle karar almak isteyen analist ve iş ekipleri için uçtan uca ilk proje deneyimi.

    Veri Bilimi ve AI-Ready Veri Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Veri Bilimi İçin Python

    NumPy, pandas, Matplotlib/Seaborn ve scikit-learn ile veri okuma, temizleme, dönüştürme ve görselleştirme; Jupyter ortamında tekrar kullanılabilir analiz notebook'ları yazmak isteyen analist ve geliştiriciler için.

    Veri Bilimi ve AI-Ready Veri Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Veri Bilimi İçin İstatistik

    Betimsel istatistik, olasılık dağılımları, hipotez testleri, güven aralıkları, A/B testi ve regresyon; Python ile uygulamalı olarak veri bilimci ve analistlerin istatistiksel olarak doğru karar vermesi için.

    Veri Bilimi ve AI-Ready Veri Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele

Bizimle iletişime geçin