هل أعجبتك المعاينة؟
هذا هو الدرس الأول المجاني. احصل على وصول كامل — اطلب عرضًا تجريبيًا أو سجّل الدخول.
هل أعجبتك المعاينة؟
هذا هو الدرس الأول المجاني. احصل على وصول كامل — اطلب عرضًا تجريبيًا أو سجّل الدخول.
في هذه الدروس، ستتعلم تقنيات التقسيم والتجزئة، وهي استراتيجيات أساسية لتوسيع نطاق قواعد البيانات. سيساعدك هذا على توزيع البيانات عبر قواعد بيانات أو خوادم متعددة مع الحفاظ على الوصول إلى البيانات وإدارتها بشكل سلس. ستبدأ أيضاً في فهم أهمية الأبعاد المتغيرة ببطء (SCDs) في الحفاظ على دقة البيانات السابقة. توجد تقنيات مختلفة لتتبع التغييرات بشكل فعال مع مرور الوقت والاحتفاظ بسجل تاريخي لتحليل الجدول الزمني. ستتعرف أيضاً على التطبيق النادر، ولكن الاستراتيجي للغاية، أي تقنية إلغاء التوحيد Denormalization لتحسين أداء الاستعلام. سيساعدنا اكتساب الخبرة في هذه المهام على تحديد السيناريوهات المحددة التي يمكن فيها لعملية Denormalization تبسيط عملية استرجاع البيانات وتحسين الأداء العام لقاعدة البيانات.
في هذه الدروس، ستبدأ في فهم تعقيدات التقسيم والتجزئة لإدارة البيانات القابلة للتطوير. تعلم كيفية استخدام كل نوع من الأبعاد المتغيرة ببطء (SCD) للحفاظ على البيانات بدقة. سنحدد أيضاً حالات الاستخدام المحددة حيث يمكن لعملية Denormalizationتحسين أداء الاستعلام وتبسيط عملية استرجاع البيانات. ستمكنك هذه المهارات من تنفيذ استراتيجيات التعامل مع مجموعات البيانات الكبيرة.
تغطي الدورة التقسيم والتجزئة لإدارة البيانات القابلة للتطوير، والأبعاد بطيئة التغير (SCDs) للحفاظ على دقة البيانات التاريخية، وحالات استخدام إلغاء التطبيع لتحسين أداء الاستعلام.
ستكتسب مهارات في تجزئة البيانات، وتقسيم البيانات، وإلغاء التطبيع.
ستتعلم أهمية الأبعاد بطيئة التغير (SCDs) في الحفاظ على دقة البيانات التاريخية، إلى جانب تقنيات متنوعة لتتبع التغييرات بمرور الوقت والاحتفاظ بسجل تاريخي لتحليل الجدول الزمني، وكيفية استخدام كل نوع من أنواع SCD.
توضح الدورة أن إلغاء التطبيع تطبيق نادر ولكنه استراتيجي للغاية، وتساعدك في تحديد السيناريوهات وحالات الاستخدام المحددة التي يمكن أن يؤدي فيها إلغاء التطبيع إلى تبسيط استرداد البيانات وتحسين أداء قاعدة البيانات العام.
هذه دورة SQL متقدمة في تصميم قواعد البيانات المتقدم، وتركز على تقنيات توسيع نطاق قواعد البيانات والتعامل مع مجموعات البيانات الكبيرة من خلال التقسيم والتجزئة والأبعاد بطيئة التغير (SCDs) وإلغاء التطبيع.