Kurs 50578A: SQL Server Analitik Hizmetleri (OLAP) için MDX Sorgu Dili - kurs 35.990 RUB. Uzmandan, eğitim 24 akademik saat, tarih 21 Mayıs 2023.
Miscellanea / / December 05, 2023
SQL Server platformunun bir kısmı çok boyutlu OLAP veritabanı sunucusudur. Çok boyutlu veritabanları çok büyük hacimli verileri analiz etmek için kullanılır. OLAP teknolojisi, büyük miktarda veriyi çok hızlı ve gerçek zamanlı olarak işlemenize olanak tanır. OLAP'ın yaygın kullanımının nedeni veri analizinin hızıdır.
Sizi çok boyutlu veritabanlarının profesyonel kullanımında uzmanlaşmaya davet ediyoruz! Çok boyutlu veritabanlarının sağladığı tüm olanaklara hakim olacaksınız. En önemli şey, bu tür veritabanlarıyla aracılar veya ara yazılımlar olmadan doğrudan çalışmayı öğrenmenizdir.
Çok boyutlu OLAP veritabanlarıyla doğrudan çalışmak için Microsoft, MDX (Çok Boyutlu eXpressions) dilini geliştirmiştir. Bu dil başka hiçbir şeye benzemez. Çok boyutlu veritabanları için özel olarak tasarlanmıştır. Ne SQL sorgu dili bilgisi ne de herhangi bir programlama diline aşinalık MDX uzmanlığınızın yerini alamaz.
MDX sorgu dilinin tüm yeteneklerini keşfedecek ve MDX araçlarını kullanma konusunda kendinize güveneceksiniz. MDX dilinde sorgu yazmak, çok boyutlu veritabanlarından veri çıkarmak, OLAP küplerine dayalı raporlar oluşturmak - tüm bunlar kursu tamamladıktan sonra kullanımınıza sunulacak!
Herhangi bir miktardaki verinin gerçek zamanlı olarak işlenmesi ve analizinde ustalaşın - Uzman Merkezinde eğitim alın!
Kurs, sorumlulukları bir SQL sunucusunu yönetmek olan kişilerin yanı sıra analistler, geliştiriciler, raporlama sistemi uzmanları, 1C programcıları vb. kişilere yöneliktir.
Öğreneceksiniz:
- Çok boyutlu veritabanlarından veri çıkarma
- Sorguları MDX dilinde yazın
- OLAP küplerine dayalı raporlar oluşturun
Özel amaçlı öğretmen, prestijli uluslararası statü sahibi Microsoft Sertifikalı Usta. Moskova Devlet Teknik Üniversitesi mezunu N.E. Bauman.
Fedor Anatolyevich derslerinde ilkeyi ön plana koyuyor "Köküne bak!" - sadece mekanizmanın işleyişini incelemek değil, aynı zamanda neden bu şekilde çalıştığını, başka türlü olmadığını anlamak da önemlidir.
Yazılım tasarımı ve geliştirme alanında uzman. Geliştirme ekibi lideri ve baş mimar olarak uzun yıllara dayanan deneyime sahiptir. Kurumsal uygulama entegrasyonu, web portalı mimarisi geliştirme, veri analiz sistemleri, dağıtım ve destek konularında uzmanlaşmıştır Windows altyapısı.
Mühendislik ve doğa bilimleri sunum stillerinin birleşimi, öğrencilerin öğretmenin tutkusunu ve yaratıcı yaklaşımını aktarmalarına olanak tanır. Fedor Anatolyevich, minnettar mezunlarından her zaman en coşkulu değerlendirmeleri alır.
Modül 1. İş zekası teknolojileri ailesi. Microsoft'un veri analizi teknolojilerine genel bakış. İş analitiği sistemlerindeki verilerin yaşam döngüsü (2 ac. H.)
- Veri analizi teknolojileri (BI, OLAP, DWH, ETL) neden faydalı olabilir?
- İş zekası sistemi uygularken dikkat etmeniz gerekenler
- Kapsam ve araçlar
- Laboratuvar çalışması Entegrasyon hizmetleri paketi örneğini kullanarak ETL sürecinin incelenmesi
- Entegrasyon hizmetleri paketi örneğini kullanarak ETL sürecinin incelenmesi
Modül 2. MDX çok boyutlu sorgulama diline giriş. En basitinden başlıyoruz, çok boyutlu modele alışıyoruz (2 ac. H.)
- Çok boyutlu bir model ile tablolu bir model arasındaki farklar
- Veri ambarları ve veri pazarları
- MDX diline giriş
- MDX düzenleyici
- Laboratuvar Sorgu Düzenleyicisine Giriş (Management Studio) Business Intelligent Development Studio Düzenleyicisine Giriş SQL Profiler Tracer MDX Temellerine Giriş
- Sorgu Düzenleyiciye Giriş (Management Studio)
- Business Intelligent Development Studio düzenleyicisine giriş
- SQL Profiler izleyicisine giriş
- MDX Temelleri
Modül 3. Boyutlar çok boyutlu bir modelin iskeletidir. Çok boyutlu bir veri modelinin boyutları, demetleri, hücreleri ve diğer öğeleri (3 ac. H.)
- Boyutlar
- Boyutsal nitelikler
- Hiyerarşiler
- Boyut Üyeleri
- Tuple'lar
- Hücreler
- Setler
- Atamalar
- Fonksiyonlar
- Laboratuvar Boyutu Özellikleri Boyut Nitelikler Tek boyuttaki hiyerarşiler Birden fazla boyuttaki hiyerarşiler Hiyerarşinin kök düzeyi Fonksiyon Üyeleri Referansı -- üyeler Sözdizimi hataları Kısmi demet referansları Çok eksenli ekran Çapraz birleştirme Otomatik var olan mod Mevcut mekanizma Yinelenen demetleri ortadan kaldırın
- Boyut özellikleri
- Boyut nitelikleri
- Tek boyutta hiyerarşiler
- Çoklu boyutlarda hiyerarşiler
- Hiyerarşinin kök düzeyi
- Üyelerin işlevi
- Referans üyeleri
- Sözdizimi hataları
- Kısmi tuple'lara bağlantılar
- Birden fazla eksende görüntüleme
- Çapraz birleştirme
- Otomatik var olma modu
- Mekanizma Mevcuttur
- Yinelenen kayıtların ortadan kaldırılması
Modül 4. Çok boyutlu bir modelde gezinme. Gezinme, filtreleme, sıralama işlevleri ve bunların kombinasyonu (3 ac. H.)
- Raporlarda gezinme
- Göreceli konumlar
- Navigasyon özellikleri
- Sıralama yönetimi
- Sonuçları filtreleme
- Setlerin kombinasyonu
- Üyeler İşlevini Kullanarak Laboratuvarda Gezinme Hiyerarşisi Göreli Konumlandırma Hiyerarşik İşlevler
- Hiyerarşi navigasyonu
- Göreli konumlandırma
- Üyeler işlevini kullanma
- Hiyerarşik işlevler
Modül 5. Çok boyutlu hesaplamalar. Hesaplamalar için ifadelerin, istatistiksel fonksiyonların ve diğer mekanizmaların kullanılması (3 ac. H.)
- İfade
- Hesaplanan üyeler
- Sonucun biçimlendirilmesi (ILE)
- Dinamik ifadeler
- IIF işlevi
- İstatistiksel işlevler
- Tuple'ları parametrelerle karşılaştırma
- Laboratuvar With kuralının kullanımlarını keşfetme Hesaplanan üyeler oluşturma Yüzdeleri hesaplama Biçimlendirme
- İLE kuralını kullanma seçeneklerini keşfedin
- Hesaplanmış üyeler oluşturma
- Yüzdelerin hesaplanması
- Biçimlendirme
Modül 6. Zaman ölçümleri, çoklu takvimler ve farklı ufuklarla çalışmak. Zaman ölçümü, zaman hesaplamaları, zaman ekseninde gezinme, hesaplanan zaman terimleri ve toplamlarla çalışma (3 ac. H.)
- Zaman ölçümü
- Çoklu takvimler
- Zaman fonksiyonları
- Paralel dönemler
- Açılış dönemleri
- Kapanış dönemleri
- Son dönemler
- Yılbaşından Bugüne Mekanizması
- Zaman ekseninin üstünde hesaplanan önlemler
- Dönemlerin karşılaştırılması
- Toplama işlevi
- Toplama fonksiyonları
- Zaman ekseninde Max ve Min fonksiyonları
- Laboratuvar ParalelDönem Açılış Dönemi Kapanış Dönemi SonDönem Yılbaşından Bugüne Zaman eksenine göre hesaplanan ölçümler Karşılaştırma dönemler Fonksiyon Toplamı Toplama Fonksiyonu Maksimum Fonksiyon Min - - - Paralel periyotlarla Çapraz Birleştirmenin Kullanılması
- Paralel Dönem
-Açılış Dönemi
-Kapanış Dönemi
-Son dönem
-Sene başından beri
- Zaman ekseninin üstünde hesaplanan önlemler
- Dönemlerin karşılaştırılması
- Toplama işlevi
- Toplama
- Maksimum işlev
- Minimum fonksiyon
- Crossjoin'in paralel dönemlerle birlikte kullanılması
Modül 7. MDX'in pratik uygulaması. Pratik sorunları çözmek için çalışılan teknolojileri birleştirmek (3 ac. H.)
- VEYA mantığı
- VE mantık
- VEYA ve VE'nin farklı hiyerarşilerde birleşimi
- AND ve OR kullanımı için karmaşık senaryolar
- NonEmpty işlevini kullanma
- Ortalama değerler
- Son tarihle çalışma
- Birden fazla tarih içeren paralel dönemler
- Mevcut bağlamın kontrol edilmesi
- Torunları işlev seçenekleri
- Sıralama değerleri
- Laboratuvar işi
Modül 8. MDX'in diğer kullanımları: raporlar. SQL Server Raporlama Servisleri ve PerformancePoint uygulamalarında raporlar oluşturmak için MDX sorgularını kullanma (3 ac. H.)
- SQL Server Raporlama Servislerinde (SSRS) rapor oluşturma
- Bir küpe bağlantı oluşturma
- MDX tasarımcısında çok boyutlu sorgularla çalışma
- Standart dışı sorguların oluşturulması
- Parametrelerin aktarımı
- PerformancePoint Panelleri
- Laboratuvar çalışması SSRS'de rapor Bir küpe bağlanma Tasarımcıda MDX sorgusu oluşturma Standart olmayan bir sorgu oluşturma Parametreleri geçirme
- SSRS'ye rapor verin
- Küp ile bağlantı
- Yapıcıda bir MDX sorgusu oluşturma
- Özel bir istek oluşturma
- Parametrelerin aktarımı
Modül 9. Business Intelligence Development Studio'daki performans göstergeleri (KPI'ler) ve çok boyutlu sorgular. TEKLİFLERDE MDX'in hesaplamaları, göstergeleri ve diğer uygulamaları (2 ac. H.)
- TEKLİFLER'de adlandırılmış hesaplamalar oluşturun
- TEKLİFLERDE performans göstergelerinin oluşturulması
- Laboratuvar çalışması Adlandırılmış ifade oluşturma Sayfa göstergesi oluşturma Hedef gösterge oluşturma KPI'da IIF mekanizmasını kullanma
- Adlandırılmış bir ifade oluşturun
- Sayfa göstergesi oluşturma
- Hedef göstergesi oluşturma
- KPI'da IIF mekanizmasının kullanılması