Conceito
PostgreSQL/Postgres
Banco de dados relacional de código aberto, com transações confiáveis e um ecossistema grande de extensões, como pgvector para busca semântica e pg_cron para tarefas agendadas.
O portal ensina PostgreSQL/Postgres em 8 capítulos de 5 cursos gratuitos.
Definição do Glossário DEV Full-Stack (ver o verbete).
Onde estudar
Capítulos que usam o termo
O termo aparece escrito no texto da aula.
- Segundo cérebro com IAAchar a lembrança certa entre milhares de conversas
- Segundo cérebro com IAComo retomar o trabalho do agente de onde ele parou
- Frontends com VibecodingConstruir um aplicativo instalável e resiliente
- Frontends com VibecodingDimensionar tabelas e organizar o cálculo das métricas
- Skills de IA com Vibecoding e TerminalModel Context Protocol: o USB-C da IA
Capítulos que tratam do tema
A aula trata do assunto mesmo sem escrever o nome do termo.
Em quais cursos aparece
Capítulos que definem, usam ou tratam do termo e mídias que o citam, contados por curso.
- Frontends com Vibecoding2 capítulos
- Segundo cérebro com IA2 capítulos
- Software e IA para executivos2 capítulos
- Engenharia de Software para Executivos1 capítulo
- Skills de IA com Vibecoding e Terminal1 capítulo
Termos próximos
Termos com sentido parecido com PostgreSQL/Postgres, pela comparação dos embeddings (a representação numérica do sentido de cada termo) calculados no build. É uma aproximação por sentido, não uma afirmação do autor.
Como esta página foi montada
As ligações saem do texto das aulas, recalculado a cada publicação do site. Os critérios de cada tipo de ligação:
- O capítulo do glossário em que o termo é definido.
- O termo aparece escrito no capítulo ao menos duas vezes; os 10 de maior TF-IDF por capítulo.
- O capítulo trata do tema sem escrever o termo: cosseno de ao menos 0.58 entre os embeddings (text-embedding-3-small, 512 dimensões), no máximo 3 por capítulo.
- O termo aparece ao menos duas vezes na transcrição da mídia; os 8 de maior TF-IDF por mídia, com a raridade medida nos capítulos.
- Os dois termos aparecem juntos em ao menos 3 capítulos, com coocorrência normalizada (NPMI) acima de 0,1.
- Capítulos de cursos diferentes com cosseno de ao menos 0.5 entre os embeddings (os 5 mais próximos) e cursos com cosseno de ao menos 0.45 entre as médias. Conceitos com vizinhança mútua: cada um está entre os 4 mais próximos do outro, com cosseno de ao menos 0,6 entre os embeddings já gravados no build; o conceito que ficaria sem vizinho conceito liga ao mais próximo com cosseno de ao menos 0,55 que não divide capítulo com ele. Sem nova chamada à API.