TechAge

Python Ecosystem ထဲမှာ အဓိကပါဝင်တဲ့ နည်းပညာတွေကတော့—

• Python
• pip
• Virtualenv / venv
• Anaconda
• NumPy
• Pandas
• Matplotlib / Seaborn
• Scikit-learn
• TensorFlow / PyTorch
• Flask
• Django
• FastAPI
မနည်းမနောပါပဲ။ အဓိကအကြောင်းအရာတွေကို အကျဉ်းချုပ်ရှင်းပြပါမယ်။

🔸 Python ဟာ ပင်မ Programming Language ဖြစ်ပါတယ်။ Syntax ရိုးရှင်းပြီး ဖတ်လို့လည်း လွယ်ကူတဲ့အတွက် Beginner တွေအတွက် အရမ်းသင့်တော်ပါတယ်။ Python တစ်ခုတည်းနဲ့လည်း Program တွေ ရေးနိုင်ပေမယ့် တကယ့် Software Development မှာတော့ မလုံလောက်ပါဘူး။
🔸 pip ဆိုတာကတော့ Python Package Manager ဖြစ်ပြီး ကိုယ့် Project မှာလိုအပ်တဲ့ Library တွေကို Download / Install လုပ်ဖို့ အသုံးပြုပါတယ်။
🔸 Virtualenv (သို့) venv ကတော့ Project တစ်ခုချင်းစီအတွက် Environment ခွဲထားဖို့ အသုံးပြုပါတယ်။ Project A နဲ့ Project B မှာ Library Version မတူရင် Conflict မဖြစ်အောင် ခွဲထားပေးပါတယ်။
🔸 Anaconda ကတော့ Data Science အတွက် အထူးသင့်တော်တဲ့ Distribution ဖြစ်ပါတယ်။ Python, Jupyter Notebook, NumPy, Pandas စတဲ့ Tools တွေကို တစ်ခါတည်း install လုပ်ပေးထားပါတယ်။
🔸 NumPy ကတော့ Numerical Computing အတွက် အရေးကြီးဆုံး Library တစ်ခုဖြစ်ပါတယ်။ Array တွေ၊ Matrix တွေကို မြန်မြန်ဆန်ဆန် တွက်ချက်နိုင်ပါတယ်။
🔸 Pandas ကတော့ Data Analysis အတွက် အလွန်အသုံးများတဲ့ Library ဖြစ်ပါတယ်။ Table (DataFrame) ပုံစံနဲ့ Data တွေကို စီမံခန့်ခွဲနိုင်ပြီး Filter, Group, Aggregate လုပ်နိုင်ပါတယ်။
🔸 Matplotlib နဲ့ Seaborn ကတော့ Data Visualization အတွက် အသုံးပြုပါတယ်။ Graph, Chart တွေ ဆွဲပြီး Data ကို မြင်သာအောင် ပြနိုင်ပါတယ်။
🔸 Scikit-learn ကတော့ Machine Learning အတွက် Library ဖြစ်ပြီး Classification, Regression, Clustering စတဲ့ Algorithm တွေကို လွယ်လွယ်ကူကူ အသုံးပြုနိုင်ပါတယ်။
🔸 TensorFlow နဲ့ PyTorch ကတော့ Deep Learning အတွက် Framework တွေဖြစ်ပါတယ်။ Neural Network Model တွေ တည်ဆောက်ပြီး AI Application တွေ ဖန်တီးနိုင်ပါတယ်။
🔸 Flask ကတော့ Lightweight Web Framework ဖြစ်ပြီး Simple Web App တွေ၊ API တွေ ဖန်တီးဖို့ အသုံးပြုပါတယ်။
🔸 Django ကတော့ Full-featured Web Framework ဖြစ်ပြီး Authentication, Admin Panel, Database ORM စတာတွေပါပြီးသားဖြစ်ပါတယ်။ Large-scale Web Application တွေအတွက် သင့်တော်ပါတယ်။
🔸 FastAPI ကတော့ Modern Web Framework ဖြစ်ပြီး API Development အတွက် အလွန်မြန်ဆန်ပြီး အသုံးပြုရလွယ်ကူပါတယ်။ Performance မြင့်တဲ့ Backend တွေ ဖန်တီးဖို့ သင့်တော်ပါတယ်။

အကျဉ်းချုပ်ပြောရမယ်ဆိုရင် Python Ecosystem ဟာ—
- Data Analysis
- Machine Learning / AI
- Web Development
- Automation
စတဲ့ နယ်ပယ်အများကြီးမှာ အသုံးပြုနိုင်တဲ့ Ecosystem တစ်ခုဖြစ်ပါတယ်။

ဒီနှစ် ၂၀၂၆ မှာ လပေါ် တက်၊ အင်္ဂါဂြိလ်ကို ခရီးသွား ဖို့ အစီအစဉ်ကို မလုပ် ဖြစ်တော့ဘူး။ သည့်ထက် ပိုကြာလိမ့်မယ်လို့ အီလွန် မာ့စ် က ပြောသတဲ့။ သူ့ရဲ့ ဖယ်ကွန် အာကာသယာဉ် ကြီးက ခရီး စဉ်တွေ အောင်မြင်တယ် ဆိုပေမယ့် လိုအပ်တဲ့ အချက် အလက်နဲ့ တီထွင်မှု တွေလုပ်နိုင်ဖို့ စမ်းသပ် ပျံသန်း နေဆဲ အဆင့်ပဲ ရှိသေးသတဲ့။ ဒီခရီးစဉ် အတွက် က တကယ့် အာကာသယာဉ် နှစ်စင်း ဆောက်ရမှာ။ တစ်စင်းက လဆီကို တကယ် ခရီးသွားမယ့် ယာဉ် ဖြစ်ပြီး နောက်တစ်စင်းက ဆီဖြည့် တဲ့ ယာဉ် ။ ဒီအဆင့် ကို တောင် မရောက်သေးဘူးတဲ့။

နောက် အရေးကြီးတဲ့ လုပ်ငန်း တစ်ခုရှိသေးတယ်။ အဲ့ဒါက တော့ စက်ရုပ်ပဲ။ တက်စလာ ကားကုမ္ပဏီက တိုယိုတာတို့ လို စက်ရုပ်တီထွင်နေတာဟာ အဲ့ဒိ စက်ရုပ်တွေကို လုပ်ရောင်းဖို့ မဟုတ်ဘူး။ သူတို့မှာ သည့်ထက် မြင့်တဲ့ ရည်မှန်းချက်ရှိတယ်။ လ ခရီးစဉ် နဲ့ အင်္ဂါဂြိုလ် ခရီးစဉ်တွေဟာ အရင်ဆုံး လူလိုက်အုံးမှာ မဟုတ်ဘဲ လူတူ စက်ရုပ်တွေနဲ့ လွှတ်မှာ ဖြစ်တဲ့ အတွက်ပါတဲ့။ ဒါ့ကြောင့် သူတို့ ရဲ့ Optimus စက်ရုပ်တွေ ကို လူ တစ်ယောက်လို လုပ်ရှားပြုမူနိုင်ရုံ မက အခု ခေတ်စားနေတဲ့ AI နည်းပညာ ထည့်သွင်းပြီး သူတို့ ဖာသာကြံစည် လုပ်ကိုင်နိုင်ဖို့ ကို ရည်ရွယ်ပါတယ်။ အဆုံးစွန် သူတို့ဖာသာသူတို့ အားပြန်သွင်း၊ အားပြည့်ရင် ခိုင်းထားတဲ့ အလုပ် ဆက်လုပ် နိုင်တာမျိုးပေါ့။ အခုအထိ တော့ စက်ရုပ်တွေ ဟာ အဝေး ကနေ ထိန်းကြောင်းတာ၊ ဒါမှ မဟုတ် ကြိုတင် ပရိုဂရမ် သွင်းထာ တာပဲ လုပ်နိုင်ကြတဲ့ အဆင့်ရှိနေပြီး သူတို့ဖာသာ အာရုံခံ - စဉ်းစား - တုန့် ပြန်နိုင်တဲ့ အစွမ်း အပြည့်အဝ မရှိကြေသေးဘူး။

ဒါ့ကြောင့် စက်ရုပ် တွေမှာ AI ဦးနှောက် (မော်ဒယ်) အငယ်စား တစ်ခု ထည့်ပြီး သူတို့ဖာသာ စဉ်းစာ လုပ်ကိုင် နိုင်တဲ့ အစွမ်း ရှိနိုင်ဖို့ လုပ်နေကြတယ်။ အထူးသဖြင့် ဒီ သုတေသနကို တက်စလာ ၊ ဘော့စတွန် ဒိုင်းနမစ်၊ Figure AI စတဲ့ သုတေသန အဖွဲ့ အစည်းတွေနဲ့ လုပ်ငန်းတွေက ကြိုးစား နေကြတယ်။ အဲ့ဒိ အထဲက Agility Robotic ဆိုရင် အချို့ စက်ရုံ တွေမှာ လုပ်သား အနေနဲ့ စပြီး သုံးနေကြပြီ။ Nvidia နဲ့ ပူးပေါင်း လုပ်ကိုင်နေတဲ့ အဲ့ဒိ Agility က စက်ရုပ် ရဲ့ အချိုး အဆစ် ပုံစံက လူနဲ့ မတူဘဲ သိပ္ပံ ရုပ်ရှင်တွေထဲက ဂြိုလ်သား တွေရဲ့ ပုံစံမျိုး နဲ့ သွားတူနေတယ်။ သူက ဝန်စည် တွေကို မနိုင်ဖို့ အတွက် ပါရည်ရွယ်ထားတာ ကြောင့်ပဲ။ စိတ်ဝင်စားရင် Agility Robotic ဆိုပြီး ရှာကြည့်နိုင်ပါတယ်။ သူတို့ က production အဆင့် ထွက်လာတဲ့ AI စက်ရုပ်တွေ။

အာကာသထဲ လွှတ်ဖို့ က စက်ရုပ်တွေဟာ စက်ရုပ်ပုံစံထက် လူပုံစံ လုပ်ရှားနိုင်ဖို့ လို ပြန်တယ်။ အကြောင်းက လူတွေ ကိုင်တွယ် သုံးစွဲမယ့် စက်ပစ္စည်းတွေကို လူသားတွေ အစား ကိုင်တွယ်၊ ခလုပ်နှိပ် တာမျိုးတွေကို လုပ် ကြရမှာ ဖြစ်လို့ ပဲ။ ဒါ့ကြောင့် တက်စလာက အရက်ဘားမှာ အရက်စပ်ပြီး ဝန်ဆောင်မှု ပေးတာမျိုး သရုပ်ပြတာဟာ တကယ်က အာကာသနဲ့ လပေါ်က ဓါတ်ခွဲခန်းတွေမှာ ဖန်ခွက်တွေ ဖန်ပြွန်တွေ၊ စက်ပစ္စည်း တွေနဲ့ ကွန်ပြူတာ ခလုပ်တွေကို ကိုင်တွယ် အသုံးပြုနိုင်ဖို့ ရည်ရွယ် စမ်းသပ် နေတာ ဖြစ်ပါ သတဲ့။

ဒီလို လှုပ်ရှားမှု တွေ နဲ့ AI ဦးနှောက် အပြင် နောက် ထပ် လိုအပ်တာက အာရုံခံ စက် (sensor) တွေပဲ။ အမြင် အားဖြင့်လည်း ခွဲခြားနိုင်ရမယ်။ LiDAR လို ပတ်ဝန်းကျင်ကို အာရုံခံ တိုင်းတာနိုင်တာ၊ အသံကို နားထောင် နိုင်တာ၊ ပတ်ဝန်းကျင်ရဲ့ အပူချိန်၊ စိုထိုင်းဆ၊ လေထုထဲမှာ ပါတဲ့ ဓါတ်ငွေ့ တွေ၊ စတဲ့ အာရုံခံ စက်ပစ္စည်းတွေကို တပ်ဆင်ပေး ရအုံးမယ်။ အဲ့ဒိ မှာ သုတေသန တစ်ခုက လူတွေလို ခန္ဓာ ကိုယ် ပေါ် ထိတွေ မှု့ ဆိုတဲ့ ဖောဋ္ဌဗ္ဗာရုံကိုရော ဘယ်လို အာရုံခံ မလဲ ဆိုတာပါပဲ။

အထိ အတွေ့ နဲ့ ဖိအား စတာတွေကို အာရုံခံနိုင် ဖို့ အတွက် အရေပြား အတုလုပ်ဖို့ စဉ်းစားကြတဲ့ အခါ tactile sensing arrays ဆိုတဲ့ နည်းလမ်းကို စမ်သပ်ကြပါသတဲ့။ နားလည်လွယ်အောင် ပြောရရင် ကျွန်တော်တို့ အခုသုံးနေတဲ့ ဖုန်း စကရင်တွေဟာ အရေပြားအတု တစ်မျိုးပါပဲ။ လက်နဲ့ ထိတွေ့ ပြီးသုံး ရတာမျိုုးဖြစ်တယ်။ ပန်းသီးဖုန်းတွေဆိုရင် ဖိအားကိုတောင် အာရုံခံနိုင်တယ်။ ဒါက အီလက်ထြွန်းနစ် နည်းနဲ့ လူက စကရင်ရဲ့ ဘယ်နားကို လာထိ သလဲ၊ လာဖိသလဲ ဆိုတာကို အာရုံခံတာပဲ။ ဆိုတော့ အဲ့ဒိ လို အာရုံခံနိုင်တဲ့ အလွှာမျိုးကို စက်ရုပ်ရဲ့ သတ္တု ခန္ဓာကိုယ် တစ်ခုလုံးကို အုပ် ပေးလိုက်မယ် ဆိုရင် ဖောဋ္ဌဗ္ဗာရုံ အာရုံ ခံနိုင်ပြီပေါ့။ AI နဲ့ သက်ဆိုင်ရာ AI ဦးနှောက် နဲ့ ချိတ်ဆက်ပြီး လိုအပ်သလို တုန့်ပြန် နိုင်ပါလိမ့်မယ်။ ဒီအဆင့် ရောက်ဖို့ အတွက် အချို့ နည်းပညာပိုင်း လိုအပ်ချက်တွေ၊ အခက်အခဲ လေးတွေ ရှိနေတုန်းပဲတဲ့။ ဘယ်လို နည်းပညာသုံးမလဲ၊ ဘယ်လိုပစ္စည်းသုံးမလဲ၊ ဘယ်လောက် အထိ ကွန်ပြူတာ စွမ်အားကို သုံးမလဲ စသည်ဖြင့် ပေါ့။ ဒါပေမယ့် မကြာခင် ကျော်လွှားနိုင်ကြမယ်လို့ ယုံကြည်ရပါသတဲ့။

အဲ့ဒိလို အထိအတွ့ အာရုံခံနိုင်တဲ့ အေအိုင် နည်းပညာပိုင်းကို MIT Media Lab, Harvard Wyss, Stanford University, University of Bristol အပြင် ဆွစ်ဇာလန်က ETH Zurich , ဂျပန်က တိုကျို တက္ကသိုလ် နဲ့ ကိုရီးယား နည်းပညာ တက္ကသိုလ် တွေမှာ အပြိုင် သုတေသန လုပ်နေကြပါသတဲ့။ ပီကင်း တက္ကသိုလ် တော့ မပါဘူး.. 😀 ။

တရုတ်က ဘာလုပ်နေသလဲ ဆိုတော့ သူက တီထွင်မှာ မဟုတ်ဘူး။ ဒီဇိုင်းထွက်လာရင် သူ့ဆီလာပြီး လုပ်ကြရမှာ။ ဒါကို သိတယ်။ ဒီတော့ တရုတ်အစိုးရ က development အစား deployment လုပ်နိုင်ဖို့ ဘီလျံနဲ့ ချီပြီး ရင်းနှီးမြှုတ်နှံ ပြ့င်ဆင်နေသတဲ့။ ဆိုလိုတာက သူ့ ရဲ့ စက်ရုံတွေမှာ AI စက်ရုပ်တွေ နဲ့ အပြည့်အဝ အစားထိုးမှာပေါ့။ အဲ့ဒိ မှာ ခန့် မှန်းမရနိုင်တဲ့ အကျိုးဆက်တွေ ရှိလာပြီ။

စက်ရုပ်တွေနဲ့ ထုတ်လုပ်ရေးတွေမှာ အစားထိုးလာနိုင်ပြီ ဆိုရင် အထူးသဖြင့် ပထမနိုင်ငံ တွေ မှာ လုပ်သား စားရိတ် အများကြီး သက်သာသွား နိုင်စရာ ရှိတယ်။ ဒိ့ အတွက် လုပ်သားအင်အား လိုအပ်ချက်ကြောင့် တရုတ်ကို ပို့ ပြီး ထုတ်လုပ်ရေး လုပ်နေရတဲ့ လုပ်ငန်းတွေ ဟာ မူရင်း ပထမ နိုင်ငံ တွေ ဆီကို ပြန်လာနိုင် စရာ ရှိနေတယ်။ နိုင်ငံရပ်ခြားက လုပ်သားတွေကို ခေါ်သွင်း ဖို့ သိပ်မလိုအပ်တော့ဘူး။ လူဝင်မှု ပေါ်လာစီ တွေ အပေါ် သက်ရောက်လာမယ်။ တစ်ဘက်မှာ လည်း တရုတ်က စက်ရုပ်တွေကို ဈေးပေါပေါ နဲ့ ထုတ်လုပ်ပြီး သူ့ စက်ရုံတွေမှာ သုံးမှာပဲ။ ပြဿနာ ဖြစ်လာမှာက အခုလက်ရှိ ရှိနေတဲ့ ဘီလျံနဲ့ ချီနေတဲ့ ဈေးချိုတဲ့ တရုတ်ပြည်သား လုပ်သားတွေရဲ့ အနာဂါတ်။ AI ရဲ့ သက်ရောက်မှုက ကော်လာဖြူတွေ တင်မကဘူး၊ ကော်လာပြာ တွေပေါ် ပါ သက်ရောက်လာနိုင်တယ်။ ကမ္ဘာ့စီးပွာရေး ဟာ ပုံစံ တစ်ခု ပြောင်းလာနိုင်စရာ ရှိပါသတဲ့။ စောင့်ကြည့်ကြစို့ ရဲ့ ...

#စကားမစပ်

🌕Database Journey: Day 37 - SQL Data Types

Database တစ်ခု ဆောက်တဲ့အခါ Column တစ်ခုချင်းစီမှာ သိမ်းမယ့် ဒေတာဟာ ဘာအမျိုးအစားလဲဆိုတာကို ကြိုတင်သတ်မှတ်ပေးရပါတယ်။

အဓိကအားဖြင့် (၄) မျိုး ခွဲခြားနိုင်ပါတယ် -

၁။ Character
⏩CHAR(n): length အတိအကျရှိတဲ့ စာသားတွေအတွက် သုံးပါတယ်။ (ဥပမာ- Gender အတွက် 'M'/'F'၊ နိုင်ငံကုဒ် 'MM'/'US')။ သတ်မှတ်ထားတဲ့ length မပြည့်ရင် Space တွေနဲ့ ဖြည့်ပေးပါတယ်။
⏩VARCHAR(n) / VARCHAR2(n): length အမျိုးမျိုးရှိနိုင်တဲ့ စာသားတွေအတွက် သုံးပါတယ်။ (ဥပမာ- Name, Address)။ ဒေတာအစစ်အမှန်ရှိသလောက်ပဲ Storage ယူတဲ့အတွက် ပိုပြီး Efficient ဖြစ်ပါတယ်။

၂။ Numeric
⏩INT / INTEGER: ကိန်းပြည့်တွေအတွက် သုံးပါတယ်။ (ဥပမာ- Age, Quantity)။
⏩DECIMAL / NUMERIC / FLOAT: ဒဿမကိန်းတွေအတွက် သုံးပါတယ်။ (ဥပမာ- Price, Percentage)။ Precision နဲ့ Scale (ဒဿမနောက်က ဂဏန်းအရေအတွက်) ကို သတ်မှတ်ပေးရလေ့ရှိပါတယ်။

၃။ Date and Time
⏩DATE: နေ့၊ လ၊ ခုနှစ် သိမ်းဖို့ သုံးပါတယ်။ (အချို့ DB တွေမှာ အချိန်ပါ ပါတတ်ပါတယ်)။
⏩TIMESTAMP: စက္ကန့်ပိုင်းအထိ အသေးစိတ်ကျတဲ့ အချိန်တွေ သိမ်းဖို့ သုံးပါတယ်။ (ဥပမာ- Transaction မှတ်တမ်းများ)။

၄။ Large Objects
⏩CLOB (Character Large Object): စာသားအရှည်ကြီးတွေ (ဥပမာ- Article တစ်ခုလုံး) သိမ်းဖို့ သုံးပါတယ်။
⏩BLOB (Binary Large Object): Images၊ Videos ဒါမှမဟုတ် PDF ဖိုင်တွေကို Binary အနေနဲ့ သိမ်းဖို့ သုံးပါတယ်။

🌕 Database Journey: Day 36 - From Diagram to Tables (The Transformation)

Logical Model (ERD) ကနေ Physical Model (Schema) ကို ပြောင်းတဲ့အခါ အဓိက အဆင့် (၄) ဆင့် ရှိပါတယ်။

၁။ Entity မှ Table သို့ (Entities to Tables)
ERD ထဲက Box တစ်ခုချင်းစီဟာ Database ထဲမှာ Table တစ်ခုစီ ဖြစ်လာပါတယ်။
Logical: EMPLOYEE Entity
Physical: employees Table

၂။ Attribute မှ Column သို့ (Attributes to Columns)
Entity ထဲမှာ ရေးခဲ့တဲ့ အချက်အလက်တွေဟာ Table ထဲက Column တွေ ဖြစ်လာပါတယ်။ ဒီအဆင့်မှာ အရေးကြီးဆုံးက Data Types (ဥပမာ - စာသားလား၊ ဂဏန်းလား၊ ရက်စွဲလား) ကို တိတိကျကျ သတ်မှတ်ပေးရတာပါ။
Name -> VARCHAR(100)
Age -> INT
Join_Date -> DATE

၃။ UID မှ Primary Key သို့ (UID to Primary Key)
ERD မှာ # (Barker) ဒါမှမဟုတ် PK လို့ မှတ်သားခဲ့တဲ့ Unique Identifier ဟာ Table ရဲ့ Primary Key (PK) ဖြစ်လာပါတယ်။
သူ့ရဲ့ တန်ဖိုးဟာ ဘယ်တော့မှ NULL (ဗလာ) မဖြစ်ရသလို၊ တစ်ခုနဲ့တစ်ခုလည်း မထပ်ရပါဘူး။

၄။ Relationship မှ Foreign Key သို့ (Relationships to Foreign Keys)
ဒါက အရေးကြီးဆုံး အပိုင်းပါ။ Table နှစ်ခု ချိတ်ဆက်ဖို့အတွက် One-to-Many (1:M) ဆက်ဆံရေးမှာ "1" ဘက်က Primary Key ကို "Many" ဘက်က Table ထဲမှာ Foreign Key (FK) အဖြစ် ထည့်ပေးရပါတယ်။
ဥပမာ: ဌာန (department) နဲ့ ဝန်ထမ်း (employee) ချိတ်ရင် department_id ကို employee Table ထဲမှာ Foreign Key အဖြစ် ထည့်ရပါမယ်။

🌕 Database Journey: Day 35 - Normalization Workshop (1NF to 3NF)

ကျွန်တော်တို့မှာ "Sales Invoice" (အရောင်းပြေစာ) ဒေတာတွေ ရှိတယ်ဆိုပါစို့။
❌ အစောပိုင်း အခြေအနေ ဖြစ်တဲ့ Unnormalized Form ကို အရင်ကြည့်ပါ။
ပြေစာတစ်ခုထဲမှာ ဝယ်သူအကြောင်း၊ ပစ္စည်းအကြောင်းနဲ့ ဈေးနှုန်းတွေ အကုန်ရောနေပါတယ်။ attached ပါတဲ့ table ကို ကြည့်ပါ။

🛠 အဆင့် (၁): 1NF (Atomic Values) ပြောင်းလဲခြင်း
Items Column ထဲမှာ Data တွေ စုပြုံနေတာကို ရှင်းထုတ်ပြီး Row အသစ်တွေ ခွဲလိုက်ပါတယ်။ attached ပါတဲ့ table ကို ကြည့်ပါ။ Item တွေကို သပ်သပ်ခွဲထုတ်ပြီး comma ခံမရေးပဲ column တွေ ခွဲချလိုက်တဲ့သဘောပါပဲ။ တစ်ကွက်မှာ Data တစ်ခုပဲ ရှိတော့တယ်။

🛠 အဆင့် (၂): 2NF (Partial Dependency) ရှင်းထုတ်ခြင်း
ဒီမှာ Primary Key က Inv_No နဲ့ Item_ID နှစ်ခုပေါင်းထားတာပါ။ ဒါပေမဲ့ Cust_Name, Date တို့ဟာ Inv_No တစ်ခုတည်းပေါ်မှာပဲ မှီခိုနေပါတယ်။ ဒါကြောင့် Table ခွဲလိုက်ပါမယ်။
Table: INVOICE (Inv_No ပေါ်မှာပဲ မှီခိုတဲ့ attributes တွေကတော့ Inv_No (PK) ရယ် Date ရယ် Cust_Name ရယ် Cust_Phone ရယ် တို့ ဖြစ်ပါတယ်။
Table: INVOICE_ITEMS (Inv_No + Item_ID ပေါ်မှာ မှီခိုသူတွေကတော့ Inv_No (PK) ရယ် Item_ID (PK) ရယ် Item_Desc ရယ် Qty ရယ် Price ရယ် တို့ ဖြစ်ပါတယ်။ ဒီလိုခွဲလိုက်တဲ့အတွက် Partial Dependency တွေ မရှိတော့ဘူးပေါ့။

🛠 အဆင့် (၃): 3NF (Transitive Dependency) ရှင်းထုတ်ခြင်း
INVOICE Table ကို ပြန်ကြည့်ပါ။ Cust_Phone ဟာ Cust_Name ပေါ်မှာ မှီခိုနေပါတယ်။ ဒါဟာ Key မဟုတ်တဲ့ Column အချင်းချင်း မှီခိုနေတာ (Transitive) ဖြစ်လို့ ထပ်ခွဲပါမယ်။
Table: CUSTOMER မှာ Cust_ID (PK), Cust_Name, Cust_Phone တို့ကို ထားလိုက်ပါမယ်။
INVOICE table မှာတော့ Customer ID ကို Foreign Key အဖြစ်သုံးပါမယ်။
Inv_No (PK), Date, Cust_ID (FK) တို့ ဖြစ်ပါတယ်။

🌷 နောက်ဆုံးမှာတော့ ကျွန်တော်တို့ဆီမှာ Tables (၃) ခု ထွက်လာပါပြီ -
🔺 CUSTOMER: ဝယ်သူအချက်အလက်။
🔺 INVOICE: ဘယ်နေ့က ဘယ်ဝယ်သူ ဝယ်သွားလဲဆိုတဲ့ မှတ်တမ်း။
🔺 INVOICE_ITEMS: ပြေစာတစ်ခုချင်းစီမှာ ဘာပစ္စည်းတွေ ပါသလဲဆိုတဲ့ အသေးစိတ်။

ဒီလောက်ဆိုရင်တော့ normalization ကို တီးမိခေါက်မိ ရှိလောက်ပြီလို့ ယူဆပါတယ်။
နောက်တဖြတ်ကို နောက်နေ့မှ ဆက်ပါမယ်။