我学数据库(4)--数据模型之概念模型 了解完数据模型的共性之后,再深层次的了解一下概念模型,下次随笔再学习逻辑模型,物理模型不再细究,因为这涉及到DBMS实现的问题,太深奥了,就我个人的情况能力还不够。 在前面说了,概念模型是对现实世界的建模,是面
我学数据库(4)--数据模型之概念模型
了解完数据模型的共性之后,再深层次的了解一下概念模型,下次随笔再学习逻辑模型,物理模型不再细究,因为这涉及到DBMS实现的问题,太深奥了,就我个人的情况能力还不够。
在前面说了,概念模型是对现实世界的建模,是面向用户的,所以既要能较全面的表达应用中的各种语义,也要易于用户理解。概念模型也叫信息模型,是现实世界到信息世界的第一层抽象,需要一些基本概念做支持,所以先来了解一下这些概念。在学这些概念之前看过一些关于数据库的文章,才知道这些概念对我以后数据库学习非常重要,所以要好好的研究研究这些概念,在这里也分享一下我的学习结果。
实体,客观存在的,不以主观意志转移的东西,可以相互区别。比如说人啊事啊物啊,也可以是抽象出来的概念或这数据的联系。一个职工、一个学生、一个部门、一门课程都是实体。
属性,实体的特征,比如一个人,姓名、性别等都是属性。在数据库中一个实体就是靠属性来表述的。
码,唯一标识实体的属性集成为码,这个其实很好理解,比如一个人如果按身份证号来识别的话,那身份证号就是码;姓名有时候就不行,因为有同名的人哦,当我喊一个人的时候,如果有同名的,就不知道我在叫谁了。
域,属性的取值范围,虚拟主机,就是值域的意思,比如性别的域为(男,女),不过遇到人妖这样的,就不好办了哈。
实体型,把相同属性的实体用实体名和属性名来刻画,算是一个模型了吧,比如学生(学号,姓名,性别,……)。
实体集,就是同一类型的集合,如全体学生就是一个实体集。
联系,在生活中各事物内部以及事物之间是有联系的,这些抽象到信息世界中后就是实体与实体或者实体型与实体型之间的关系。内部联系是各属性之间的关系,外部联系即实体之间的关系是指不同实体集之间的关系,抽象出来就是实体型之间的关系。
有一个问题在这提一下,如下:
(9400,张四,男,19881219,信管系,2007)是表示了一个学生;
学生(学号,姓名,性别,生日,专业,级别)是学生这个实体型;
{(9400,张四,男,19881219,信管系,香港虚拟主机,2007),(9401,张三,男,19881211,信管系,2007),……}表示一个实体集。
来看一下实体、实体型和实体集之间的关系:实体是直接从生活中抽象出来的,实体型是把实体的共同属性抽象出来,实体集就是实体的一个集合,实体是实体型在某一时刻属性取值确定的,可以这么理解,实体型和实体就像是数据类型和变量一样,比如int类型的变量i,取值为0。
看一下实体型之间的联系,实体型之间的联系其实是实体集之间存在的某种业务关系。分一对一的联系、一对多的联系和多对多的联系。如若实体集A中的每个实体在实体集B中有N个实体(N1)与之联系,反之,对于实体集B中的每一个实体A中至多只有一个实体与之对应,则称实体集A与B具有一对多联系,记为1:N;如若对实体集A中的每个实体,B中有N个实体(N>1)与之对应,反之,美国空间,B中的每个实体,A中也有N个实体(N>1)与之对应,责成两实体集具有多对多的联系。其实一对一和一对多是多对多联系当中的特殊情况,所以多对多联系定义中的N取值只取大于一的情况。这里用Visio软件画了一下,如下图:
另外好多资料中提及到了两个以上的实体之间的联系,本人觉得就是来一百个,我也是把它变成任意两个之间的联系来分析,所以对于两个以上实体之间的联系我决定不在详细了解。
有经验的网友可能发现了,其实还有一种状况就是单个实体型内的联系。这种情况并不陌生,比如职工实体型中领导与被领导的联系,部门下的下一级别职能部门都是这种状况。而且这两种都是一对多的联系,如下图:
概念模型的基本概念了解完了,看看如果用方法来表示这种模型。一种表示方法就是实体-联系方法。这种方法呢在这里只作部分了解,到以后的数据库设计的时候再信息了解。该方法用E-R图来描述现实世界的概念模型,它提供了表示实体型、属性和联系的方法。实体型用矩形表示,属性用椭圆表示,联系用菱形表示,实体型和属性之间用无向边连接起来,另外一些联系也有属性,它们之间也是用无向边连接。
好了,这次随笔就写到这了,下次随笔就要学习逻辑模型咯。对了,学习的过程中呢多注意一下健康,在这里贴一则网上流转的[老中医顺口溜],和大家分享:红薯食来好处多,香菇赛过抗癌药;白菜通便排毒素,瓜豆消肿又利尿;番茄补血有润肤,芹菜降压抗衰老;苦瓜清心又明目,黄瓜减肥清热好;玉米抑制胆固醇,山楂降压抗衰老;花生降脂治贫血,健脑乌发吃核桃;芝麻润肤又乌黑,蜂蜜益寿又润燥;依据情况选食疗,多样进食营养好。
posted on
Powered by:
博客园
Copyright © 满天海晨星

译者 | 布加迪审校 | 孙淑娟目前,没有用于构建和管理机器学习(ML)应用程序的标准实践。机器学习项目组织得不好,缺乏可重复性,而且从长远来看容易彻底失败。因此,我们需要一套流程来帮助自己在整个机器学习生命周期中保持质量、可持续性、稳健性和成本管理。图1. 机器学习开发生命周期流程使用质量保证方法开发机器学习应用程序的跨行业标准流程(CRISP-ML(Q))是CRISP-DM的升级版,以确保机器学习产品的质量。CRISP-ML(Q)有六个单独的阶段:1. 业务和数据理解2. 数据准备3. 模型

人工智能(AI)在流行文化和政治分析中经常以两种极端的形式出现。它要么代表着人类智慧与科技实力相结合的未来主义乌托邦的关键,要么是迈向反乌托邦式机器崛起的第一步。学者、企业家、甚至活动家在应用人工智能应对气候变化时都采用了同样的二元思维。科技行业对人工智能在创建一个新的技术乌托邦中所扮演的角色的单一关注,掩盖了人工智能可能加剧环境退化的方式,通常是直接伤害边缘人群的方式。为了在应对气候变化的过程中充分利用人工智能技术,同时承认其大量消耗能源,引领人工智能潮流的科技公司需要探索人工智能对环境影响的

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

条形统计图用“直条”呈现数据。条形统计图是用一个单位长度表示一定的数量,根据数量的多少画成长短不同的直条,然后把这些直条按一定的顺序排列起来;从条形统计图中很容易看出各种数量的多少。条形统计图分为:单式条形统计图和复式条形统计图,前者只表示1个项目的数据,后者可以同时表示多个项目的数据。

arXiv论文“Sim-to-Real Domain Adaptation for Lane Detection and Classification in Autonomous Driving“,2022年5月,加拿大滑铁卢大学的工作。虽然自主驾驶的监督检测和分类框架需要大型标注数据集,但光照真实模拟环境生成的合成数据推动的无监督域适应(UDA,Unsupervised Domain Adaptation)方法则是低成本、耗时更少的解决方案。本文提出对抗性鉴别和生成(adversarial d

数据通信中的信道传输速率单位是bps,它表示“位/秒”或“比特/秒”,即数据传输速率在数值上等于每秒钟传输构成数据代码的二进制比特数,也称“比特率”。比特率表示单位时间内传送比特的数目,用于衡量数字信息的传送速度;根据每帧图像存储时所占的比特数和传输比特率,可以计算数字图像信息传输的速度。

数据分析方法有4种,分别是:1、趋势分析,趋势分析一般用于核心指标的长期跟踪;2、象限分析,可依据数据的不同,将各个比较主体划分到四个象限中;3、对比分析,分为横向对比和纵向对比;4、交叉分析,主要作用就是从多个维度细分数据。

在日常开发中,对数据进行序列化和反序列化是常见的数据操作,Python提供了两个模块方便开发者实现数据的序列化操作,即 json 模块和 pickle 模块。这两个模块主要区别如下:json 是一个文本序列化格式,而 pickle 是一个二进制序列化格式;json 是我们可以直观阅读的,而 pickle 不可以;json 是可互操作的,在 Python 系统之外广泛使用,而 pickle 则是 Python 专用的;默认情况下,json 只能表示 Python 内置类型的子集,不能表示自定义的


Hot AI Tools

Undresser.AI Undress
AI-powered app for creating realistic nude photos

AI Clothes Remover
Online AI tool for removing clothes from photos.

Undress AI Tool
Undress images for free

Clothoff.io
AI clothes remover

AI Hentai Generator
Generate AI Hentai for free.

Hot Article

Hot Tools

SublimeText3 Chinese version
Chinese version, very easy to use

WebStorm Mac version
Useful JavaScript development tools

Zend Studio 13.0.1
Powerful PHP integrated development environment

SublimeText3 Linux new version
SublimeText3 Linux latest version

Safe Exam Browser
Safe Exam Browser is a secure browser environment for taking online exams securely. This software turns any computer into a secure workstation. It controls access to any utility and prevents students from using unauthorized resources.
