原创 Formal System-謂詞邏輯範式(Prädikatenlogik Normalformen)

幾個知識普及 已知P是一元謂詞符號,c,d爲常量,x,y,z爲變量,那麼下面正確的是: 1.P(c)⊨∀xP(x)2.∀xP(x)⊨p(c)3.∀x∃yA⊨∃y∀xA4.∃x∀yA⊨∀y∃xA5.⊨∀x∃yA→∃y∀xA6.⊨

原创 數據庫應用-View

主要內容 1.視圖(View,Sicht)的概念 2.View的轉換 3.數據庫中得權限 4. 5.統計學的數據庫 View的優點和缺點 優點: 1.簡化了數據庫的訪問 2.使數據庫結構化//秩三層結構 3.數據庫改

原创 Formal System-Hilbert計算(Hilberkalkül)

Hilbert 人物介紹: 全名David Hilbert(1862-1943),德國人。 就這麼多了。。。 Hilbet計算(Hilbertkalkül) 已知x爲變量,t爲term,α,β,γ 是Formel 爲了方便我

原创 機器學習-非監督學習(Unüberwachte Lernverfahren)+大型數據庫:Clustering-1

把數據庫分析的Clustering加到這裏來吧-爲完成哦 內容一覽 1.動機 2.k-means聚類(經典聚類) 3.多級聚類 4.COBWEB(Begriffliche Balungen)和概念聚類 5.前景 動機 動機

原创 大型數據庫分析-R語言

先看一下R能幹什麼 df <- mtcars ?mtcars names(df) head(df) nrow(df) summary(df) hist(df$hp) plot(df$hp,df$qsec) cor(df$hp

原创 數據庫應用-NF^2 Modell(Non First Normal Form)

關係數據模型一方面很簡單,直觀,但另一方面它的表現力也因此受到限制。 它的屬性與值之間不具備結構化關係。//是指不能屬性嵌套嗎?? 1NF(erst Normalform) 1NF的要求是:關係的所有屬性都是原子屬性(Alle

原创 Formal sys-Pradicate semantic

介紹個定義 Interpretation  已知有∑ 是一階謂詞邏輯(PL1)的Signatur 那麼我們定義這個Signatur的interpretation  爲(D,I),並且具有以下性質: 1.D是任意的非空的

原创 機器學習-貝葉斯學習(BayesLernen)-II

貝葉斯網絡 動機 NB的條件(非條件關聯)對於大多數情況來說都是太過嚴苛了。 但是如果沒有這些假設在很多情況下貝葉斯學習將難以進行(需要的訓練集太大) 貝葉斯網絡可以用來描述變量的子集以及變量之間的條件關聯和非條件關聯 (E

原创 形式系統(Formale System)-SAT問題

什麼是SAT問題 所謂SAT問題就是可實現性問題(Erfuellbarkeitsproblem)。即已知一個Formel F∈For0 ,問是否存在一個解釋(Interpretation) I 使得valI(F)=T 同時SAT

原创 Formal sys-pradicate syntax

基礎知識 邏輯符號(Logische Zeichen) 首先是在表達邏輯裏已經出現過的: ¬,∧,∨,→,↔,(,) 然後還有幾個新的: ∀ :表示所有的 ∃ :表示存在 Vi :表示變量//也可以用var表示 ≐ :

原创 數據庫應用-Datalog

Relational Algebra 數據庫系統中引入的relational algebra並不多,大部分可由多個基本的operation結合而來 minimal Relational algebra:Ω=π,σ,⋈,β,∪,−

原创 網絡通信(Telematik)-傳輸層協議(Transportprotokoll)2

網絡阻塞(Stau im Internet) 網路中傳輸的數據包過多,導致超出網路的承受能力。 簡單的隊列管理 Router: 當router的Puffer滿了,那麼下一個到達的數據包將被直接扔掉 發送者(Sendeinsta

原创 Formal System-表達邏輯歸結原理(Aussagenlogik-Resolutionskalkül)

常見的表達邏輯推演方式 1.Hilbert 一般用不到,用來推定理不錯 2.Resolution 適合自動化 3.Tableau 與上相反 適合用於證明 4.sequenzen 和3相似 表達邏輯的歸結原理(Der

原创 數據庫應用-E commerce管理

本節主要目的 1.複習 2.區分視圖和物理存儲 3.物理設計的替換 基本概念 schema-Evolution:在數據庫還處於工作狀態良好的情況下,修改數據庫的Schemas Sparsity:關係表中得信息很稀疏,即含有大

原创 機器學習-非監督學習(Unüberwachte Lernverfahren)+大型數據庫:Clustering-2

概念聚類(Clustering mit kategorischen Attributen) 我們至今爲止看到的聚類的方法都只適用於對應的屬性值是數字的情況,但是當屬性不是數字時,我們又該怎麼做呢???比如購物車分析時,對應的屬性值