آموزش کامل Administering SQL Server به زبان فارسی(22 ساعت-CD 2)
این 2 CD شامل:
فرمت فایل : ویژوال استادیو(قابل ویرایش)
در این سورس کد, نحوه ارتباط با پایگاه داده SQL SERVER در زبان سی شارپ فراهم شده است که کدهای این برنامه روی فرم نوشته شده اند فقط کافیست روی فرم در سی شارپ دوبار کلیک کنید تا سورس کد را مشاهده کنید و مقابل هر خط کد توضیحات مربوط به آن خط کد به زبان فارسی برای فهم بیشتر شما فراگیران و دانشجویان نوشته شده است برای اجرای برنامه فقط کافیست یک پایگاه داده در SQL SERVER ایجاد کنید و در قسمت کدها در سی شارپ نام پایگاه داده و نام سرور را در قسمت کدها وارد کنید تا ارتباط سی شارپ با SQL SERVER برقرار شود ,این قطعه کد بخشی از اجرای هر نرم افزار و پرژه میباشد که برای اولین بار در وب سایت پارس منتشر گردیده است و تمرینی مفید و کاربردی برای دانشجویان و علاقه مندان به زبان برنامه نویسی سی شارپ است.
فرمت فایل : WORD (قابل ویرایش)
تعداد صفحات:105
فهرست مطالب:
مقدمه
بهینه ساز پرس و جو چیست ؟
فصل اول : بهینه سازی پرس و جو
بهینه سازی پرس و جو
مراحل فرآیند بهینه سازی
درخت های پرس و جو
تبدیلات
دستکاری های جبری
الگوریتم بهینه سازی پرس و جو
انتخاب رویه های سطح پایین
تولید طرح های پرس و جو و انتخاب یکی از آنها
فصل دوم : روش های بهینه سازی پرس و جو
تبدیل پرس و جو
فرآیند تجزیه (The parsing process)
فرآیند طبقه‌بندی (The standardization process)
بهینه ساز پرسوجو (The Query optimizer)
بهینه‌سازی اکتشافی (Hevristic Optimization)
بهینه‌سازی نحوی (Syntactical optimizer)
بهینه‌سازی بر مبنای هزینه (Cost – based optimization)
بهینه‌ساز معنایی (Semantic optimization)
تحلیل پرسوجو (Query Andysis)
انتخاب شاخص (Index selection)
انتخاب الحاق (Join selection)
فصل سوم : تشریح روش کار بهینه ساز پرسوجو Microsoft SQL Server
“STEP n”
نوع پرس‌و‌جوانتخاب است(در یک جدول موقت) “The type of query is SELECT”
نوع پرسوجو<query type> است
حالت بروز رسانی به تعویق افتاده می‌شود “The update mode is deferred”
حالت بروزرسانی مستقیم است “The update mode is direct”
Group by
تراکم ستونی “Scalar Aggregate”
تراکم برداری “Vertor agyregate”
“FROM TABLE”
“TO TABLE”
جدول موقت “Worktable”
جدول موقت ایجاد شده برای SELECT INTO “Worktable created for SELECT-INTO"
جدول موقت برای DISTINCT ایجاد می شود “Worktable created for DISTINCT”
جدول موقت برای ORDER By ایجاد می‌شود “Worktable created for ORDER By”
جدول موقت برای REFORMATTING ایجاد می‌شود “Worktable created for REFORMATING”
This step involves sorting” “
استفاده از GETSORED “Using GETSTORED”
تکرار متداخل “Nested iterotion”
“EXIST TABLE: NESTED iteration”
پویش جدول “TABLE SCAN"
استفاده از شاخص خوشه بندی شده “Using clustered Index”
“Index :<index name>”
استفاده از شاخص پویا “Using Dynamic Index”
فصل چهارم : تخمین زمان اقتباس یک بهینه‌ساز پرس و جو
مقدمه ای بر این فصل
محرک (Motivation)
راه حل (Solution)
زمینه و کار قبلی
برنامه سازی پویای تجدید نظر شده
کار قبلی و محدودیتهای آن
روش ما
دوباره استفاده کردن از شمارشگر اتصال
خواص طرح فیزیکی
تخمین مقدار طرح‌ها با یک نوع از خواص فیزیکی
مطالعه انواع چندتایی خواص فیزیکی
تبدیل طرحهای تخمین زده شده به زمان تخمین زده شده
نتایج آزمایشی
سربار (overhead) تخمین طرح
صحت تعداد تخمین زده شده طرح‌ها
صحت تخمین زمان اقتباس
خلاصه آزمایشات
بحث
بهینه ساز پرسوجو چیست؟
بهینه‌ساز پرسوجو از اهمیت زیادی برای پایگاه داده ارتباطی برخوردار است، مخصوصا برای اجرای دستورات پیچیده SQL . یک بهینه ساز پرسوجو بهترین استراتژی بر اجرای هر پرسوجو را تعیین می‌کند.
بهینه‌ساز پرس و جو به عنوان مثال انتخاب می‌کند آیا از شاخص برای یک پرسوجو مشخص استفاده کند یا نه، وکدام تکنیک الحاق هنگامی که جداول با هم الحاق می‌شوند استفاده شود.
این تصمیم تاثیری بسیار زیادی بر روی کارآیی SQL دارد، و بهینه‌سازی پرسوجو یک تکنولوژی کلیدی بر هر کاربردی است، از سیستم‌های قابل استفاده (Operatianal system) تا انباره‌های داده‌ای (Data warehause) و سیستم‌های تحلیل (analysis systems) تا سیستم‌های مدیریت محتویات (canternt – management) .
بهینه‌ساز پرسوجو برای برنامههای کاربردی و کاربران نهایی کاملا ناپیدا است . از آنجا که برنامههای کاربردی ممکن است هر SQL پیچیده‌ای راتولید کنند، بهینه سازها پرس و جو باید فوق‌العاده سطح بالا و قدرتمند باشد.
برای مطمئن شدن به ایجاد یک کارآیی خوب. برای مثال بهینه سازهای دستورات SQL را تغییر شکل می‌دهد، به دلیل این که این دستورات می‌توانند به معادل‌هایی تبدیل شوند اما با کارآیی بالاتر.
بهینه‌سازهای جستجو معمولا بر مبنای هزینه می‌باشند. در یک استراتژی بهینه سازی بر مبنای هزینه، طرحهای اجرایی چندگانه‌ای برای یک پرس و جو شخص تولید می‌شود، و آنگاه یک هزینه تخمینی برای هر طرح محاسبه می‌شود. بهینه ساز پرسوجو طرحی که دارای کمترین هزینة تخمینی است را انتخاب می‌کند.
بهینه‌سازی پرس وجو
• بهبود کارآیی پرس وجو به صورت خودکار
• بهبود به معنی تضمین بهینه بودن نیست
مراحل فرآیند بهینه سازی
• انتخاب یک نمایش داخلی (internal representation)
• اعمال تغییرات لازم جهت بهبود کارآیی
• انتخاب رویه‌های دسترسی سطح پایین به داده‌ها
• تولید طرحهای اجرایی پرس وجو و تخصیص هزینه به آنها
• انتخاب یک طرح اجرایی با کمترین هزینه
درختهای پرسوجو
نمایش درخت عبارت جبر رابطهای با شرایط:
1. پیمایش میانوندی درخت عبارت اصلی را تولید کند.
2. عملگرهای دوتایی موجود – 0 U,X می‌باشند.
3. عملگرهای یکتایی موجود می‌باشند.
4. همه برگ‌ها دردرخت رابطهای پایه ای می‌باشند.
مثال 1:
مثال 2 :
تبدیلات (Tranformations)
طراحی دستکاریهای جبری و معنایی جهت دوری از انجام اعمال هزینه بری باشد.
دستکاریهای جبری
عبارت رابطهای E3,E2,E1 را در نظر بگیرید.
قوانین تبدیل زیر برای حاصلضرب نمایش داده شده‌اند
فایل ارائه داده کاوی در نرم افزار SQL SERVER درقالب 30 اسلاید قابل ویرایش+50 صفحه فایل ورد مستندات و داکیومنت
مطالب این پست : پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005
پیاده سازی آن روی بانک اطلاعاتی
با فرمت ورد word ( دانلود متن کامل پایان نامه )
پایان نامه دوره کارشناسی کامپیوتر
گرایش نرم افزار
موضوع:
بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005
پیاده سازی آن روی بانک اطلاعاتی
دانشگاه آزاد قوچان
استاد راهنما : دکتر عباسعلی رضایی
پژوهشگر : فاطمه بهادری مقدم
عنوان:
بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005
پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان
چکیده
بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005
پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان
امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.
داده کاوی یکی از مهمترین روش ها ی کشف دانش است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.
در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.
کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین
1-1–مقدمه
امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد .با استفاده از ابزارهای گوناگون گزارش گیری معمولی ، می توان اطلاعاتی را در اختیار کاربران قرار داد تا بتوانند به نتیجه گیری در مورد داده ها و روابط منطقی میان آنها بپردازند اما وقتی که حجم داده ها خیلی بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمی توانند الگوهای مفید را در میان حجم انبوه داده ها تشخیص دهند و یا اگر قادر به این کار هم با شوند ، هزینه عملیات از نظر نیروی انسانی و مادی بسیار بالا است .از سوی دیگر کاربران معمولا فرضیه ای را مطرح می کنند و سپس بر اساس گزارشات مشاهده شده به اثبات یا رد فرضیه می پردازند ، در حالی که امروزه نیاز به روشهایی است که اصطلاحا به کشف دانش[2] بپردازند یعنی با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند .
داده کاوی[3] یکی از مهمترین این روش ها است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند .
اصلی ترین دلیلی که باعث شده داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده ها و نیاز شدید به اینکه از این داده ها,اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی مورد استفاده قرار می گیرد.
داده کاوی را می توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می باشد، نظیر عملیات جمع آوری داده ها وایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده ها.
تکامل تکنولوژی پایگاه داده و استفاده فراوان آن در کاربردهای مختلف سبب جمع آوری حجم فراوانی داده شده است. این داده های فراوان باعث ایجاد نیاز برای ابزارهای قدرتمند برای تحلیل داده ها گشته، زیرا در حال حاضر به لحاظ داده ثروتمند هستیم ولی دچار کمبود اطلاعات می باشیم.
ابزارهای داده کاوی داده ها را آنالیز می کنند و الگوهای داده ها را کشف می کنند که می توان از آن در کاربردهایی نظیر تعیین استراتژی برای کسب و کار، پایگاه دانش[4] و تحقیقات علمی و پزشکی، استفاده کرد. شکاف موجود بین داده ها و اطلاعات سبب ایجاد نیاز برای ابزارهای داده کاوی شده است تا داده های بی ارزش را به دانشی ارزشمند تبدیل کنیم .
1
-3-داده کاوی و مفهوم اکتشاف دانش (K.D.D)
با حجم عظیم داده های ذخیره شده در فایلها، بانکهای اطلاعاتی و سایر بانک های داده ای، توسعه ی ابزارهایی برای تحلیل و شاید تفسیر چنین داده هایی و برای استخراج علوم شگفت انگیزی که می توانند در تصمیم گیری مفید باشند، امری بسیار مهم و ضروری است. داده کاوی با عنوان کشف دانش در پایگاه های داده (KDD) شناخته می‌شود. کشف علومی که قبلا ناشناخته بوده‌اند و اطلاعاتی که در بانکهای اطلاعاتی موجود بوده و ذاتا بالقوه و مفید هستند.
با وجود آنکه داده کاوی و کشف دانش در پایگاه‌های داده مترادف همدیگر هستند، ولی در اصل، داده کاوی ذاتاً بخشی و تنها قسمتی جزئی از فرآیند کشف دانش است. فرآیند کشف دانش در بر گیرنده ی چندین مرحله می باشد که از اطلاعات خام، گونه هایی از علوم جدید را بدست می دهد. مراحل کشف دانش به قرار زیر است:
1- پاکسازی داده ها : در این فاز داده های اضافی و نامربوط از مجموعه داده ها حذف می شوند.(داده های ناکامل) [2]
2-یکپارچه سازی داده ها[5] : چندین منبع داده ترکیب می شوند،
3-انتخاب داده ها : انبار داده ها شامل انواع مختلف و گوناگونی از داده ها است که همه آنها در داده کاوی مورد نیاز نیستند . برای فرایند داده کاوی باید داده ها ی مورد نیاز انتخاب شوند . به عنوان مثال در یک پایگاه داده های مربوط به سیستم فروشگاهی ، اطلاعاتی در مورد خرید مشتریان ، خصوصیات آماری آنها ، تامین کنندگان ، خرید ، حسابداری و … وجود دارند . برای تعیین نحوه چیدن قفسه ها تنها به داده ها یی در مورد خرید مشتریان و خصوصیات آماری آنها نیاز است . حتی در مواردی نیاز به کاوش در تمام محتویات پایگاه نیست بلکه ممکن است به منظور کاهش هزینه عملیات ، نمونه هایی از عناصر انتخاب و کاوش شوند .
4-تبدیل داده ها : هنگامی که داده های مورد نیاز انتخاب شدند و داده های مورد کاوش مشخص گردیدند، معمولا به تبدیلات خاصی روی داده ها نیاز است. نوع تبدیل به عملیات و تکنیک داده کاوی مورد استفاده بستگی دارد، تبدیلاتی ساده همچون تبدیل نوع داده ای به نوع دیگر تا تبدیلات پیچیده تر همچون تعریف صفات جدید با انجام عملیاتهای ریاضی و منطقی روی صفات موجود.
5-داده کاوی : بخش اصلی فرایند ، که در آن با استفاده از روش ها و تکنیک های خاص ، استخراج الگو های مفید ، دانش استخراج می شود.
6-زیابی الگو[6] : مشخص کردن الگوهای صحیح و مورد نظر به وسیله معیارهای اندازه گیری.
7-زنمایی دانش : در این بخش به منظور ارائه دانش استخراج شده به کاربر ، از یک سری ابزارهای بصری سازی استفاده می گردد.
[1] Data Mining
[2] Knowledge Discovery
[3] Data Mining
[5] Data integration
[6] Pattern evaluation
متن کامل را می توانید دانلود کنید چون فقط تکه هایی از متن این پایان نامه در این صفحه درج شده است (به طور نمونه)
ولی در فایل دانلودی متن کامل پایان نامه
همراه با تمام ضمائم با فرمت ورد word که قابل ویرایش و کپی کردن می باشند
موجود است