DT4300 Datavarehus og datagruvedri3
|
|
- Børre Gabrielsen
- 8 år siden
- Visninger:
Transkript
1 DT4300 Datavarehus og datagruvedri3 14/ Trond Aalberg 1 Dagens tema Datavarehus: hva og hvorfor, generell arkitektur, OLAP vs OLTP MulFdimensjonale data Datakube som logisk modell for datavarehus, dimensjoner og hierarkier, funksjonalitet og operasjoner Modellering Stjerneskjema, snøflakskjema Design og implementasjon MOLAP og ROLAP, indeksering 2 1
2 Data som strategisk informasjon Bedri3er har behov for informasjon for å ta strategiske avgjørelser, for å være konkurransedykfge og raskt kunne Flpasse seg endringer i markedet Eksplosiv vekst i mengden data som skapes og lagres, men også store endringer i teknologien som kan brukes for å lagre og prosessere data Fra 1990 og utover har det vært stor fokus på data og systemer som er retet mot beslutningstagere, markedsføring etc. (descision support, business intelligence, knowledge management, customer relafonship management) Datavarehus handler om hvordan vi kan samle inn data, modellere, lagre og gjøre data Flgjengelig for analysering 3 Datavarehus (Data Warehouse) Oppstod som begrep rundt 1990 med økt fokus på databaser og data som kunne brukes i analyser og beslutningsstøte Ingen fasit- definisjon, men kan beskrives som Database for beslutningsstøte som er separat fra en organisasjons operasjonelle database Konsoliderte, historiske data som kan brukes i analyser A data warehouse is a subject-oriented, integrated, timevariant, and nonvolatile collection of data in support of management s decision-making process. W. H. Inmon Eller som verb: Data Warehousing Prosessen å konstruere og bruke datavarehus 4 2
3 Subject- oriented Organisert rundt viktige emner/tema som kunder, produkter, salg Fokus på modellering og analyse av data for beslutningstagerne, IKKE daglige operasjoner eller transaksjoner Gir en enkel og konsistent oversikt over aspekter ved emnene, ved at data som er uvesentlige for beslutningene utelates. 5 Integrated Konstrueres ved å integrere data fra mange forskjellige kilder Relasjonsdatabaser, dokumenter, transaksjonsposter Data vaskes og det brukes teknikker/ metoder for å integrere dataene Sikre konsistens i navngiving, koding av verdier, måleenheter osv. Data konverteres når de flytes Fl et datavarehus 6 3
4 Time- Variant 7 Tidshorisonten for datavarehus er vesentlig lengre enn for et operasjonelt system En operasjonell database gir deg nåværende dataverdier Data i datavarehus gir deg informasjon i et historiske perpekfv (for eksempel de siste 5-10 år) VikFge datastrukturer i et datavarehus Har elementer av Fd, eksplisit eller implisit Selv om nøkkelatributene ikke bestandig inneholder FdsaTribuT(er) Non- volafle 8 Et fysisk separat lager av data som er transformert fra operasjonelle data Ingen operasjonelle oppdateringer F.eks. ingen endringer ved de daglige transaksjonene Ingen transaksjonshåndtering, recovery eller concurrency control Kun nødvendig med to operasjoner: LasFng av data og prosessering av data 4
5 OLAP og OLTP Vi sammenligner gjerne datavarehus <- > operasjonelle databaser OLAP <- > OLTP OLAP: online analyfcal processing OLTP: online transacfon processing 9 OLTP vs. OLAP OLTP OLAP users clerk, IT professional knowledge worker function day to day operations decision support DB design application-oriented subject-oriented data current, up-to-date detailed, flat relational isolated usage repetitive ad-hoc historical, summarized, multidimensional integrated, consolidated access read/write lots of scans index/hash on prim. key unit of work short, simple transaction complex query # records accessed tens millions #users thousands hundreds DB size 100MB-GB 100GB-TB metric transaction throughput query throughput, response
6 11 Hvorfor et eget datavarehus Høy ytelse for begge system DBMS: kan Flpasses ytelsesmessig for OLTP: aksess, indeksering, concurrency, recovery, normalisert for å unngå redundans etc. DW: Flpasset OLAP, komplekse queries, konsoliderte data, flerdimensjonale views Forskjellige data og forskjellige funksjoner Data som mangler: beslutningsstøte krever data som typisk ikke er direkte Flgjengelig i den operasjonelle databasen Innsamlet og bearbeidet: beslutningsstøte krever data som er aggregert og generalisert fra flere kilder Data kvalitet: data fra flere kilder er o3e inkonsistente, og bruker verdier og koder som må samordnes (Men det kommer flere og flere systemer som gjør OLAP mulig mot operasjonelle relasjonsdatabaser) Generell arkitektur og prosesser (mulf- Fer) Andre kilder OLAP verktøy Operasjonelle DBs Ekstraher Transformer Last opp Legg til DATAVAREHUS Bruk Analyser Spørringer Rapporter Datagruvedrift OLAP verktøy Data marts Datakilder Datalagring Prosessering 12 6
7 AlternaFv illustrasjon 13 Tre modeller Enterprise varehus Inneholder data om alle emner som dekker hele virksomheten Data mart Hver mart (marked) er et subset av virksomhetens totale varehus, og inneholder bare det som er av interesse for en subgruppe, underavdeling etc Virtuelle varehus Verktøy som gir deg datavarehus data/funksjonalitet på toppen av operasjonelle data Kan være begrenset hva som kan gjøres 14 7
8 Ekstrahering, Transformering og LasFng (ETL) 15 Dataekstrahering Hente data fra forskjellige kilder Datavasking Oppdage feil og rete hvis det er mulig Datatransformering Konverter Fl formater som datavarehuset er basert på InnlasFng Sorter, summer, konsolider, beregn utsnit, sjekk dataintegritet, indekser og parfsjoner Oppdater Sørg for at oppdateringer i operasjonelle data integreres i datavarehuset periodiske Datakube Datavarehus og OLAP systemer er basert på en flerdimensjonal datamodell fokus på data og dimensjoner for aspekter ved dataene øker forståelsen av hvordan data brukes i analyser og er Flpasset de operasjoner og ytelseskrav som trengs i komplekse analysespørring Modellen ser data i et n- dimensjonalt rom Kalles datakube (data cube) Eller hyperkube (hypercube) 16 8
9 Datakuben med dimensjonene: region, produkt, Fd region produkt tid 17 Data i n- dimensjoner En flerdimensjonal datamodell er typisk organisert rundt et sentralt tema, f.eks. SALG (salgstall) Hvor dimensjonene er atributer ved salg som vi er interessert i å analysere salgstall i kontekst av Tid, produkt, avdeling, sted Hvor mange produkter er solgt per måned, hvor mye har hver avdeling solgt for etc. For hver dimensjon kan vi ha egne tabeller med mer detaljer f.eks. om produktet (navn, merke, type) 18 9
10 Noen eksempler 19 Fra 2- D Fl n- D De fleste som har jobbet med regneark er vant Fl 2- dimensjonal presentasjon av data IntuiFvt måte å presentere f.eks. salgstall for av forskjellige produkter over Fd 21 10
11 Legge Fl en tredje dimensjon Hvis vi i Fllegg er interessert i hvordan salgstallene er distribuert over forskjellige utsalgssteder må vi legge Fl en tredje dimensjon Da blir det vanskelig å presentere det i 2D, men fortsat innenfor det vi kan se for oss i hodet Kan for eksempel vises som en serie 2- D tabeller 22 Flere dimensjoner dimensjonale data kan også visualiseres som en 3- D kubestruktur Hver celle et punkt i et koordinatsystem med tre akser En 4de dimensjon kan visualiseres med en slik kube for hver dimensjonsenhet Men der stopper vel våre muligheter Fl å presentere dete grafisk ;- ) 11
12 NeT av cuboids Slike datakuber kalles o3e cuboids (rektangulær boks) I praksis har vi behov for å dynamisk kunne velge hvilke dimensjoner vi er interessert i å analysere En overordnet kube av n- dimensjoner kan brukes Fl å generere forskjellige cuboids basert på subset av dimensjoner - > 2 n cuboids for n dimensjoner 24 NeT av cuboids Økende grad av summering av data 25 12
13 Modellering Den tradisjonelle ER modelleringen som brukes i utvikling av databaser er best egnet for OLTP I modellering av datavarehus tenker vi lit annerledes Selv om vi fortsat bruker tabeller og nøkler i modelleringen Vanlige modeller for flerdimensjonale data Stjerne skjema (star schema) Snøflak skjema (snow flake schema) Fakta sammensflling (fact constellafon) (Alle er i praksis basert på samme prinsipp) 26 Stjerneskjema En sentral fakta- tabell med verdiene (målingene) vi er interessert i Egne tabeller rundt for hver dimensjon Faktatabellen har også nøkler Fl dimensjonstabellen Egentlig en ganske lejorståelig modell ;- ) Danner et slags stjernemønster derav navnet 27 13
14 Eksempel 28 Merk Det som kjennetegner stjerneskjema er at hver dimensjon er representert med en tabell Som inneholder atributer for dimensjonen Ingen normalisering av dimensjonene I praksis kan dete føre Fl redundans Men dete er sjeldent et problem Dimensjonene utgjør en liten del av dataene (1-5%) Data o3e er vasket, transformert og skal ikke endres Gjør det enklere å skrive spørringer og gir bedre ytelse 29 14
15 Snøflak Er egentlig bare en utvidelse av stjerneskjema Hvor noen dimensjoner er normalisert I noen Flfeller kan det være en fordel å normalisere enkelte dimensjoner En annen fordel er at dimensjonens hierarkiske organisering blir mer eksplisit 30 Eksempel 31 15
16 Fakta- sammensflling 32 Datavarehus kan inneholder data om flere tema men hvor dimensjonene er felles for flere faktatabeller Når vi seter sammen flere stjerne eller snøflak- modeller som deler en eller flere dimensjoner får vi en fact constellafon modell Eller hvis vi vil ha et mer ambisiøst navn: Galaxy schema Eksempel 33 16
17 Konsept- hierarkier 34 I dataanalyser er vi o3e interessert i forskjellig granularitet ved dimensjonene For salgstall i relasjon Fl sted kan vi være interessert i land, by, distrikt, utsalgssted etc. Dimensjonene kan o3e sees som konsept- hierarkier Fra et toppnivå- konsept som summerer alle verdiene for denne dimensjonen, Fl det mest spesifikke nivået hvor data er på sit mest detaljerte Gir yterligere kompleksitet Fl kubemodellen siden vi i praksis ønsker varierende aggregering av verdier innen dimensjonene Konsepthierarkier Mange er implisit git i dimensjonstabellen Andre kan generes automafsk ved å klassifisere og gruppere dimensjoner eller atributer Kan være strikte hierarkier, eller netverk Det vikfgste er at de er ordnet i en rekkefølge 35 17
18 Eksempler 36 Hierarkier er en essensielle Slike hierarkier gir oss en vikfg funksjonalitet Muligheten Fl å definere grad av summering/aggregering av data Eller umorske detaljer ved dataene Fokus på effekfviteten ved slike operasjoner i impelementasjonen av datavarehus 37 18
19 Kategorisering og beregninger 38 Forskjellige data gir grunnlag for forskjellige beregninger For salgstall er eksempelvis behov for å summere når vi går oppover i et konsepthierarki Et punkt i kuben kan defineres med et set av dimensjon- verdi par Men verdiene (measures) vi er interessert er noe vi o3e må beregne Forskjellige beregninger Distribuerende aggregering vi kan stykke opp beregningen på delse5 og får samme resultat som ved å u8øre beregning på hele se5et F.eks. sum(), count(), min(), max() Algebraisk aggregering Vi kan bruke en funksjon med M argumenter, men hvor hvert argument er distribuerende aggregering avg() - > sum()/count() HolisJsk En aggregerende funksjon som vi må u8øre på hele se5et for at det skal bli rikjg median(), rank(), mode() (mode er den verdien som forekommer o3est) 39 19
20 Typiske OLAP operasjoner 40 Roll- up Roll- up betyr å bevege seg oppover et konsept- hierarki, eller foreta reduksjon av dimensjoner I praksis aggregering av data, vi går fra detaljerte data Fl mindre detaljert Drill- down er det motsate av roll- up Går et trinn ned I konsepthierarkiet eller inkluderer en dimensjon Fl Går fra overordnede data Fl mer spesifikke data Slice and Dice Slicing er å velge ut en dimensjon slik at vi får en subkube Dicing er å velge ut en subkube med to eller flere dimensjoner Pivot Er å rotere dataene slik at vi får et annet view hvor aksene er organisert annerledes 41 20
21 Starnet 42 Starnet- modellen er en måte å vise hvilke spørringer vi kan gjøre Mht. dimensjoner og konsepthierarkier Hver dimensjon er en akse, med punkter for konseptene i hierarkiet Aksene viser hva vi kan gjøre av drill- down eller drill- up Spørringer To retninger av egne språk for OLAP- spørringer Utvidelser Fl SQL OLAP SQL med en egen CUBE operator En generalisering av group by som aggregerer på dimensjoner og totalen Egne spørrespråk som MDX MulFDimensional expressions SELECT x, y, sum(v)! From FactTable GROUP BY CUBE(x, y)! SELECT! { [x].members, [x].[all x1] } ON COLUMNS,! { [y].members, [y].[all y1] } ON ROWS! FROM [TheCube]! WHERE ([Measures].[s])! Men det er også mange som fokuserer på grafiske grensensit og interakfve tabeller, grafer oa
22 Implementasjoner 44 ROLAP RelaFonal OLAP servers Bruker relasjonsdatabaser som backend (eller utvidede relasjonsdatabaser) Implementerer aggregering og navigeringslogikken på toppen av dete Med opfmalisering retet mot OLAP EffekFv lagring av data, men mer krevende å opfmalisere MOLAP MulFdimensional OLAP servers Array- baserte flerdimensjonale datalagringssystemer BenyTer en datakube struktur internt Raks indeksering og effekfv forhåndsberegning Men siden kuber o3e har mange tomme celler er det lite effekfvt mht. lagringsplass ROLAP implementasjoner Fra flate tabeller Fl aggregerte data for en dimensjon (og et git nivå i hierarkiet) Kan genereres fra tabeller i relasjonsdatabaser Basert på stjerne- skjema Ved hjelp av group by SELECT levels, sum (measure)! FROM facttable joined with dimension table! WHERE some condition! GROUP BY levels! Generelt et Fdkrevende query siden vi bruker store deler av faktatabellen 45 22
23 Views 46 Er en teknikk for å opprete en virtuell tabell over eksisterende data med create VIEW En variant av denne hvor den nye tabellen lagres er MATERIALIZED VIEW Et slikt VIEW kan igjen brukes i andre aggregeringer Umordringen er å sete opp det opfmale setet av forhåndsberegnede aggregeringer og vedlikeholde ved nye lasfnger av data Indeksering EffekFve indekser Flpasset OLAP er et annet område som har hat mye fokus Gjelder både ROLAP og OLAP Faktatabeller har o3e mange indekser Typisk en for hver dimensjonstabell Og for dimensjoner som o3e brukes sammen StøTe for B- tree indekser finnes i de fleste databaser Løvnodene inneholder liste av ROWID For OLAP er det andre indekser som kan være mer effekfve fordi atributet som indekserer typisk har få disfnkte verdier 47 23
24 Bitmap indekser Vi trenger en bit for hver unik verdi som setes Fl 1 hvis verdien finnes ellers 0 Kolonnenen i bit- tabellen brukes Fl oppslag hvor plassen Fl en bit i sekvensen samsvarer med en ROWID Krever lite plass og er veldig effekfv ved få verdier 4 mulige verdier og rader i faktatabellen = 4 x bits Egnet for få verdier, men mindre effekfvt ved større antall verdier Direkte støte for boolske operasjoner AND, OR og NOT 48 Join indekser Rader som kan joines i to relasjoner registreres og dermed unngåes relafvt kostbare join- operasjoner Er best egnet for data som ikke oppdateres 49 24
25 Oppsummering LiT intro om datavarehus Vi har tat for oss forskjellige sider ved kube- modellen I praksis er kuben bare en metafor som forenkler forståelsen av flerdimensjonale data VikFg å få en grunnleggende forståelse av denne måten å modellere og organisere data på Er et fundament for utvikling og bruk av datavarehus 50 25
26 Oppgåve Suppose that a data warehouse for Big University consists of the following four dimensions: student, course, semester, and instructor, and two measures count and avg grade. When at the lowest conceptual level (e.g., for a given student, course, semester, and instructor combination), the avg grade measure stores the actual course grade of the student. At higher conceptual levels, avg grade stores the average grade for the given combination. Task: Draw a snowflake schema diagram for the data warehouse. 14
27 Mogleg løysing 15 Suppose that a data warehouse for Big University consists of the following four dimensions: student, course, semester, and instructor, and two measures count and avg grade. When at the lowest conceptual level (e.g., for a given student, course, semester, and instructor combination), the avg grade measure stores the actual course grade of the student. At higher conceptual levels, avg grade stores the average grade for the given combination.
Bruk av data kan deles i data for transaksjonsbruk og data for analyse bruk:
Datavarehus Hva? Et datavarehus er en samling av data lagret slik at de egner seg for analyse f.eks. trendanalyse, konkurranseanalyse, kundeanalyse og annen form for markedsanalyse (mest vanlig bruk) analyse
DetaljerDatavarehus hva er det?
Datavarehus hva er det? Bill Inmon (ca. 1992): a subject-oriented, integrated, time-variant and non-volatile collection of data in support of management's decision making process Ralph Kimball (ca. 1996):
DetaljerTDT4300 Datavarehus og datagruvedri3, Våren 2014
TDT4300 Datavarehus og datagruvedri3, Våren 2014 23/1 2014 Trond Aalberg 1 Dagens tema MulAdimensjonale data Dimensjoner og hierarkier revisited Fra modellering Al OLAP implementasjon Vi ser på eksempler
DetaljerDatabearbeiding direkte i memory på LASR server nye muligheter? Trond Holmen, SAS Institute
Databearbeiding direkte i memory på LASR server nye muligheter? Trond Holmen, SAS Institute Bakgrunn: Hvordan virker en tradisjonell database Store datamengder har tradisjonelt vært lagret på disk For
DetaljerDatavarehus hva er det?
Datavarehus hva er det? Bill Inmon (ca. 1992): a subject-oriented, integrated, time-variant and non-volatile collection of data in support of management's decision making process Ralph Kimball (ca. 1996):
DetaljerDatavarehus. Beslutningsstøttesystemer
Datavarehus Et datavarehus inneholder aggregerte data fra en eller flere databaser og eventuelt andre datakilder. Datavarehuset blir brukt som grunnlag for å treffe strategiske beslutninger. For eksempel
DetaljerEksamensoppgave i TDT4145 Datamodellering og databasesystemer
Institutt for datateknikk og informatikk Eksamensoppgave i TDT4145 Datamodellering og databasesystemer Faglig kontakt under eksamen: Roger Midtstraum: 995 72 420 Svein Erik Bratsberg: 995 39 963 Eksamensdato:
DetaljerINF1300 Relasjonsalgebra. Et matematisk fundament for å forstå SQL-setninger
INF1300 Relasjonsalgebra Et matematisk fundament for å forstå SQL-setninger Innhold Relasjonsalgebraen Operatorene i relasjonsalgebraen Relasjonsalgebratolkning av select-setningen Kostbare operasjoner
DetaljerDatamodellering og databaser http://www.aitel.hist.no/fag/_dmdb/ SQL, del 2
http://www.aitel.hist.no/fag/_dmdb/ SQL, del 2 Eksempelbase side 2 Virtuelle tabeller (views) side 3-6 NULL-verdier side 7-14 UPDATE-setningen side 15-16 INSERT-setningen side 17 DELETE-setningen side
DetaljerEksamensoppgåve i TDT4145 Datamodellering og databasesystemer
Institutt for datateknikk og informatikk Eksamensoppgåve i TDT4145 Datamodellering og databasesystemer Fagleg kontakt under eksamen: Roger Midtstraum: 995 72 420 Svein Erik Bratsberg: 995 39 963 Eksamensdato:
DetaljerOppsummering. Thomas Lohne Aanes Thomas Amble
Oppsummering Thomas Lohne Aanes Thomas Amble 14.11.04 Kapittel 2: Data Modell Mål: Data som skal brukes av applikasjonen blir spesifisert på en formell og likevel intuitiv måte. Resultat: Vi får et konseptuelt
DetaljerIntroduksjon til fagfeltet
LC238D http://www.aitel.hist.no/fag/_dmdb/ Introduksjon til fagfeltet Datafiler side 2 Databasesystemer side 3-5 Databasearkitektur ANSI/SPARC side 6-7 Datamodeller side 8 Flerbruker databasesystem side
DetaljerApplikasjonsutvikling med databaser
Applikasjonsutvikling med databaser Lars Vidar Magnusson October 12, 2011 Lars Vidar Magnusson () Forelesning i DAS 10.10.2011 October 12, 2011 1 / 24 Applikasjonsutvikling med databaser Databaser tilbyr
DetaljerUNIVERSITETET I OSLO SQL. Structured Query Language. (The intergalactic dataspeak) Institutt for Informatikk. INF Ragnar Normann 1
UNIVERSITETET I OSLO SQL Structured Query Language (The intergalactic dataspeak) Institutt for Informatikk INF3100 1.2.2005 Ragnar Normann 1 SQL SQL Structured Query Language er et deklarativt språk for
DetaljerDatamodellering og databaser SQL, del 2
http://www.aitel.hist.no/fag/_dmdb/ SQL, del 2 Eksempelbase side 2 Virtuelle tabeller (views) side 3-6 NULL-verdier side 7-14 UPDATE-setningen side 15-16 INSERT-setningen side 17 DELETE-setningen side
DetaljerRepetisjon: Normalformer og SQL
IN2090 databaser og datamodellering Repetisjon: Normalformer og SQL Mathias Stang og Stein Michael Storleer 21. november 2018 1 Agenda Normalformer Funksjonelle avhengigheter Nøkler Finne hvilke normalformer
DetaljerOppgave 1 (Opprett en database og en tabell)
Oppgave 1 (Opprett en database og en tabell) 1) I «Object Explorer» (i «SQL Server Management Studio»), høyreklikk over Databases : 1 2 2) Skriv så databasenavnet og klikk OK: 3) Plasser så kursoren på
DetaljerDatamodellering og databaser SQL, del 2
http://www.aitel.hist.no/fag/_dmdb/ SQL, del 2 Eksempelbase side 2 Virtuelle tabeller (views) side 3-6 NULL-verdier side 7-14 UPDATE-setningen side 15-16 INSERT-setningen side 17 DELETE-setningen side
DetaljerINF 329: Web-Teknologier. Dataimplementasjon. Fra Kapittel 11 i «Designing Data-Intensive Web Applications» Presentasjonsdato: 17/10/2004
INF 329: Web-Teknologier Dataimplementasjon Fra Kapittel 11 i «Designing Data-Intensive Web Applications» Presentasjonsdato: 17/10/2004 av: Dag Viggo Lokøen (dagvl@ii.uib.no) Kent Inge F. Simonsen (kentis@ii.uib.no)
DetaljerParallelle og distribuerte databaser del III
UNIVERSITETET I OSLO Parallelle og distribuerte databaser del III NoSQL og alternative datamodeller Institutt for Informatikk INF3100 20.4.2015 Ellen Munthe-Kaas 1 NoSQL NoSQL er et paraplybegrep som omfatter
DetaljerOM DATABASER DATABASESYSTEMER
OM DATABASER DATABASESYSTEMER Begrepet database brukes på flere måter, og det er ikke uvanlig å bruke det for å angi en total samling av data (i dette tilfellet lagrede opplysninger) uavhengig av hvordan
DetaljerDatabaser fra et logikkperspektiv
Databaser fra et logikkperspektiv Evgenij Thorstensen IFI, UiO Høst 2013 Evgenij Thorstensen (IFI, UiO) Databaser fra et logikkperspektiv Høst 2013 1 / 31 Outline 1 Logikk som verktøy 2 Relasjonsdatabaser
DetaljerINF1300 Relasjonsalgebra og SQL, mengder og bager. Lysark for forelesning v. 2.1
INF1300 Relasjonsalgebra og SQL, mengder og bager. Lysark for forelesning v. 2.1 Dagens temaer Relasjonsalgebraen Renavning Algebra Heltallsalgebra Klassisk relasjonsalgebra Mengdeoperatorer Union Snitt
DetaljerLøsningsforslag til eksamen i IN2090 Databaser og datamodellering og INF1300 Introduksjon til databaser 6. desember :30 18:30 (4 timer)
Løsningsforslag til eksamen i IN2090 Databaser og datamodellering og INF1300 Introduksjon til databaser 6. desember 2018 14:30 18:30 (4 timer) 1. Eksterne skranker (5%) I modellene nedenfor (ORM2) skal
DetaljerRomlig datamanipulering
Romlig datamanipulering Gunnar Tenge, 18.04.08 Romlige manipuleringsteknikker brukes i GIS-analyser. I denne artikkelen forklares alle manipuleringsteknikker som man kan forvente å finne i et GIS-program.
DetaljerDatabasesystemer, oversikt
Databasesystemer, oversikt Evgenij Thorstensen V18 Evgenij Thorstensen Databasesystemer, oversikt V18 1 / 23 Kurset Databasesystemer og databaser. Databaser er abstrakte objekter (datastrukturer, spørrespråk).
DetaljerDatabaser. Relasjonsmodellen 2 Læreboka: Kap. 2 Relasjonsmodellen
Databaser Relasjonsmodellen 2 Læreboka: Kap. 2 Relasjonsmodellen Tema for dagen Hva er relasjonsalgebra? Seleksjon Projeksjon Produkt Indre forening Ytterforening Settoperasjoner: union, snitt, differanse
DetaljerEKSAMEN DATABASER
EKSAMEN 6102 DATABASER 30.05.2016 Tid: 4 timer (9-13) Målform: Sidetall: Hjelpemidler: Merknader: Vedlegg: Bokmål 7 (inkludert denne) Ingen Ingen Eksempeldata Sensuren finner du på StudentWeb. Vekting
DetaljerOppgave 1a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet.
TDT445 Øving 4 Oppgave a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet. Nøkkel: Supernøkkel: Funksjonell avhengighet: Data i en database som kan unikt identifisere (et sett
DetaljerVeiledning til STAR Tableau
Veiledning til STAR Tableau Introduksjon... 1 Tableau Server... 2 STAR-rapporter... 3 Eksempel på STAR-rapport: Studieprogramledere... 3 HVL-prosjekt og det å lage egen rapport... 6 Tableau Desktop...
DetaljerTilkobling og Triggere
Tilkobling og Triggere Lars Vidar Magnusson October 12, 2011 Lars Vidar Magnusson () Forelesning i DAS 11.10.2011 October 12, 2011 1 / 25 Tilkobling med PHP PHP bruker databasespesifike moduler til å koble
Detaljer// PRESENTASJONER FRA NJAVA
// PRESENTASJONER FRA NJAVA } NAV i det store bildet Ingunn M. Godal } Nye ambisjoner, nye muligheter Torbjørn Larsen } Hvordan gjør vi det - våre behov Petter Hafskjold NAV i det store bildet John Dee
DetaljerTilrettelegging av store datagrunnlag for analyse med SAS Scalable Performance Data Engine (SPDE) Steinar Helstrup 8.juni 2017
Tilrettelegging av store datagrunnlag for analyse med SAS Scalable Performance Data Engine (SPDE) Steinar Helstrup 8.juni 2017 Agenda Bakgrunn Strukturering av datagrunnlag for analyse Last av datagrunnlag
DetaljerUse case modellen. Use case modellering i analysefasen. Hva er en Aktør? Hva er et Use case? Use case modellering. Eksempel
Use case modellen Use case modellering i analysefasen Metode for å identifisere og beskrive de funksjonelle kravene til et system Kapittel 3 i UML Distilled Kirsten Ribu beskriver kravene til systemet,
DetaljerInformasjonssystemer, DBMSer og databaser
UNIVERSITETET I OSLO Informasjonssystemer, DBMSer og databaser Institutt for Informatikk INF3100-21.1.2008 Ellen Munthe-Kaas 1 Interesseområdet (UoD = Universe of Discourse) Interesseområdet er en del
DetaljerFINN.no. Driving - business growth - developer speed - employee satisfaction. by just a few hundred decisions. Cloud and Data
Cloud and Data FINN.no Driving - business growth - developer speed - employee satisfaction by just a few hundred decisions 1 morten.hanshaugen@finn.no Vi hjelper folk til å ta smartere valg både for seg
DetaljerSELECT DISTINCT Fornavn, Etternavn, Programtittel FROM Program P, Medvirkende M, Deltagelse D. SELECT Tilgjengelighet FROM Program
[Kurssidene] [ ABI - fagsider bibin ] Michael Preminger (michaelp@hioa.no) 10/11-15 DISTINCT Pregnante navn på kolonner Boolske operatorer: OR, NOT Beregningsfunksjoner og Gruppering NULL-verdier Maria
DetaljerITGK - H2010, Matlab. Dagens tema : Teori - Databaser
1 ITGK - H2010, Matlab Dagens tema : Teori - Databaser 2 I dag Teori: Databaser Bok: 8.1 8.2 (8.1-8.4 i gamle bøker) Læringsmål Lære det grunnleggende om databaser Lære det grunnleggende om databasedesign
DetaljerUNIVERSITETET I OSLO SQL. Structured Query Language. (forts.) Institutt for Informatikk. INF Ragnar Normann 1
UNIVERSITETET I OSLO SQL Structured Query Language (forts.) Institutt for Informatikk INF3100 7.2.2005 Ragnar Normann 1 null Resultatet av å evaluere et uttrykk som produserer en skalar verdi, kan være
DetaljerEn kort presentasjon av
En kort presentasjon av Axenna er leverandør av 100% Open Source Business Intelligence. Axenna Business Intelligence Server er satt sammen med de beste BIkomponentene fra de mest anerkjente Open Source
DetaljerSpørsmålskompilering del 1
UNIVERSITETET I OSLO Spørsmålskompilering del 1 Parsering Logiske spørreplaner uttrykt i relasjonsalgebra Optimalisering ved hjelp av algebraiske lover Institutt for Informatikk INF3100 - V18 - Evgenij
DetaljerProsedyrer. Lars Vidar Magnusson. October 26, Lars Vidar Magnusson () Forelesning i DAS October 26, / 19
Prosedyrer Lars Vidar Magnusson October 26, 2011 Lars Vidar Magnusson () Forelesning i DAS 11.10.2011 October 26, 2011 1 / 19 Repetisjon om triggere og prosedyrer Triggere og prosedyrer ligner på hverandre
DetaljerSpørsmålskompilering del 1
UNIVERSITETET I OSLO Spørsmålskompilering del 1 Parsering Logiske spørreplaner uttrykt i relasjonsalgebra Optimalisering ved hjelp av algebraiske lover Institutt for Informatikk INF3100-11.4.2016 - Ellen
Detaljer5602 DATABASER 02.12.2010. Bokmål/nynorsk. 17 (inkludert denne forsiden) Eksamensresultatene blir offentliggjort på Studentweb.
Høgskolen i Telemark EKSAMEN 5602 DATABASER 02.12.2010 Tid: 9-14 Målform: Sidetall: Hjelpemidler: Merknader: Bokmål/nynorsk 17 (inkludert denne forsiden) Ingen Ingen Vedlegg: A: Eksempeldata og B: Svarark
DetaljerDATAVAREHUS PROSJEKTOPPGAVE VÅREN 1996
Sammendrag I denne rapporten blir det sett nærmere på datavarehus-teknologi. Et datavarehus er en database hvor man samler data fra flere systemer og legger dem best mulig til rette for analyse. I dette
DetaljerDBS18 - Strategier for Query-prosessering
Side 1 for Databaser DBS18 - Strategier for Query-prosessering søndag 22. mai 2016 13.03 Pensum 18.1-18.4, side 655-674, unntatt 18.4.4 og 18.4.5 En spørring som blir skrevet i et høynivå-språk, må bli
DetaljerKunde og BI leverandør hånd i hånd - eller..? Anders Hernæs / ah@ravnorge.no Lars- Roar Masdal / lrm@ravnorge.no
Kunde og BI leverandør hånd i hånd - eller..? Anders Hernæs / ah@ravnorge.no Lars- Roar Masdal / lrm@ravnorge.no risiko > agenda > verdi ravnorge.no 2009 Vår visjon Være anerkjent som de ledende rådgiverne
Detaljer1. SQL datadefinisjon og manipulering
Avdeling for informatikk og e-læring, Høgskolen i Sør-Trøndelag SQL datadefinisjon og manipulering Tore Mallaug 7.10.2008 Lærestoffet er utviklet for faget Databaser 1. SQL datadefinisjon og manipulering
DetaljerMigrering hos Gjensidige Bank. 9. februar 2011 Ellen Aaslund - Gjensidige Bank Knut Erik Terjesen - bwise
Migrering hos Gjensidige Bank 9. februar 2011 Ellen Aaslund - Gjensidige Bank Knut Erik Terjesen - bwise Historie 2 Nøkkeltall per Q3 2010 84 291 kunder 142 ansatte Oslo 92 fra Citibank Førde 50 fra GB
DetaljerUnit Relational Algebra 1 1. Relational Algebra 1. Unit 3.3
Relational Algebra 1 Unit 3.3 Unit 3.3 - Relational Algebra 1 1 Relational Algebra Relational Algebra is : the formal description of how a relational database operates the mathematics which underpin SQL
DetaljerD: Ingen trykte eller håndskrevne hjelpemiddel tillatt. Bestemt, enkel kalkulator tillatt.
Side 1 av 6 Norges teknisk-naturvitenskapelige universitet Institutt for datateknikk og informasjonsvitenskap LØSNINGSFORSLAG TIL EKSAMENSOPPGAVE I FAG TDT4145 DATAMODELLERING OG DATABASESYSTEMER, ver
DetaljerDatabases 1. Extended Relational Algebra
Databases 1 Extended Relational Algebra Relational Algebra What is an Algebra? Mathematical system consisting of: Operands --- variables or values from which new values can be constructed. Operators ---
DetaljerCharacteristics of a good design
Characteristics of a good design (PPT. side 1) Innledning Høykvalitetsdesign bør ha visse karakteristikker for å oppnå kvalitetsprodukter, dvs.: enkelt å forstå enkelt å implementere enkelt å teste enkelt
DetaljerUNIVERSITETET. Indeksering. Konvensjonelle indekser B-trær og hashing Flerdimensjonale indekser Hashliknende strukturer.
UNIVERSITETET IOSLO Indeksering Konvensjonelle indekser B-trær og hashing Flerdimensjonale indekser Treliknende strukturer Hashliknende strukturer Bitmapindekser Institutt for Informatikk INF30 22.2.2011
DetaljerAlle attributter har NULL som mulig verdi. mulige verdier for integer: NULL, 0, 1, 2, 3...
NULL verdier Alle attributter har NULL som mulig verdi mulige verdier for integer: NULL, 0, 1, 2, 3... Dog mulig å lage tabeller med attributter som forbyr NULL Ulik bruk: manglende informasjon («vet ikke
DetaljerAd Hoc. Hvordan forberede for det utforutsette? bwise Software Thomas Schøyen
Ad Hoc. Hvordan forberede for det utforutsette? bwise Software Thomas Schøyen mailto: thomas.schoyen@bwise.no SELECT 'Trade' Type, null Leg_id, TradeId, drywet, Llpno, Trade_date, From_place_id, To_place_id,
DetaljerSyscom Brukerforum 2013
Syscom Brukerforum 2013 «Måling med mening» Claus H. Karlsen Agenda Generelt rundt målinger og rapportering Hvorfor måler vi Den røde tråden Hvem trenger informasjon Tilvirking av målinger og rapporter
DetaljerORDBMS og OODBMS i praksis
ORDBMS og OODBMS i praksis Lars Vidar Magnusson November 2, 2011 Lars Vidar Magnusson () Forelesning i DAS 01.11.2011 November 2, 2011 1 / 18 Eksempler på ORDBMS Flere av de store databaser i dag hevder
DetaljerINF2810: Funksjonell Programmering. Strømmer og utsatt evaluering
INF2810: Funksjonell Programmering Strømmer og utsatt evaluering Stephan Oepen Universitetet i Oslo 30. mars 2017 Forrige forelesning 2 Mer om (prosedyre)navn, bindinger, og verditilordning Nok en ny abstrakt
Detaljer2. Beskrivelse av mulige prosjektoppgaver
Avanserte databaser (øving 9, 10, 11 & 12) Tore Mallaug 25.01.2008 Opphavsrett:Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO326D Avanserte Databaser INNLEVERINGSFRISTER (Obligatorisk
DetaljerModellering av verk Verk og uttrykk i et brukerperspektiv. Litt om modeller/modellering
odellering av verk Verk og uttrykk i et brukerperspektiv Trond Aalberg IDI, NTN Oversikt Litt om modeller/modellering FRBR er og FRBR oo Teoretisk perfeksjonisme eller forenkling for brukere? odeller/mønster
DetaljerInnhold Forord Innledning Kapittel 1 Introduksjon til databaser og databasesystem
Innhold Forord....................................................... 5 Innledning.................................................... 15 Databaser som basis i grunnopplæringen....................... 15
DetaljerSikkerhet og tilgangskontroll i RDBMS-er
Sikkerhet og tilgangskontroll i RDBMS-er IN2090 14. nov 2018 Mathias Stang 1 Agenda Modeller for tilgangskontroll Brukere og roller i RDBMS-er GRANT og REVOKE SQL Injections 2 Hovedmål med databasesikkerhet
Detaljer1. Explain the language model, what are the weaknesses and strengths of this model?
Øving 2 Task 1 Language Model 1. Explain the language model, what are the weaknesses and strengths of this model? En language model er en model som brukes til å forenkle spørringer etter ord i dokumenter.
DetaljerDATAUTFORSKNING I EG, EG 7.1 OG EGENDEFINERTE FUNKSJONER SAS FANS I STAVANGER 4. MARS 2014, MARIT FISKAAEN
DATAUTFORSKNING I EG, EG 7.1 OG EGENDEFINERTE FUNKSJONER SAS FANS I STAVANGER 4. MARS 2014, MARIT FISKAAEN 2 INNLEDNING TEMA I SAS Enterprise Guide versjon 5.1 (februar 2012) kom det et nytt datautforskingsverktøy,
DetaljerQuickGuide Oppdateres fortløpende ved nye funksjoner
QuickGuide 27.09.18 Oppdateres fortløpende ved nye funksjoner 1.Dashboard Det første man blir presentert ved pålogging er dashbordet til WELS Base. Dette er fremdeles under utvikling og vil i fremtiden
DetaljerDatabase security. Kapittel 14 Building Secure Software. Inf329, Høst 2005 Isabel Maldonado st10900@student.uib.no
Database security Kapittel 14 Building Secure Software Inf329, Høst 2005 Isabel Maldonado st10900@student.uib.no Kort introduksjon Database er en organisert samling av data. SQL(Structured Query Language)
DetaljerKanskje en slide som presenterer grunderen?
Visjon: Den eksklusive partner for informasjonsutveksling i logistikkjeden til norsk sokkel. I løpet av 5 år skal vi være med våre kunder internasjonalt 26.04.2010 1 Kanskje en slide som presenterer grunderen?
DetaljerSPARQL. Daniel Reinholdt. Trondheim Daniel Reinholdt (NTNU) SPARQL Trondheim / 17
SPARQL Daniel Reinholdt Trondheim 30.09.16 Daniel Reinholdt (NTNU) SPARQL Trondheim 30.09.16 1 / 17 Oversikt 1 SPARQL Hva er SPARQL? Fordeler med et språk som SPARQL 2 Grunnleggende informasjon Joseki
DetaljerProfitbase InFront. Riktig informasjon til rett tid og sted som grunnlag for riktige beslutninger!
Profitbase InFront Riktig informasjon til rett tid og sted som grunnlag for riktige beslutninger! Introduksjon til Profitbase Historie og eierskap Etablert desember 1999 Med produkthistorie tilbake til
DetaljerEn liten rekap. Spørrespråk. I dag SELECT
[Kurssidene] [ ABI - fagsider bibin ] Michael Preminger (michaelp@hioa.no) 06/11-15 Databaser høsten 2015 En liten rekap ER-diagram - vi modellerer dataene våre til danne best mulig grunnlag for informasjonen
DetaljerUNIVERSITETET I OSLO RELASJONSALGEBRA. Regning med relasjoner. Institutt for Informatikk. INF Ragnar Normann
UNIVERSITETET I OSLO RELASJONSALGEBRA Regning med relasjoner Institutt for Informatikk 1 Relasjonsalgebraen definerer en mengde av operasjoner på relasjoner gir oss et språk til å beskrive spørsmål om
DetaljerDatamodellering i det virkelige liv. Jan-Thore Bjørnemyr
Datamodellering i det virkelige liv Jan-Thore Bjørnemyr Jan-Thore Bjørnemyr Cand. Scient., databehandling 1991 Jobbet for Ericsson, IBM og Control Data Gründer Selvstendig konsulent Canada, USA, Argentina,
DetaljerRelasjonsalgebraen. Algebra
Relasjonsalgebraen Definerer en mengde av operasjoner på relasjoner Gir oss et språk til å beskrive spørsmål om innholdet i relasjonene Språket er prosedyralt: Vi sier hvordan svaret skal beregnes. Alternativet
DetaljerQuerying the Internet with PIER
Querying the Internet with PIER TDT2 Avanserte distribuerte systemer 17.10.2005 Truls Jørgensen Disposisjon 2 Hva er PIER? (1) Peer-to-Peer Information Exchange and Retrieval Paring av tradisjonell prosessering
DetaljerPLATON EXECUTIVE BRIEFINGS
PLATON EXECUTIVE BRIEFINGS Våren 2014 Deltakelse er gratis! Meld deg på via no.platon.net/pb Påmelding Deltakelse er gratis (NOK 500,-. faktureres ved å utebli uten å gi beskjed) Deltakelse er gratis!
DetaljerEKSAMENSFORSIDE Skriftlig eksamen med tilsyn
EKSAMENSFORSIDE Skriftlig eksamen med tilsyn Emnekode: Emnenavn: 6102 Databaser Dato: Tid fra / til: 06.06.2017 10:00-14:00 Ansv. faglærer: Bjørn Kristoffersen Campus: Fakultet: Bø Handelshøyskolen Antall
DetaljerVisjonsmatriser. En velprøvd metode for kobling av strategi og visjon:
Visjonsmatriser En velprøvd metode for kobling av strategi og visjon: Strategier utarbeides ofte med fordel i en hierarkisk struktur. Man starter øverst med de overliggende målsettinger eller visjoner
DetaljerUtvikling fra kjernen og ut
Utvikling fra kjernen og ut PHP-arkitektur Brukergrensesnitt! inn ut Dynamisk web-side bygges opp på grunnlag av spørring mot databasen Utviklingsretning Applikasjon Virkelighetsmodell Plattform Bruker
DetaljerNyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING
Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING 1 Word 1.1 Gjør ting raskt med Fortell meg det Du vil legge merke til en tekstboks på båndet i Word 2016 med teksten Fortell meg hva du vil gjøre.
DetaljerCopyright 2010, SAS Institute Inc. All rights reserved.
Analyse. Oppdatering og stresstesting av eksisterende modeller og deling av risk scenarier. Cathrine Pihl Næss Senior Advisor - Analytical Intelligence SAS Institute Agenda Oppdatering på utvalgte områder
DetaljerHelhetlig integrasjonsplattform. Per Olav Nymo
Helhetlig integrasjonsplattform Per Olav Nymo Affecto i korte trekk Bergen I Norge siden 1997 Spesialisert på Enterprise Information Management 130 ansatte i Oslo og Bergen 1.000 ansatte i Norden og Baltikum
DetaljerInternrevisjon i en digital verden
Internrevisjon i en digital verden IIA Norge årskonferanse, Fornebu 29. 30. mai 2017 Services 1 Industry 4.0 Big Data 3D Printing Internet of Things Digitisation 2 Exponential organizations Disruption
DetaljerKap. 10 Systemutvikling System Engineering
Kap. 10 Systemutvikling System Engineering - Utvikling og integrering av både maskin- og programvare. - Hvordan oppstår behov for programvare? - Hvordan inngår programvare i en sammenheng med andre (del)systemer,
DetaljerSensorveiledning for IN2090 og INF desember :30 18:30 (4 timer)
Sensorveiledning for IN2090 og INF1300 6. desember 2018 14:30 18:30 (4 timer) 1. Eksterne skranker (5%) I modellene nedenfor (ORM2) skal du anta at alle begreper har en unik representasjon. Er plasseringen
DetaljerINF2810: Funksjonell Programmering. Trær og mengder
INF2810: Funksjonell Programmering Trær og mengder Stephan Oepen Universitetet i Oslo 16. februar 2017 Tema 2 Forrige uke Høyereordens prosedyrer lambda, let og lokale variabler Dataabstraksjon I dag Lister
DetaljerEksamensoppgave i TDT4145 Datamodellering og databasesystemer
Institutt for datateknikk og informasjonsvitenskap Eksamensoppgave i TDT4145 Datamodellering og databasesystemer Faglig kontakt under eksamen: Svein Erik Bratsberg: 99539963 Roger Midtstraum: 99572420
DetaljerIT-ledelse 25.jan - Dagens
IT-ledelse 25.jan - Dagens 1. Virksomheters anvendelse av IT-baserte informasjonssystemer 2. Alle nivåer i bedriftshierarkier støttes av informasjonssystemer Operasjonelt nivå, Mellomleder nivå, Toppledelse
DetaljerGeWare: A data warehouse for gene expression analysis
GeWare: A data warehouse for gene expression analysis T. Kirsten, H.-H. Do, E. Rahm WG 1, IZBI, University of Leipzig www.izbi.de, dbs.uni-leipzig.de Outline Motivation GeWare Architecture Annotation Integration
DetaljerLøsning til Eksamensoppgave i TDT4145 Datamodellering og databasesystemer
Institutt for datateknikk og informatikk Løsning til Eksamensoppgave i TDT4145 Datamodellering og databasesystemer Faglig kontakt under eksamen: Roger Midtstraum: 995 72 420 Svein Erik Bratsberg: 995 39
DetaljerINF2810: Funksjonell Programmering. Trær og mengder
INF2810: Funksjonell Programmering Trær og mengder Stephan Oepen Universitetet i Oslo 16. februar 2016 Tema 2 Forrige uke Høyereordens prosedyrer lambda, let og lokale variabler Dataabstraksjon I dag Lister
DetaljerKUNDENS KRAVSPESIFIKASJON
Bilag 1 til Vedlikeholdsavtalen (SS-V) KUNDENS KRVSPESIFIKSJON vtalereferanse: PROSJ-011-13 Vedlikeholdsavtale DVH PPLINCE Innholdsfortegnelse 1 STRUKTUR FOR KUNDENS KRVSPESIFIKSJON... 3 1.1 Beskrivelse
DetaljerINF1300 Introduksjon til databaser
UNIVERSITETET I OSLO INF1300 Introduksjon til databaser Dagens tema: Relasjonsalgebraen Oversettelse av select-from-where til relasjonsalgebra SQL: union, snitt, differanse, kartesisk produkt INF1300 22.10.2007
DetaljerHvordan komme i gang med ArchiMate? Det første modelleringsspråket som gjør TOGAF Praktisk
Hvordan komme i gang med ArchiMate? Det første modelleringsspråket som gjør TOGAF Praktisk Logica 2012. All rights reserved No. 3 Logica 2012. All rights reserved No. 4 Logica 2012. All rights reserved
DetaljerHøgskolen i Telemark EKSAMEN 6102 DATABASER 10.12.2015. Tid: 10-14. Hjelpemidler: Vedlegg: Eksempeldata til oppgave 1
Høgskolen i Telemark EKSAMEN 6102 DATABASER 10.12.2015 Tid: 10-14 Målform: Sidetall: Hjelpemidler: Merknader: Bokmål/nynorsk 13 med forside Ingen Ingen Vedlegg: Eksempeldata til oppgave 1 Eksamensresultater
Detaljer1. Relasjonsmodellen. 1.1. Kommentarer til læreboka
Avdeling for informatikk og e-læring, Høgskolen i Sør-Trøndelag Relasjonsmodellen Tore Mallaug 2.9.2013 Lærestoffet er utviklet for faget Databaser 1. Relasjonsmodellen Resymé: Denne leksjonen gir en kort
DetaljerRelasjonsalgebra Kopi av lysark om relasjonsalgebra. Vi går igjennom denne for å lage et matematisk fundament for forståelsen av hvordan
Relasjonsalgebra Kopi av lysark om relasjonsalgebra. Vi går igjennom denne for å lage et matematisk fundament for forståelsen av hvordan select-setningen virker. Temaer som blir tatt inn i SQL-notatet:
DetaljerInformasjonsorganisering. Information Architecture Peter Morville & Jorge Arango Kapittel 4, 5 & 6
Informasjonsorganisering Information Architecture Peter Morville & Jorge Arango Kapittel 4, 5 & 6 Bevissthet om sted, omgivelser og tingenes plassering Ting er noe vi forstår i relasjon til noe annet Informasjonsomgivelsenes
DetaljerTDT4117 Information Retrieval - Autumn 2014
TDT4117 Information Retrieval - Autumn 2014 Assignment 1 Task 1 : Basic Definitions Explain the main differences between: Information Retrieval vs Data Retrieval En samling av data er en godt strukturert
DetaljerLitt kontekst Topic maps er en måte å organisere informasjon på en ISO standard (ISO/IEC 13250:2000) en XML applikasjon et lag oppå XML (gjerne også o
Topic maps Orden i informasjonskaos Lars Marius Garshol, larsga@ontopia.net Litt kontekst Topic maps er en måte å organisere informasjon på en ISO standard (ISO/IEC 13250:2000) en XML applikasjon et lag
Detaljer