دانلود تحقیق کاربرد کامپیوتر در ریاضی 36 ص

اختصاصی از یارا فایل دانلود تحقیق کاربرد کامپیوتر در ریاضی 36 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 34

تحلیل داده ها

1- ارقام با معنی:

برای تعیین رقمهای با معنا ، رقمها را از سمت چپ به راست می شماریم. صفرهایی ک قبل از اولین رقم سمت چپ نوشته می شوندجزء رقمهای با معنا به حساب نمی آیند این صفرها به هنگام تبدیل یکاها ظاهر می شوند و تبدیل یکاها نباید تعداد رقمهای با معنا را تغییر دهد

12/6 : سه رقم بامعنی

0010306/0 :پنج رقم با معنی که اولین رقم با معنی یک است.صفرهای قبل از یک با معنی نیستند

20/1 : سه رقم با معنی در صورتیکه صفر با معنی نباشد عدد باید به صورت2/1 نوشته شود

38500 : سه رقم با معنی، چیزی برای اینکه نشان دهد صفرها با معنی هستند یا نه مشخص نیست می توان این ابهام را با نوشتن بصورتهای زیر برطرف کرد:

: هیچکدام از صفرها با معنی نیستند

: یکی از صفرها با معنی است

:هر دو صفر با معنی است

m 040/0 = Cm0 /4=mm40 که هر سه دارای سه رقم با معنی هستند.

2- گرد کردن اعداد:

اگر بخواهیم ارقام عدد 3563342/2 را به دو رقم کاهش دهیم، این عمل را گرد کردن عدد می نامند. برای این منظور باید به رقم سوم توجه کنیم بدین صورت که اگر قم سوم بزرگتر یا مساوی5 باشد رقم دوم به طرف بالا گرد می شود و اگر رقم سوم کوچکتر از 5 باشد رقم دوم به حال خود گذاشته می شود

4/1 3563342/2

62700 62654

108/0 10759/0

3- محاسبات و ارقام با معنی:

می خواهیم سطح مقطع یک استوانه به قطر6/7 را بدست آوریم:

اشکال کار: اگر دقت کنیم محاسبات تا 10 رقم با معنی است اگر از کامپیوتری تا 100 رقم استفاده می کردیم چه؟ در صورتیکه قطر کره تا دو رقم با معنی است بنابراین در اینگونه موارد به نکات زیر توجه می کنیم:

توجه: اگر مجبورید محاسبه ای را که در آن خطای مقادیر مشخص نیست انجام دهید و می بایستی فقط با ارقام با معنی کار کنید به نکات زیر توجه کنید:

الف ) زمانی که اعداد را در هم ضرب و یا بر هم تقسیم می کنید: عددی که با کمترین ارقام با معنی در محاسبه است را شناسایی کنید به حاصل محاسبه همین تعداد ارقام با معنی نسبت دهید

چون 7/3 با دو رقم با معنی است

ب ) زمانی که اعداد را با هم جمع و یا از هم کم می کنید: تعداد ارقام اعشاری عدد حاصل از محاسبه را برابر تعداد کمترین ارقام اعشاری اعداد شرکت داده شده در محاسبه گرد کنید

کمترین اعشار مربوط به1/13 است

مثال: شعاع یک کره5/13 سانتیمتر برآورد شده است. حجم ایمن کره را بدست آورید؟

جواب:

مثال: چگالی کرهای به جرم44/0 گرم و قطر76/4 میلی متر را بدست آورید؟

4- متغیرهای وابسته و مستقل:

به کمیتی که مقدار آن را می توانیم تنظیم نمائیم و یا در طول آزمایش به دلخواه تغییر داده می شود، متغیر مستقل گفته می شود و آنرا به عنوان مختصهx در نمودار می گیریم.

به کمیتی که بر اثر تغییر در متغیر مستقل پیدا می کند، متغیر وابسته گفته می شود و به عنوان مختصهy در نمودار گرفته می شود.

مثلا در آزمایش انبساط طولی میله در اثر حرارت دما متغیر مستقل و طول میله متغیر وابسته می باشد

5- خطا :

تمام اندازه گیریها متاثر از خطای آزمایش هستند.منطور این است که اگر مجبور با انجام اندازه گیریهای پیایی یک کمیت بخوصوص باشیم، به احتمال زیاد به تغییراتی در مقادیر مشاهده شده برخورد خواهیم کرد. گرچه امکان دارد بتوانیم مقدار خطا را با بهبود روش آزمایش و یا بکارگیری روشهای آماری کاهش دهیم ولی هرگز نمی توانیم آن را حذف کنیم.

1-5- خطای دقت وسایل اندازه گیری :

هیچ وسیله اندازه گیری وجود ندارد که بتواند کمیتی را با دقت بینهایت اندازه گیری نماید.بنابراین نادیده گرفتن خطای وسایل اندازه گیری در آزمایش اجتناب ناپذیر است.

اگر اندازه کمیتی که اندازه می گیریم با گذر زمان تغییر نکند، مقدار خطا را نصف کوچکترین درجه بندی آن وسیله در نظر می گیریم.

مثال:

متر کوچکترین درجه mm1 = مقدار خطا

پس اندازه گیریی mm54 را بصورت بیان می کنیم

دما سنج کوچکترین درجه ºC2 = مقدار خطا

پس اندازه گیریی ºC60 را بصورت بیان می کنیم

2-5- خطای خواندن مقدار اندازه گیری:

3-5- خطای درجه بندی وسایل اندازه گیری:

تعریف خطای مطلق: اگر خطا را با همان یکای کمیت اندازه گیری شده بیان نمائیم، به این خطا، خطای مطلق کمیت اندازه گیری گفته می شود

تعریف خطای نسبی: اگر خطا بصورت کسری باشد، به این کسر، خطای نسبی مقدار کمیت اندازه گیری شده گفته می شود

4-5- ترکیب خطاها :

ممکن است در آزمایشی نیاز به یافت چند کمیت، که باید آنها را بعداُ در معادله ای وارد کنیم، داشته باشیم برای مثال ممکن است جرم و حجم جسمی را اندازه بگیریم و سپس نیاز به محاسبه چگالی داشته باشم، که با رابطه زیر تعریف می شود: سوال اینجاست که چه ترکیبی از خطاهای مقادیر m وV ] اندازه خطای را بدست می دهد. بدین منظور سه روش زیر ارائه داده می شود:

الف) روش اول: این روش را با دومثال زیر توضیح می دهیم:

مثال1: قطر سیمی با مقطع دایره ای برابر است با: مطلوب است اندازه سطح سیم و مقدار خطای آن؟

پاورپوینت درباره پایگاه داده های بقراطی

اختصاصی از یارا فایل پاورپوینت درباره پایگاه داده های بقراطی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل :power point( قابل ویرایش) تعداد اسلاید: 26 اسلاید

فهرست مطالب

•حریم خصوصی(Privacy)

•رویکردهای حفظ حریم خصوصی

•پایگاه داده های بقراطی (Hippocratic Databases)

–اِعمال فعال(Active Enforcement)

–بررسی اجابت(Compliance Auditing)

–

–

–امتحان میان  نیمسال

حریم خصوصی

•هر نوع اطلاعات شخصی

•حفظ حریم خصوصی

–حق افراد برای مشخص کردن اینکه اطلاعات شخصی خودشان چه زمانی، چگونه و به چه میزانی میتواند به دیگران منتقل گردد.

•مشکلات حفظ حریم خصوصی

–ممکن است قسمتی از حریم خصوصی را برای بدست آوردن آنچه می خواهیم، از دست بدهیم.

–هنگامی که داده را ارائه دادیم، دیگر کنترلی روی داده هایمان نخواهیم داشت.

–سوال مهم: آیا داده را می توانیم واگذار کنیم، بدون اینکه برای حریم خصوصی خدشه ای وارد شود؟

•

رویکردهای مختلف

•رویکردهای مختلف به حفظ حریم خصوصی

–درشت دانه: حفظ حریم خصوصی بیرون از پایگاه داده ها

•حفظ حریم خصوصی پس از استخراج داده از پایگاه داده ها در یک برنامه کاربردی

•IDEMIX

–ریز دانه: حفظ حریم خصوصی در درون پایگاه داده ها

•حفظ حریم خصوصی قبل از استخراج داده از پایگاه داده ها در DBMS

•Hippocratic DBs

دانلود پروژه بازار استخراج داده ها

اختصاصی از یارا فایل دانلود پروژه بازار استخراج داده ها دانلود با لینک مستقیم و پر سرعت .

مقدمه

بازار ابزار استخراج داده ها از دو راه ابتدایی خود در حال ظهور می‌باشد . بسیاری از ابزارهایی که در اینجا توضیح داده می‌شوند ، در مرحلة اول انتشار می‌باشند.

موقعیت در بازار CRM که عموماً بخشی از سیستم تجارت الکترونیکی در نظر گرفته می‌شود ، پیچیده تر می‌باشد و بنابراین با سرعت وب یا شبکه در حال حرکت می‌باشد. بازار CRM ، حتی بیشتر از بازار ابزار استخراج داده‌ها با چندین فروشنده که بر تعریف خود بازار و موقعیت خود در این بازار متمرکزند ، توصیف می‌گردد.

این اشتباه، با ماهیت بسیار دینامیک خود بازار که یک فعالیت قابل رویت تحکیم مشتری، شرکتهای ادغامی‌و تملیک ها را تحمل می‌کند، بیشتر می‌گردد. علی رغم کل این چالشها، باز رو به تکامل می‌رود و فروشندگان، پیشرفت مهمی‌در علمی‌بودن ابزار، قابلیت استفاده و قابلیت اداره‌ کسب می‌کنند.

اولین بخش این فصل ، به کاربردهای بسته بندی شده  استخراج داده ها می‌پردازد. این کاربردها ، بر اساس چندین تکنیک استخراج داده ها  ادغام شده در ابزارهای بهتر می‌باشد . همراه با بهترین عملکرد ها ، اسلوب شناسی های خوب تعریف شده و فرآیندها، راه خود را در محیط های تولید شرکتها که در آن استخراج داده ها بخشی از یک فرآیند موسسه ای شده می‌شود می‌یابند که شامل رشد و یادگیری سازمانی می‌شود .

بازار استخراج داده ها

بیائید بازار استخراج داده ها را از نقطه نظر منحنی اقتباسی تکنولوژی در نظر بگیریم ایمنی به اقتباس کنندگان اولیه ، از تکنولوژی لبة یادگیری برای دستیابی به مزیت رقابتی استفاده می‌کنند ؛ هنگامیکه تکنولوژی تکامل می‌یابد ، شرکتهای بیشتری آن را اقتباس می‌کنند ، و در یک حالت تجارت زمانی و عادی درج می‌نمایند . همچنین مناطق عملی بودن ابزاهای استخراج داده ها بزرگتر و بزرگتر می‌شوند. به عنوان مثال ، تکنولوژی وایت اوک ( یک شرکت استخراج داده ها در مریلند)  از جانب کمیسیون فدرال الکترون، مجوز فروش سیستم گچین ماینر Capain Miner را کسب کرده است که بی نظمی‌در دخالتهای سیاسی فدرال را کشف می‌کند . نورتل، یک بسته کشف کلاهبرداری را توسعه داده است به نام سوپر اسلوت فراود ادوایسور ، که از تکنولوژیهای شبکة عصبی استفاده می‌کند .

صنعت ابزار استخراج داده ها ، برخلاف تکنولوژیهای استخراج داده ها ، در مرحلة عدم تکامل قرار دارد و می‌کوشد تا بازار را تعیین نماید . و وجودش را تائید کند . به همین دلیل است که در می‌یابیم بازار ابزارهای استخراج داده ها تحت تاثیر موارد زیر قرار دارد:

• qادغام پیوسته و مداوم ابزارها با اتکاء به تکنولوژیهای مکمل و به عنوان مثال OLAP
• q ظهور کاربردهای بسته بندی شدة عمودی و یا اجزاء استخراج داده ها برای توسعة کاربرد .
• q استراتژیهای بسیار اقتباس شده شرکت بین فروشندگان ابزار استخراج داده ها و فروشندگان تهیه کنندگان راه حل جامع و ادغام کننده های سیستم ها : فروشندگان مقیاس مؤسسه ، همانند IBM NCR ، اوراکل ، میکروسافت ) به عنوان مثال ، اوراکل چندین شریک متعدد استخراج داده ها به عنوان بخشی از او را کل ویرهاوس اینتیشیتیو از جمله آنگاسن دیتا مایند ، دیتاپکیج اینفورمیشن دیسکاوری ، SRA , SPSS اینترنشنال و تینکینگ ماشینز را انتخاب کرده است .

اصول طبقه بندی ابزارهای استخراج داده ها

ما می‌توانیم کل بازار ابزارهای استخراج داده ها را به سه گروه اصلی تقسیم نمائیم ؛ ابزارهای دارای هدف کلی ، ابزارهای ادغام شدة استخراج داده ها DSSOLAP ، و ابزارهای به سرعت در حال رشد و برای کاربرد.

ابزارهای هدف کلی بخش بزرگتر و کامل تر بازار را اشغال می‌کند . آنها بنا به تعریف و برای کاربرد نیستند و حوزه آنها از نظر ماهیت افقی است . این ابزار شامل موارد زیر می‌شود .

• SAS اینترپراز ماینر
• IBM اینتلیجنت مایننر
• یونیکا PRW
• SPSS کلمنتین
• SGI ماین ست
• اوراکل داروین
• آنگاس نالج سیکر

بخش ابزار مرکب یا اداغام شدة استخراج داده ها بر شرط تجاری بسیار واقعی و اجباری داشتن ابزار چند منظورة تقویت تصمیم تاکید می‌کند که گزارش مدیریت ، پردازش تحلیلی روی خط ، و قابیت های استخراج داده ها در یک قالب کاری عادی را فراهم می‌کند . نمونه های این ابزار های مرکب شامل کاکنوس  سیناریو و بیزینس آبجکت می‌شود.

بخش ابزارهای ویژة کاربرد ، به سرعت در حال حرکت است ، و فروشندگان در این فضا ، می‌کوشند تا خود را با ارائة راه حلهای تجاری به جای جستجوی تکنولوژی برای یک راه حل ، از سابرین متمایز نمایند . حوزة این ابزار ، بنا به تعریف از نظر ماهیت عمودی است . در بین این ابزارها ، موارد زیر قرار دارند:

• KD1 ( متمرکز بر خرده فروشی است )
• حق انتخابها و انتخابها ( بر صنعت بیمه متمرکز است )
• HNC ( بر کشف کلاهبرداری متمرکز است )
• یونیکا مدل 1 ( بر بازاریابی متمرکز است )

ارزیابی ابزار : صفات و اسلوب شناسی ها

کل این عوامل ارائه یک توصیف بهینه از ابزارهای استخراج طولانی تر موجود را مشکل ساخته است . بنابراین . بطور کلی ابزارهای استخراج داده ها را می‌توان با استفاده از صفات زیر ، توصیف نمود :

• qتکامل محصول و ثبات و استحکام شرکت . به دلیل عدم تکامل کلی بازار تجاری برای ابزارهای استخراج داده ها ، این مقوله محصولاتی را توضیح می‌دهد که برای جنبش از چند سال وجود داشته اند.
• q سکوها و معماری. سکوهای متنوع از نظر تجاری موجود را تقویت کنید ، مدل چند تأبیری مشتری / خادم را تقویت کنید . هدف قابلیت سنجش، دسترسی به سرعت نزدیک به خطی و سنجش زمان اجرا ، به عنوان میزان داده ها ( اندازة بانک اطلاعاتی ) ، تعداد متغیرها ، و تعداد کاربران متصل به هم می‌باشد که در حال رشد هستند .
• q تداخلهای داده ها ، قابلیت ابزار برای دسترسی به بانکهای اطلاعاتی ارتباطی ، فایلهای یکنواخت و سایر فورمتها.
• q قابلیتهای استخراج داده ها از جمله تکنیکها ، الگوریتم ها و کاربردهای تحلیلی ،‌ تکنیکهای استخراج داده ( ANN ، CART ، ایفاء قانون و غیره ) با تداخل عادی کاربر که ابزار می‌تواند آن را تقویت نماید، توانایی ایجاد و مقایسة چندین مدل ؛ و توانایی برای تقویت تعدادی از انواع مختلف تجزیه و تحلیل از جمله طبقه بندی ، پیشگویی و کشف اتحاد.
• q ایجاد داده ها قابلیت تغییر شکل و طبقه بندی متغیرهای پیوسته ، ایجاد متغیرهای جدید ، استفاده از تاریخها و زمان ، استفاده از ارزشهای از دست رفته و غیره.
• q مدل (خصوصیت تفسیر ، ارزیابی ، صف بندی) . این مقوله ، ابزار را از نظر قابلیت انجام کارهای زیر ، ارزیابی می‌کند:
• شناسایی مدل بطور اتوماتیک یا دستی ، توسط کاربر
• توضیح نتایج و تعریف مقایسهای اعتمادی یعنی احتمالات طبقه بندی ،‌ حدود اعتماد و غیره
• ارزیابی نتایج مدل با درجه و تناسب
• گزارش دخالت و سهم هر متغیر در مدل ، گزارش درجة افزایش و غیره
• صف بندی مدل برای امتیاز بانکهای اطلاعاتی منبع
• استخراج مقرارت از مدل
• دسته بندی قوانین استخراج شده در یک شکل استاندارد ( به عنوان مثال کد SQL، اظهارات روشی )
• qعملکرد
• اعتبار پیشگویی اعتبار بر اساس نرخ خطای نمونة پیشگویی می‌باشد ؛ اعتبار مدل را می‌توان با درجة افزایش اندازه گیری نمود.
• کارایی پردازش . اجزای بهینة زمان اجرای الگوریتم ها
• qتداخلهای کاربر . این مقوله در می‌یابد آیا ابزار یک کاربر مبتدی و یا کارشناس را تقویت می‌کند یا نه و موارد زیر را تقویت می‌نماید:
• الگوهای سنجش تجاری . قابلیت ایجاد الگوهای از قبل بسته بندی شده ، برای تقویت بسته های تجاری ویژه ( به عنوان مثلا بازاریابی هدف ، امتیازدهی اعتبار، کشف کلاهبرداری ).
• تداخل متادیتا . قابلیت تقویت وظیفة طراحی معنایی ؛ دستیابی به متادیتا برای کدگذاری جداول مقادیر مقوله ای ، دستیابی به قوانین استخراج ، تغییر شکل و مهاجرت به تعریف دیدگاه تجاری خروجی مدل
• qقابلیت اداره
• کنترل پیچیدگی . این یکی از روشهای اصلاح تصمیم مدل است ، بنابراین مدل را بیشتر قابل اداره می‌نماید . به عنوان مثال ، استفاده از پارامترهای بسیار آزاد منجر به تناسب بیش از حد می‌گردد ( قبلاً بحث شد ) ؛ این پیچیدگی را می‌توان با زوال وزن ، کنترل نمود . الگوریتم های درخت تصمیم CART از فاز شاخه زنی یا ضریب برای کاهش پیچیدگی مدل درخت استفاده می‌نمایند .
• سختی . اعتبار درخت و موجود بودن به قابلیت یا بهبود سریع از یک نقطة ضعف . استفاده از اجزاء کلیدی به منظور ادغام در قالب کاری مدیریت سیستم ها ( به عنوان مثال BMCpatrol ، Tivolitme10 و غیره.)
• مرسوم سازی . قابلیت ابزار برای ایجاد یک معماری باز، انعطاف پذیر و قابل گسترش با تداخلهای برنامه ریزی کاربرد منتشر شده و نقاط خروجی کاربر که امکان این کاربردهای تقویت تصمیم، ویژة کاربر و همینطور ادغام با سایر کاربردها را فراهم می‌آورد.

هر گاه که ممکن باشد، ما ابزارهایی که از این مقوله ها استفاده می‌کند را مورد بحث قرار خواهیم داد. با این وجود ، به دلیل این که هدف این فصل ،‌ ایجاد یک بررسی کلی از ابزرهای برجسته و استخراج داده ها می‌باشد و صفات یا خصوصیات عملکرد که می‌توانیم تنها با انجام یک ارزیابی جامع از محصول با استفاده از داده‌ها بدست آوریم ، در این بحث در نظر گرفته نخواهد شد . دیگر این که فروشنده یک معیار منتشر شده یا اطلاعات بررسی کاربر در مورد عملکرد ابزار را فراهم نماید.

...

فهرست مطالب

عنوان

صفحه

بخش اول : تأثیر استخراج داده‌ها بر CRM............. 1

فصل اول : روابط مشتری

مقدمه............................................ 2   

استخراج داده‌ها چیست.............................. 5

یک نمونه ......................................... 6

ارتباط با فرآیند تجاری ........................... 8

استخراج داده‌ها و مدیریت روابط مشتری .............. 11

استخراج داده‌ها چگونه به بازاریابی بانک اطلاعاتی کمک می‌نماید  12

امتیاز دهی ...................................... 13

نقش نرم‌افزار مدیریت مبارزه....................... 13

افزایش ارزش مشتری ................................ 14

ترکیب استخراج داده‌ها و مدیریت مبارزه ............ 15

ارزیابی مزایای یک مدل اسخراج داده ها ............ 15

فصل دوم: استخراج داده‌ها و ذخیره داده‌ها- یک منظره مرتبط به هم

مقدمه ........................................... 17

استخراج داده‌ها و ذخیره داده‌ها ، یک ارتباط ........ 18

بررسی ذخیره داده‌ها................................ 21

ذخیره داده‌ها ROI.................................. 21

ذخایر داده های علمی واطلاعاتی .................... 23

 تعریف و خصوصیات یک مخزن اطلاعاتی ................. 30

معماری انبارداده‌ها .............................. 34

استخراج داده‌ها .................................. 38

استخراج داده‌های تعریف شده ....................... 38

قملروهای کاربرد استخراج داده‌ها................... 40

مقوله‌های استخراج داده‌ها و کانون تحقیق ............ 41

فصل سوم: مدیریت رابطه با مشتری

مقدمه............................................ 48

سودمندترین مشتری ................................. 49

مدیریت رابطه مشتری................................ 50

بانک اطلاعاتی متمرکز برمشتری ...................... 53

اداره مبارزات ................................... 54

تکامل تدریجی بازاریابی ........................... 56

بازاریابی حلقه بسته ............................. 57

معماریCRM....................................... 57

نسل بعدیCRM..................................... 58

بخش دوم: بنیاد - تکنولوژیها و ابزار .............. 60

فصل چهارم : اجزاء ذخیره سازی داده‌ها

مقدمه ........................................... 61

معماری کلی ...................................... 62

بانک اطلاعاتی انبار داده‌ها ....................... 63

ابزارهای ذخیره‌سازی، تحصیل، تهذیب و انتقال .......... 64

متادیتا.......................................... 65

ابزار دسترسی ..................................... 70

دسترسی و تجسم اطلاعات .............................. 71

اصول مشاهده یا تجسم داده‌ها ....................... 72

ابزار بررسی و گزارش ............................. 76

کاربردها ........................................ 77

ابزار OLAP...................................... 77

ابزارها استخراج داده‌ها .......................... 78

86 صفحه فایل Word

تاریخچه پایگاه داده

اختصاصی از یارا فایل تاریخچه پایگاه داده دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 9

تاریخچه پایگاه داده

اولین کاربردهای اصطلاح پایگاه داده به June 1963 باز می‌گردد، یعنی زمانی که شرکت System Development Corporation مسئولیت اجرایی یک طرح به نام "توسعه و مدیریت محاسباتی یک پایگاه داده‌ای مرکزی" را بر عهده گرفت. پایگاه داده به عنوان یک واژه واحد در اوایل دهه 70 در اروپا و در اواخر دهه 70 در خبر نامه‌های معتبر آمریکایی به کار رفت.(بانک داده‌ای یا Databank در اوایل سال 1966 در روزنامه واشنگتن کار رفت .

تصویر:اولین سیستم مدیریت پایگاه داده در دهه 60 گسترش یافت. از پیشگامان این شاخه چارلز باخمن می‌‌باشد. مقالات باخمن این را نشان داد که فرضیات او کاربرد بسیار موثرتری برای دسترسی به وسایل ذخیره سازی را محیا می‌‌کند. در آن زمانها پردازش داده بر پایه کارت های منگنه و نوار های مغناطیسی بود که پردازش سری اطلاعات را مهیا می‌‌کند. دو نوع مدل داده‌ای در آن زمانها ایجاد شد:CODASYL موجب توسعه مدل شبکه‌ای شدکه ریشه در نظریات باخمن داشت و مدل سلسله مراتبی که توسط North American Rockwell ایجاد شد و بعدا با اقباس از آن شرکت IBM محصولIMS را تولید نمود.

مدل رابطه‌ای توسط E. F. Codd در سال 1970 ارائه شد.او مدل های موجود را مورد انتقاد قرار می‌‌داد. برای مدتی نسبتا طولانی این مدل در مجامع علمی مورد تایید بود. اولین محصول موفق برای میکرو کامپیوتر ها dBASE بودکه برای سیستم عامل هایCP/M و PC-DOS/MS-DOS ساخته شد. در جریان سال 1980 پژوهش بر روی مدل توزیع شده (distributed database) ماشینهای دادگانی متمرکز شد، اما تاثیر کمی بر بازار گذاشت. در سال 1990 توجهات به طرف مدل شی گرا(object-oriented databases) جلب شد. این مدل جهت کنترل داده‌های مرکب لازم بود و به سادگی بر روی پایگاه داده‌های خاص، مهندسی داده(شامل مهندسی نرم افزار منابع) و داده‌های چند رسانه‌ای کار می‌‌کرد.

در سال 2000 نوآوری تازه‌ای رخ داد و دادگان اکس‌ام‌ال (XML) به وجود آمد. هدف این مدل از بین بردن تفاوت بین مستندات و داده ها است و کمک می‌‌کند که منابع اطلاعاتی چه ساخت یافته باشند یا نه در کنار هم قرار گیرند.

مدل های پایگاه داده

شگرد های مختلفی برای مدل های داده‌ای وجود دارد. بیشتر سیستم های پایگاه داده‌ای هر چند که طور معمول بیشتر از یک مدل را مورد حمایت قرار می‌‌دهند، حول یک مدل مشخص ایجاد شده اند. برای هر یک از الگوهای های منطقی (logical model) اجراهای فیزیکی مختلفی قابل پیاده شدن است و سطوح کنترل مختلفی در انطباق فیزیکی برای کاربران محیا می‌‌کند. یک انتخاب مناسب تاثیر موثری بر اجرا دارد. مثالی از موارد الگوی رابطه‌ای (relational model) است: همه رویدادهای مهم در مدل رابطه‌ای امکان ایجاد نمایه‌هایی که دسترسی سریع به سطرها در جدول را می‌‌دهد،فراهم می‌‌شود.

یک مدل داده‌ای تنها شیوه ساختمان بندی داده ها نیست بلکه معمولا به صورت مجموعه‌ای از عملیات ها که می‌‌تواند روی داده ها اجرا شود تعریف می‌‌شوند. برای مثال در مدل رابطه‌ای عملیاتی همچون گزینش (selection)، طرح ریزی (projection) و اتصال (join) تعریف می‌‌گردد.

مدل تخت

مدل تخت یا جدولی (flat (or table) model ) تشکیل شده است از یک آرایه دو بعدی با عناصر داده‌ای که همه اجزای یک ستون به صورت داده‌های مشابه فرض می‌‌شود و همه عناصر یک سطر با هم در ارتباط هستند. برای نمونه در ستون هایی که برای نام کاربری و رمز عبور در جزئی از سیستم های پایگاه داده‌ای امنیتی مورد استفاده قرار می‌‌گیرد هر سطر شامل رمز عبوری است که مخصوص یک کاربر خاص است. ستون های جدول که با آن در ارتباط هستند به صورت داده کاراکتری، اطلاعات زمانی، عدد صحیح یا اعداد ممیز شناور تعریف می‌‌شوند. این مدل پایه برنامه‌های محاسباتی(spreadsheet) است.

پایگاه داده ها با فایل های تخت به سادگی توسط فایل های متنی تعریف می‌‌شوند. هر رکورد یک خط است و فیلد ها به کمک جدا کننده هایی از هم مجزا می‌‌شوند. فرضا به مثال زیر دقت کنید:

id name team 1 Amy Blues 2 Bob Reds 3 Chuck Blues 4 Dick Blues 5 Ethel Reds 6 Fred Blues 7 Gilly Blues 8 Hank Reds داده‌های هر ستون مشابه هم است ما به این ستونها فیلد ها (fields) گوییم. و هر خط را غیر از خط اول یک رکورد(record) می‌‌نامیم. خط اول را که برخی پایگاه‌های داده‌ای آنرا ندارند رکورد برچسب(field labels) گوییم. هر مقدار داده‌ای اندازه خاص خود را دارد که اگر به آن اندازه نرسد می‌‌توان از کاراکنر فاصله برای این منظور استفاده کرد اما این مسئله مخصوصا زمانی که بخواهیم اطلاعات را بر روی کارت های منگنه قرار دهیم مشکل ساز خواهد شد. امروزه معمولا از نویسه TAB برای جداسازی فیلد ها و کاراکتر خط بعد برای رکورد بعدی استفاده می‌‌کنیم. البته شیوه‌های دیگری هم وجود دارد مثلا به مثال زیر دقت کنید:

"1","Amy","Blues" "2","Bob","Reds" "3","Chuck","Blues" "4","Dick","Blues" "5","Ethel","Reds" "6","Fred","Blues" "7","Gilly","Blues" "8","Hank","Reds" این مثال از جدا کننده کاما استفاده می‌‌کند.در این نوع مدل تنها قابلیت حذف،اضافه،دیدن و ویرایش وجود دارد که ممکن است کافی نباشد.Microsoft Excel این مدل را پیاده سازی می‌کند.

مدل شبکه ای(Network)

در سال 1969 و در کنفرانس زبانهای سیستم های داده‌ای (CODASYL) توسطCharles Bachman ارائه شد. در سال 1971 مجددا مطرح شد و اساس کار پایگاه داده‌ای قرار گرفت و در اوایل دهه 80 با ثبت آن درسازمان بین المللی استانداردهای جهانی یا ISO به اوج رسید.

ساختمان داده ها

اختصاصی از یارا فایل ساختمان داده ها دانلود با لینک مستقیم و پر سرعت .

ساختمان داده ها، یکی از دروس مهم و پایه ای دانشگاهی است که پیش نیاز دروس مختلف رشته کامپیوتر است و به عنوان مبحثی که نکات فراوانی دارد، در کنکور کارشناسی ارشد کامپیوتر و کنکور دکتری هوش مصنوعی و نرم افزار از دروس با ضرایب بالا می باشد.