智能物流概論(編輯修改稿)
2025-03-01 17:14 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 它隸屬于數(shù)據(jù)倉(cāng)庫(kù)。– 為某個(gè)部門或某項(xiàng)業(yè)務(wù)提供對(duì)應(yīng)目的或應(yīng)用范圍的數(shù)據(jù)。– 提高查詢效率及準(zhǔn)確性。（ Data Warehouse, DW）數(shù)據(jù)倉(cāng)庫(kù) 數(shù)據(jù)集市數(shù)據(jù)來(lái)源 系統(tǒng)，內(nèi)部、外部數(shù)據(jù) 數(shù)據(jù)倉(cāng)庫(kù)范圍 企業(yè)級(jí) 部門級(jí)或工作組級(jí)主題 企業(yè)主題 部門級(jí)或工作組級(jí)數(shù)據(jù)顆粒 最細(xì)的粒度 較粗的粒度歷史數(shù)據(jù) 大量的歷史數(shù)據(jù) 適度的歷史數(shù)據(jù)優(yōu)化 處理海量數(shù)據(jù)、數(shù)據(jù)索引 便于訪問(wèn)和分析、快速查詢數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)集市的區(qū)別p 聯(lián)機(jī)分析處理技術(shù)出現(xiàn)的背景l(fā) 聯(lián)機(jī)事物處理（ On Line Transaction Processing, OLTP）在1993年前被普遍使用，以處理日常業(yè)務(wù)。l 聯(lián)機(jī)分析處理技術(shù)（ On Line Analytical Processing, OLAP）在1993年由數(shù)據(jù)庫(kù)之父 E. F. Cold 提出， 滿足日益增長(zhǎng)的數(shù)據(jù)處理需求。（ On Line Analytical Processing，OLAP）p被替代原因：252。數(shù)據(jù)存儲(chǔ)量小252。對(duì)數(shù)據(jù)的查詢分析能力不能滿足需求252。只能提供簡(jiǎn)單的查詢結(jié)果OLTP OLAP數(shù)據(jù)來(lái)源 底層數(shù)據(jù)庫(kù) 數(shù)據(jù)倉(cāng)庫(kù)面向?qū)ο?操作人員和底層管理人員 決策人員和高層管理人員作用 對(duì)數(shù)據(jù)進(jìn)行查詢、增加、刪除、修改等 對(duì)數(shù)據(jù)倉(cāng)庫(kù)進(jìn)行信息的分析處理處理類型 日常事務(wù)型（應(yīng)用） 決策型（分析）OLTP與 OLAP的區(qū)別（ On Line Analytical Processing，OLAP）p “維 ”的概念OLAP是從多角度分析，對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步了解，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)不能滿足要求，需要一種新的技術(shù)叫做多維數(shù)據(jù)庫(kù)。維 (Dimension),是聯(lián)機(jī)分析處理的核心概念，是我們觀察世界的角度，是一種高層次的類型劃分。 “ 維 ” 可以表示屬性，例如時(shí)間屬性可稱為時(shí)間維，地點(diǎn)屬性稱為地點(diǎn)維等。20231 2 3 4 5 6 …2023時(shí)間牙膏香皂牙刷洗發(fā)水護(hù)發(fā)素銷售種類華北華南東北西北地區(qū)西南銷售額￥（ On Line Analytical Processing，OLAP）p OLAP的定義– OLAP 委員會(huì)對(duì)其定義：使分析人員、管理人員或執(zhí)行人能夠從多種角度對(duì)從原始數(shù)據(jù)中轉(zhuǎn)化出來(lái)的、能夠真正為用戶所理解的、并真實(shí)反映企業(yè)維特性的信息進(jìn)行快速、一致、交互地存取，從而獲得對(duì)數(shù)據(jù)的更深入了解的一類軟件技術(shù)。它滿足決策者在多維環(huán)境、復(fù)雜結(jié)構(gòu)下的特定要求，對(duì)數(shù)據(jù)進(jìn)行各種操作以得到查詢結(jié)果，并以報(bào)表形式展示，側(cè)重決策支持。– E. F. Cold 描述 OLAP系統(tǒng)的 12條準(zhǔn)則（ On Line Analytical Processing，OLAP）p OLAP的功能特征（ On Line Analytical Processing，OLAP）p OLAP 的多維分析方法OLAP 中的多維分析是指對(duì)以多維形式組織起來(lái)的數(shù)據(jù)采取各種分析動(dòng)作，剖析數(shù)據(jù)，使最終用戶能從多角度、多側(cè)面觀察數(shù)據(jù)，從而深入地了解數(shù)據(jù)中的信息、內(nèi)涵。p 多維分析方法包括：252。 切片（ Slice）：對(duì)多維數(shù)據(jù)中的任意二維作為觀察角度。– 原理：舍棄部分維度，集中分析二維數(shù)據(jù)。252。 切塊（ Dice）：選定多維數(shù)據(jù)中的任意三維作為觀察角度。– 原理：舍棄部分維度，集中分析三維數(shù)據(jù)。252。 旋轉(zhuǎn)（ Pivot）：改變維的方向，使用戶從不同角度來(lái)分析數(shù)據(jù)。– 原理：交換行和列，或者把某一行維變成列維。252。 下鉆（ Drill down）：將某一維度的衡量單位縮小，進(jìn)而更加具體的了解數(shù)據(jù)。– 原理：從匯總數(shù)據(jù)深入到細(xì)節(jié)數(shù)據(jù)。252。 上卷（ Drill up）：在某一維上將低層次的細(xì)節(jié)數(shù)據(jù)概括到高層次的匯總數(shù)據(jù)– 原理：下鉆的逆過(guò)程，減少維數(shù)。 (Data Mining, DM)p 數(shù)據(jù)挖掘的定義數(shù)據(jù)挖掘（ Data Mining, DM）也叫知識(shí)發(fā)現(xiàn)（ Knowledge Discovery in Database, KDD），是從龐大的數(shù)據(jù)集合中發(fā)現(xiàn)新的規(guī)律或模式的過(guò)程。過(guò)程中使用人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析、數(shù)據(jù)庫(kù)系統(tǒng)等工具。數(shù)據(jù)挖掘的目標(biāo)是針對(duì)特定的數(shù)據(jù)、特定的問(wèn)題，選擇一種或者多種挖掘算法，找到有價(jià)值的、未知的關(guān)系、趨勢(shì)，提取有效信息，對(duì)知識(shí)進(jìn)行提煉，最后以合適的知識(shí)模式展示出來(lái)，用于進(jìn)一步分析決策工。機(jī)器學(xué)習(xí)概率論 數(shù)據(jù)庫(kù)數(shù)據(jù)挖掘 (Data Mining, DM)p 數(shù)據(jù)挖掘方法l 分類區(qū)隔216。分類（ Classification） :對(duì)數(shù)據(jù)庫(kù)中的示例數(shù)據(jù)進(jìn)行分析，對(duì)每個(gè)類別做出對(duì)應(yīng)描述，挖掘分類規(guī)則。當(dāng)遇到新數(shù)據(jù)時(shí)，在已被描述的類別中找到與自己相匹配的，從而確定新數(shù)據(jù)的類別。216。分群（ Clustering） :分群也叫做聚類，其輸入集是還沒(méi)有進(jìn)行任何分類的數(shù)據(jù)。其目的是根據(jù)一定的規(guī)則，合理地劃分記錄集合，使組之間的差別盡可能大，組內(nèi)的差別盡可能小，例如市場(chǎng)劃分等。l 序列規(guī)則216。關(guān)聯(lián)分析（ Association）：分析兩個(gè)事物同時(shí)出現(xiàn)的規(guī)律。216。序列分析（ Sequence）：發(fā)現(xiàn)事物的出現(xiàn)規(guī)律與時(shí)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1