28、时态数据库概念与月历构建

时态数据库概念与月历构建

1. 时态数据库基础

时态表的原理基于为每个对象保留多个状态的能力,这些状态由有效时间框架界定。一般来说,不属于元组标识符的常见属性(即使是有时间限制的属性)通常无法满足这一要求,因为它们只能生成常规表。若要获得更复杂的见解,需考虑是否能为一个对象存储多个版本。如果可以,则存在时态表;反之,则仅采用了常规方法。

在物理实现时态性方面,有基于主键扩展的对象级时态架构。属性粒度的形成方式与常规有所不同,它不是存储整个状态,而是仅列出已更改的属性。在属性和对象级别之间应用的通用解决方案是时态组,这些组是动态组成的,并由组有效性界定。同步组可以作为一个属性进行检测和处理,从而降低时态参考层的需求。原则上,属性本身以及整个对象都可以由一个组覆盖。

每个时态状态都涉及对象引用和时间维度,主要表达有效性。单时态解决方案使用一个维度来表示时态性,而双时态模型使用两个维度,通常表示有效性和事务引用。同时,还定义了各种模型和实现所支持的可参考维度,如IPL和IPLT模型、未来有效记录管理、离线模式和副本。

2. 时态数据库相关问题解答

以下是一些关于时态数据库的问题及答案:
| 问题 | 选项 | 答案 |
| ---- | ---- | ---- |
| 与标题 - 时态概念相关的正确陈述是? | A. 它不能使用主键和外键管理引用;B. 标题包含当前有效数据,时态层仅用于历史记录;C. 它不能管理未来有效数据;D. 标题层用于引用,属性值以时态方式单独存储 | D |
| 哪个模型不使用时态管理? | A. 常规模型;B. 单时态模型;C. 双时态模型;D. 固定时态模型 | A | <

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值