資料庫新穎

⑴ 什麼是數據倉庫

1、面向主題。操作型資料庫的數據組織面向事務處理任務，各個業務系統之間各自分離，而數據倉庫中的數據是按照一定的主題域進行組織。主題是一個抽象的概念，是指用戶使用數據倉庫進行決策時所關心的重點方面，一個主題通常與多個操作型信息系統相關。

2、集成的。面向事務處理的操作型資料庫通常與某些特定的應用相關，資料庫之間相互獨立，並且往往是異構的。而數據倉庫中的數據是在對原有分散的資料庫數據抽取、清理的基礎上經過系統加工、匯總和整理得到的，必須消除源數據中的不一致性，以保證數據倉庫內的信息是關於整個企業的一致的全局信息。

3、相對穩定的。操作型資料庫中的數據通常實時更新，數據根據需要及時發生變化。數據倉庫的數據主要供企業決策分析之用，所涉及的數據操作主要是數據查詢，一旦某個數據進入數據倉庫以後，一般情況下將被長期保留，也就是數據倉庫中一般有大量的查詢操作，但修改和刪除操作很少，通常只需要定期的載入、刷新。

4、反映歷史變化。操作型資料庫主要關心當前某一個時間段內的數據，而數據倉庫中的數據通常包含歷史信息，系統記錄了企業從過去某一時點(如開始應用數據倉庫的時點)到目前的各個階段的信息，通過這些信息，可以對企業的發展歷程和未來趨勢做出定量分析和預測。

企業數據倉庫的建設，是以現有企業業務系統和大量業務數據的積累為基礎。數據倉庫不是靜態的概念，只有把信息及時交給需要這些信息的使用者，供他們做出改善其業務經營的決策，信息才能發揮作用，信息才有意義。而把信息加以整理歸納和重組，並及時提供給相應的管理決策人員，是數據倉庫的根本任務。因此，從產業界的角度看，數據倉庫建設是一個工程，是一個過程。

⑵ 急求一可以運行的sql資料庫，主題要新穎一點，也不用太復雜，但是要沒有問題，不會用作商用。。。

你搭建個php運行環境，然後就可以去網上下載那些2次開發的軟體，比如ecshop，DedeCMS,Discuz之類的，這些都是自帶有資料庫，開源的資源還是很豐富的

⑶ 在科技查新中以下哪些中文資料庫較為重要

科技查新中目前國內的主流中文資料庫主要包括：
中國科學引文資料庫（CSCD），中國社會科學引文索引（CSSCI），CNKI（中國知網），萬方，維普。

科技查新（簡稱查新），是指具有查新業務資質的查新機構根據查新委託人提供的需要查證其新穎性的科學技術內容，按照《科技查新規范》（國科發計字2000544號）進行操作，並做出結論（查新報告）。

科技查新是文獻檢索和情報調研相結合的情報研究工作，它以文獻為基礎，以文獻檢索和情報調研為手段，以檢出結果為依據，通過綜合分析，對查新項目的新穎性進行情報學審查，寫出有依據、有分析、有對比、有結論的查新報告。也就是說查新是以通過檢出文獻的客觀事實來對項目的新穎性做出結論。因此，查新有較嚴格的年限、范圍和程序規定，有查全、查準的嚴格要求，要求給出明確的結論，查新結論具有客觀性和鑒證性，但不是全面的成果評審結論。這些都是單純的文獻檢索所不具備的，也有別於專家評審。

在下列情況中需要進行科技查新：
（1）申請國家技術發明獎，國家科技進步獎；
（2）申請國家863、973等高技術研究發展計劃項目；
（3）申請國家自然科學基金項目，省、市自然科學基金項目和一般科技項目立項；
（4）科技成果驗收、評估、轉化；
（5）科技成果轉讓；
（6）申報新產品；
（7）申請國家發明專利；
（8）國家重點實驗室評估；
（9）博士生課題開題報告。
（10）其他國家、地方或企事業單位有關規定要求查新的。

⑷ 大家一起來給點意見~我我該做什麼項目呢要新穎~要連接資料庫的！！

計劃任務管理系統

可以制定計劃
可以查看計劃的完成情況
可以制定任務
任務可以顯示狀態（比如：未開始，進行中，已完成，已中斷），狀態可修改。

如果真想寫的話，有很多功能可以完善。
比如說，任務需要審批。任務需可以繼承。大任務可以分成幾個小任務

簡單寫的話，加上登陸用戶，也有兩。三個表就能搞頂。

⑸ 常用資料庫系統簡介

碼字不容易啊，望採納。
ORACLE (甲骨文，美國)
優點：產品系列齊全，幾乎囊括所有應用領域，大型，完善，安全，可以支持多個實例同時運行，功能強。能在所有主流平台上運行（包括 windows）。完全支持所有的工業標准。採用完全開放策略。可以使客戶選擇最適合的解決方案。對開發商全力支持。
缺點：價格成本，服務費用，後期產品追加費用，管理維護相對麻煩，對硬體的要求高。
幾乎匹配所有動態網頁設計，性能優越。

SQLSERVER（微軟，美國）
優點：簡單，界面友好，上手容易，只能在WINDOWS平台下使用。一般用於.net 程序設計。Windows9X系列產品是偏重於桌面應用，NT server只適合中小型企業。
缺點：windows平台的可靠性，安全性和伸縮性是非常有限的。它不象unix那樣久經考驗，尤其是在處理大數據量的關鍵業務時。
網頁設計多與C#（也是微軟的）經典組合，不過也是幾乎開放所有開發語言介面
MYSQL （被oracle收購，收購後的新版已出，市場反應一般）
優點：免費，功能不錯,是開源的，體積小，並發執行的資料庫,如今mysql逐漸體現出性價比高的優勢。
缺點：穩定性有待考量，面對大量數據的處理能力有限，並發性處理的機制不健全。
網頁開發mysql的應用還是很多的，應用比較廣泛。
DB2 （IBM 美國）
優點：優點很多啦，與oracle一樣是大型以及超大型的資料庫，能力當然很好啦，企業解決方案很牛X，在金融和電信方運用DB2的很多，最適於海量數據。DB2在企業級的應用最為廣泛,在全球的500家最大的企業中,幾乎85%以上用DB2資料庫伺服器,而國內到97年約佔5%。不過與oracle相比db2的應用相對較窄，一是價錢很貴，二是主要面向大型企業，市場份額還是oracle最高，所以db2專家較少，很吃香的。
以db2的優質能力相對海量並發的web服務和訪問比較輕松啦。
Access（微軟，美國）：
優點：操作簡潔、方便，不用依賴Server也可以對數據進行操作。
缺點：安全性不夠，如果做為伺服器的話，對伺服器要求很高，否則容易造成 MDB 損壞，高強度操作適應性差，不能將 VBA 代碼開發的軟體系統直接編譯成 EXE 可執行文件，不能脫離 ACCESS 或者 ACCESS RUNTIME 環境，該環境相對其他軟體體積較大（50M左右），每個資料庫文件最大限制只有2G，對於大型網站顯然不能夠勝任。
我接觸的access應用比較少啦，關於開發的不了解了。
Sybase（Sybase 美國）：
優點：操作簡單，管理相對容易，對新手很好理解，上手快，曾經的sybase還是挺輝煌的，sybase 數據倉庫還是挺不錯，大數據的解決方案也不錯，與oracle，db2齊名，但是之後似乎難以追隨市場的腳步了。
缺點：Sybase使用的編程介面不是開放的，沒有使用SQL92等相關的標准，因此編制存儲程序和觸發器所用的Transact-SQL也是它們自己專用的。 優化器(OPTIMIZER)不能有效的支持復雜的查詢(ComplexQueries)。應用程序中稍微復雜一些的SQL語句，Sybase的優化器就無法妥善優化處理。已經退出主流資料庫市場，市場份額縮水嚴重，被SAP收購後前途待觀望。
web應用還是比較廣泛的啦。
informix（被IBM收購）：
優點：如今被IBM定位為作為IBM在線事務處理（OLTP）旗艦級數據服務系統，使用不是很廣泛，IBM對Informix和DB2都有長遠的規劃，兩個資料庫產品互相吸取對方的技術優勢。
缺點：INFORMIX是以小型資料庫起家，所以其產品設計到目前為止仍有許多小型資料庫的限制。許多用戶都曾遇到INFORMIX在數據存儲、日誌管理、備份、恢復等方面的問題。Informix的擴展並行選項在支持多用戶並發訪問時存在困難。INFORMIX由於缺乏對大量數據的管理經驗，所以其優化器技術也不能針對大量數據做優化。 小型企業可以嘗試使用。
postgresql（美國）：
優點：輕盈好用的資料庫，有點很多，如優化排序性能，內存佔用更少；表繼承（很強），提高加鎖效率和並發度；創建索引過程中允許INSERT/UPDATE/DELETE等等。
缺點：不足之處就是大數量的場景有待市場檢驗，目前觸及海量數據的案例較少。

如果對你有幫助.請點擊我的回答下方【選為滿意回答】按鈕

⑹ 做了一個資料庫，參加學校比賽，做的是F1賽車的內容，老師要求和漢語言文學專業聯系起來，大家有什麼點子

時間與速度的未來-F1

⑺ 資料庫問題

1.數據挖掘是從大量的數據中，抽取出潛在的、有價值的知識（模型或規則）的過程。
1. 數據挖掘能做什麼？
1)數據挖掘能做以下六種不同事情（分析方法）：
· 分類 （Classification）
· 估值（Estimation）
· 預言（Prediction）
· 相關性分組或關聯規則（Affinity grouping or association rules）
· 聚集（Clustering）
· 描述和可視化（Des cription and Visualization）
2)數據挖掘分類

以上六種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘
· 直接數據挖掘

目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以

理解成資料庫中表的屬性，即列）進行描述。
· 間接數據挖掘

目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系
· 分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘
3)各種分析方法的簡介
· 分類 （Classification）

首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分

類模型，對於沒有分類的數據進行分類。

例子：
a. 信用卡申請者，分類為低、中、高風險
b. 分配客戶到預先定義的客戶分片

注意： 類的個數是確定的，預先定義好的
· 估值（Estimation）

估值與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的

輸出；分類的類別是確定數目的，估值的量是不確定的。

例子：
a. 根據購買模式，估計一個家庭的孩子個數
b. 根據購買模式，估計一個家庭的收入
c. 估計real estate的價值

一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的

連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運

用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。
· 預言（Prediction）

通常，預言是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用

於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。

預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時

間後，才知道預言准確性是多少。
· 相關性分組或關聯規則（Affinity grouping or association rules）

決定哪些事情將一起發生。

例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)

b. 客戶在購買A後，隔一段時間，會購買B （序列分析）
· 聚集（Clustering）

聚集是對記錄分組，把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴於預先

定義好的類，不需要訓練集。

例子：
a. 一些特定症狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群

聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一

類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，

回答問題，可能效果更好。
· 描述和可視化（Des cription and Visualization）

是對數據挖掘結果的表示方式。
2.數據挖掘的商業背景

數據挖掘首先是需要商業環境中收集了大量的數據，然後要求挖掘的知識是有價值的。有

價值對商業而言，不外乎三種情況：降低開銷；提高收入；增加股票價格。
1)數據挖掘作為研究工具 （Research）
2)數據挖掘提高過程式控制制（Process Improvement）
3)數據挖掘作為市場營銷工具（Marketing）
4)數據挖掘作為客戶關系管理CRM工具(Customer Relationship Management)

3.數據挖掘的技術背景
1)數據挖掘技術包括三個主要部分：演算法和技術；數據；建模能力
2)數據挖掘和機器學習（Machine Learning）
· 機器學習是計算機科學和人工智慧AI發展的產物
· 機器學習分為兩種學習方式：自組織學習（如神經網路）；從例子中歸納出規則（如決

策樹）
· 數據挖掘由來

數據挖掘是八十年代，投資AI研究項目失敗後，AI轉入實際應用時提出的。它是一個新興

的，面向商業應用的AI研究。選擇數據挖掘這一術語，表明了與統計、精算、長期從事預

言模型的經濟學家之間沒有技術的重疊。
3)數據挖掘和統計

統計也開始支持數據挖掘。統計本包括預言演算法（回歸）、抽樣、基於經驗的設計等
4)數據挖掘和決策支持系統
· 數據倉庫
· OLAP（聯機分析處理）、Data Mart（數據集市）、多維資料庫
· 決策支持工具融合

將數據倉庫、OLAP，數據挖掘融合在一起，構成企業決策分析環境。
4. 數據挖掘的社會背景

數據挖掘與個人預言：數據挖掘號稱能通過歷史數據的分析，預測客戶的行為，而事實上

，客戶自己可能都不明確自己下一步要作什麼。所以，數據挖掘的結果，沒有人們想像中

神秘，它不可能是完全正確的。

客戶的行為是與社會環境相關連的，所以數據挖掘本身也受社會背景的影響。比如說，在

美國對銀行信用卡客戶信用評級的模型運行得非常成功，但是，它可能不適合中國。

2.數據倉庫是在企業管理和決策中面向主題的、集成的、與時間相關的、不可修改的數據集合

數據倉庫，英文名稱為Data Warehouse，可簡寫為DW。

數據倉庫之父Bill Inmon在1991年出版的「Building the Data Warehouse」一書中所提出的定義被廣泛接受——數據倉庫（Data Warehouse）是一個面向主題的（Subject Oriented）、集成的（Integrated）、相對穩定的（Non-Volatile）、反映歷史變化（Time Variant）的數據集合，用於支持管理決策(Decision Making Support)。

◆面向主題：操作型資料庫的數據組織面向事務處理任務，各個業務系統之間各自分離，而數據倉庫中的數據是按照一定的主題域進行組織的。

◆集成的：數據倉庫中的數據是在對原有分散的資料庫數據抽取、清理的基礎上經過系統加工、匯總和整理得到的，必須消除源數據中的不一致性，以保證數據倉庫內的信息是關於整個企業的一致的全局信息。

◆相對穩定的：數據倉庫的數據主要供企業決策分析之用，所涉及的數據操作主要是數據查詢，一旦某個數據進入數據倉庫以後，一般情況下將被長期保留，也就是數據倉庫中一般有大量的查詢操作，但修改和刪除操作很少，通常只需要定期的載入、刷新。

◆反映歷史變化：數據倉庫中的數據通常包含歷史信息，系統記錄了企業從過去某一時點(如開始應用數據倉庫的時點)到目前的各個階段的信息，通過這些信息，可以對企業的發展歷程和未來趨勢做出定量分析和預測。

數據倉庫是一個過程而不是一個項目。

數據倉庫系統是一個信息提供平台，他從業務處理系統獲得數據，主要以星型模型和雪花模型進行數據組織，並為用戶提供各種手段從數據中獲取信息和知識。

從功能結構化分，數據倉庫系統至少應該包含數據獲取（Data Acquisition）、數據存儲（Data Storage）、數據訪問（Data Access）三個關鍵部分

數據挖掘(Data Mining)，又稱為資料庫中的知識發現(Knowledge Discovery in Database, KDD)，就是從大量數據中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程，簡單的說，數據挖掘就是從大量數據中提取或「挖掘」知識。

並非所有的信息發現任務都被視為數據挖掘。例如，使用資料庫管理系統查找個別的記錄，或通過網際網路的搜索引擎查找特定的Web頁面，則是信息檢索（information retrieval）領域的任務。雖然這些任務是重要的，可能涉及使用復雜的演算法和數據結構，但是它們主要依賴傳統的計算機科學技術和數據的明顯特徵來創建索引結構，從而有效地組織和檢索信息。盡管如此，數據挖掘技術也已用來增強信息檢索系統的能力。
3.數據挖掘和數據倉庫以資料庫為基礎。

⑻ 設計資料庫用什麼課題比較簡單，但是又新穎的呢！

馬上世界盃了，建議你搞一個賽事資料庫，球隊，球員，比賽結果表，絕對新穎，而且也不復雜

⑼ 求資料庫課程設計程序，Vc++，SQL，要原創，不要圖書管理系統之類的，題目新穎點，程序小的就行

想得美，你要我幫你寫個sql倒可以考慮，寫個程序，我閑得蛋疼？

⑽ 資料庫做項目 一時想不出好的題目 麻煩給些建議~有哪些題目比較有趣/新穎/貼近生活~謝了~~

貼近生活的，試試家庭個人財產管理系統、家庭服裝MIS，呵呵專門管理家庭財產的收入、支出或者家庭成員的服裝的。
其他題目很多的，有興趣的可以自己考慮一下。