数据库新颖

⑴ 什么是数据仓库

1、面向主题。操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织。主题是一个抽象的概念，是指用户使用数据仓库进行决策时所关心的重点方面，一个主题通常与多个操作型信息系统相关。

2、集成的。面向事务处理的操作型数据库通常与某些特定的应用相关，数据库之间相互独立，并且往往是异构的。而数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。

3、相对稳定的。操作型数据库中的数据通常实时更新，数据根据需要及时发生变化。数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。

4、反映历史变化。操作型数据库主要关心当前某一个时间段内的数据，而数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点(如开始应用数据仓库的时点)到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。

企业数据仓库的建设，是以现有企业业务系统和大量业务数据的积累为基础。数据仓库不是静态的概念，只有把信息及时交给需要这些信息的使用者，供他们做出改善其业务经营的决策，信息才能发挥作用，信息才有意义。而把信息加以整理归纳和重组，并及时提供给相应的管理决策人员，是数据仓库的根本任务。因此，从产业界的角度看，数据仓库建设是一个工程，是一个过程。

⑵ 急求一可以运行的sql数据库，主题要新颖一点，也不用太复杂，但是要没有问题，不会用作商用。。。

你搭建个php运行环境，然后就可以去网上下载那些2次开发的软件，比如ecshop，DedeCMS,Discuz之类的，这些都是自带有数据库，开源的资源还是很丰富的

⑶ 在科技查新中以下哪些中文数据库较为重要

科技查新中目前国内的主流中文数据库主要包括：
中国科学引文数据库（CSCD），中国社会科学引文索引（CSSCI），CNKI（中国知网），万方，维普。

科技查新（简称查新），是指具有查新业务资质的查新机构根据查新委托人提供的需要查证其新颖性的科学技术内容，按照《科技查新规范》（国科发计字2000544号）进行操作，并做出结论（查新报告）。

科技查新是文献检索和情报调研相结合的情报研究工作，它以文献为基础，以文献检索和情报调研为手段，以检出结果为依据，通过综合分析，对查新项目的新颖性进行情报学审查，写出有依据、有分析、有对比、有结论的查新报告。也就是说查新是以通过检出文献的客观事实来对项目的新颖性做出结论。因此，查新有较严格的年限、范围和程序规定，有查全、查准的严格要求，要求给出明确的结论，查新结论具有客观性和鉴证性，但不是全面的成果评审结论。这些都是单纯的文献检索所不具备的，也有别于专家评审。

在下列情况中需要进行科技查新：
（1）申请国家技术发明奖，国家科技进步奖；
（2）申请国家863、973等高技术研究发展计划项目；
（3）申请国家自然科学基金项目，省、市自然科学基金项目和一般科技项目立项；
（4）科技成果验收、评估、转化；
（5）科技成果转让；
（6）申报新产品；
（7）申请国家发明专利；
（8）国家重点实验室评估；
（9）博士生课题开题报告。
（10）其他国家、地方或企事业单位有关规定要求查新的。

⑷ 大家一起来给点意见~我我该做什么项目呢要新颖~要连接数据库的！！

计划任务管理系统

可以制定计划
可以查看计划的完成情况
可以制定任务
任务可以显示状态（比如：未开始，进行中，已完成，已中断），状态可修改。

如果真想写的话，有很多功能可以完善。
比如说，任务需要审批。任务需可以继承。大任务可以分成几个小任务

简单写的话，加上登陆用户，也有两。三个表就能搞顶。

⑸ 常用数据库系统简介

码字不容易啊，望采纳。
ORACLE (甲骨文，美国)
优点：产品系列齐全，几乎囊括所有应用领域，大型，完善，安全，可以支持多个实例同时运行，功能强。能在所有主流平台上运行（包括 windows）。完全支持所有的工业标准。采用完全开放策略。可以使客户选择最适合的解决方案。对开发商全力支持。
缺点：价格成本，服务费用，后期产品追加费用，管理维护相对麻烦，对硬件的要求高。
几乎匹配所有动态网页设计，性能优越。

SQLSERVER（微软，美国）
优点：简单，界面友好，上手容易，只能在WINDOWS平台下使用。一般用于.net 程序设计。Windows9X系列产品是偏重于桌面应用，NT server只适合中小型企业。
缺点：windows平台的可靠性，安全性和伸缩性是非常有限的。它不象unix那样久经考验，尤其是在处理大数据量的关键业务时。
网页设计多与C#（也是微软的）经典组合，不过也是几乎开放所有开发语言接口
MYSQL （被oracle收购，收购后的新版已出，市场反应一般）
优点：免费，功能不错,是开源的，体积小，并发执行的数据库,如今mysql逐渐体现出性价比高的优势。
缺点：稳定性有待考量，面对大量数据的处理能力有限，并发性处理的机制不健全。
网页开发mysql的应用还是很多的，应用比较广泛。
DB2 （IBM 美国）
优点：优点很多啦，与oracle一样是大型以及超大型的数据库，能力当然很好啦，企业解决方案很牛X，在金融和电信方运用DB2的很多，最适于海量数据。DB2在企业级的应用最为广泛,在全球的500家最大的企业中,几乎85%以上用DB2数据库服务器,而国内到97年约占5%。不过与oracle相比db2的应用相对较窄，一是价钱很贵，二是主要面向大型企业，市场份额还是oracle最高，所以db2专家较少，很吃香的。
以db2的优质能力相对海量并发的web服务和访问比较轻松啦。
Access（微软，美国）：
优点：操作简洁、方便，不用依赖Server也可以对数据进行操作。
缺点：安全性不够，如果做为服务器的话，对服务器要求很高，否则容易造成 MDB 损坏，高强度操作适应性差，不能将 VBA 代码开发的软件系统直接编译成 EXE 可执行文件，不能脱离 ACCESS 或者 ACCESS RUNTIME 环境，该环境相对其他软件体积较大（50M左右），每个数据库文件最大限制只有2G，对于大型网站显然不能够胜任。
我接触的access应用比较少啦，关于开发的不了解了。
Sybase（Sybase 美国）：
优点：操作简单，管理相对容易，对新手很好理解，上手快，曾经的sybase还是挺辉煌的，sybase 数据仓库还是挺不错，大数据的解决方案也不错，与oracle，db2齐名，但是之后似乎难以追随市场的脚步了。
缺点：Sybase使用的编程接口不是开放的，没有使用SQL92等相关的标准，因此编制存储程序和触发器所用的Transact-SQL也是它们自己专用的。 优化器(OPTIMIZER)不能有效的支持复杂的查询(ComplexQueries)。应用程序中稍微复杂一些的SQL语句，Sybase的优化器就无法妥善优化处理。已经退出主流数据库市场，市场份额缩水严重，被SAP收购后前途待观望。
web应用还是比较广泛的啦。
informix（被IBM收购）：
优点：如今被IBM定位为作为IBM在线事务处理（OLTP）旗舰级数据服务系统，使用不是很广泛，IBM对Informix和DB2都有长远的规划，两个数据库产品互相吸取对方的技术优势。
缺点：INFORMIX是以小型数据库起家，所以其产品设计到目前为止仍有许多小型数据库的限制。许多用户都曾遇到INFORMIX在数据存储、日志管理、备份、恢复等方面的问题。Informix的扩展并行选项在支持多用户并发访问时存在困难。INFORMIX由于缺乏对大量数据的管理经验，所以其优化器技术也不能针对大量数据做优化。 小型企业可以尝试使用。
postgresql（美国）：
优点：轻盈好用的数据库，有点很多，如优化排序性能，内存占用更少；表继承（很强），提高加锁效率和并发度；创建索引过程中允许INSERT/UPDATE/DELETE等等。
缺点：不足之处就是大数量的场景有待市场检验，目前触及海量数据的案例较少。

如果对你有帮助.请点击我的回答下方【选为满意回答】按钮

⑹ 做了一个数据库，参加学校比赛，做的是F1赛车的内容，老师要求和汉语言文学专业联系起来，大家有什么点子

时间与速度的未来-F1

⑺ 数据库问题

1.数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。
1. 数据挖掘能做什么？
1)数据挖掘能做以下六种不同事情（分析方法）：
· 分类 （Classification）
· 估值（Estimation）
· 预言（Prediction）
· 相关性分组或关联规则（Affinity grouping or association rules）
· 聚集（Clustering）
· 描述和可视化（Des cription and Visualization）
2)数据挖掘分类

以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘
· 直接数据挖掘

目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以

理解成数据库中表的属性，即列）进行描述。
· 间接数据挖掘

目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系
· 分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘
3)各种分析方法的简介
· 分类 （Classification）

首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分

类模型，对于没有分类的数据进行分类。

例子：
a. 信用卡申请者，分类为低、中、高风险
b. 分配客户到预先定义的客户分片

注意： 类的个数是确定的，预先定义好的
· 估值（Estimation）

估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的

输出；分类的类别是确定数目的，估值的量是不确定的。

例子：
a. 根据购买模式，估计一个家庭的孩子个数
b. 根据购买模式，估计一个家庭的收入
c. 估计real estate的价值

一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的

连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运

用估值，给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。
· 预言（Prediction）

通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用

于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。

预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时

间后，才知道预言准确性是多少。
· 相关性分组或关联规则（Affinity grouping or association rules）

决定哪些事情将一起发生。

例子：
a. 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则)

b. 客户在购买A后，隔一段时间，会购买B （序列分析）
· 聚集（Clustering）

聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先

定义好的类，不需要训练集。

例子：
a. 一些特定症状的聚集可能预示了一个特定的疾病
b. 租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群

聚集通常作为数据挖掘的第一步。例如，"哪一种类的促销对客户响应最好？"，对于这一

类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，

回答问题，可能效果更好。
· 描述和可视化（Des cription and Visualization）

是对数据挖掘结果的表示方式。
2.数据挖掘的商业背景

数据挖掘首先是需要商业环境中收集了大量的数据，然后要求挖掘的知识是有价值的。有

价值对商业而言，不外乎三种情况：降低开销；提高收入；增加股票价格。
1)数据挖掘作为研究工具 （Research）
2)数据挖掘提高过程控制（Process Improvement）
3)数据挖掘作为市场营销工具（Marketing）
4)数据挖掘作为客户关系管理CRM工具(Customer Relationship Management)

3.数据挖掘的技术背景
1)数据挖掘技术包括三个主要部分：算法和技术；数据；建模能力
2)数据挖掘和机器学习（Machine Learning）
· 机器学习是计算机科学和人工智能AI发展的产物
· 机器学习分为两种学习方式：自组织学习（如神经网络）；从例子中归纳出规则（如决

策树）
· 数据挖掘由来

数据挖掘是八十年代，投资AI研究项目失败后，AI转入实际应用时提出的。它是一个新兴

的，面向商业应用的AI研究。选择数据挖掘这一术语，表明了与统计、精算、长期从事预

言模型的经济学家之间没有技术的重叠。
3)数据挖掘和统计

统计也开始支持数据挖掘。统计本包括预言算法（回归）、抽样、基于经验的设计等
4)数据挖掘和决策支持系统
· 数据仓库
· OLAP（联机分析处理）、Data Mart（数据集市）、多维数据库
· 决策支持工具融合

将数据仓库、OLAP，数据挖掘融合在一起，构成企业决策分析环境。
4. 数据挖掘的社会背景

数据挖掘与个人预言：数据挖掘号称能通过历史数据的分析，预测客户的行为，而事实上

，客户自己可能都不明确自己下一步要作什么。所以，数据挖掘的结果，没有人们想象中

神秘，它不可能是完全正确的。

客户的行为是与社会环境相关连的，所以数据挖掘本身也受社会背景的影响。比如说，在

美国对银行信用卡客户信用评级的模型运行得非常成功，但是，它可能不适合中国。

2.数据仓库是在企业管理和决策中面向主题的、集成的、与时间相关的、不可修改的数据集合

数据仓库，英文名称为Data Warehouse，可简写为DW。

数据仓库之父Bill Inmon在1991年出版的“Building the Data Warehouse”一书中所提出的定义被广泛接受——数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策(Decision Making Support)。

◆面向主题：操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织的。

◆集成的：数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。

◆相对稳定的：数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。

◆反映历史变化：数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点(如开始应用数据仓库的时点)到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。

数据仓库是一个过程而不是一个项目。

数据仓库系统是一个信息提供平台，他从业务处理系统获得数据，主要以星型模型和雪花模型进行数据组织，并为用户提供各种手段从数据中获取信息和知识。

从功能结构化分，数据仓库系统至少应该包含数据获取（Data Acquisition）、数据存储（Data Storage）、数据访问（Data Access）三个关键部分

数据挖掘(Data Mining)，又称为数据库中的知识发现(Knowledge Discovery in Database, KDD)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或“挖掘”知识。

并非所有的信息发现任务都被视为数据挖掘。例如，使用数据库管理系统查找个别的记录，或通过因特网的搜索引擎查找特定的Web页面，则是信息检索（information retrieval）领域的任务。虽然这些任务是重要的，可能涉及使用复杂的算法和数据结构，但是它们主要依赖传统的计算机科学技术和数据的明显特征来创建索引结构，从而有效地组织和检索信息。尽管如此，数据挖掘技术也已用来增强信息检索系统的能力。
3.数据挖掘和数据仓库以数据库为基础。

⑻ 设计数据库用什么课题比较简单，但是又新颖的呢！

马上世界杯了，建议你搞一个赛事数据库，球队，球员，比赛结果表，绝对新颖，而且也不复杂

⑼ 求数据库课程设计程序，Vc++，SQL，要原创，不要图书管理系统之类的，题目新颖点，程序小的就行

想得美，你要我帮你写个sql倒可以考虑，写个程序，我闲得蛋疼？

⑽ 数据库做项目 一时想不出好的题目 麻烦给些建议~有哪些题目比较有趣/新颖/贴近生活~谢了~~

贴近生活的，试试家庭个人财产管理系统、家庭服装MIS，呵呵专门管理家庭财产的收入、支出或者家庭成员的服装的。
其他题目很多的，有兴趣的可以自己考虑一下。