迄今为止，我们已详细介绍了基本数据类型如整 型、实型、字符型等，也介绍了一种构造类型的数 据—数组，数组中的各元素是属于同一个类型的。 但在处理实际问题时，经常会遇到复杂的数据，只 有这些数据类型是不够的，还需要将不同类型的数 据组合成一个有机的整体，以便于引用。为了能把 这些有一定逻辑联系的数据组成一个整体，C++语 言提供了一种结构体数据类型本章主要介绍由不同 类型数据组成的构造类型的数据，包括结构体类型 共用体类型和枚举类

为了提高非平衡数据集的分类精度，提出了一种基于样本空间近邻关系的重采样算法。该方法首先根据数据集中少数类样本的空间近邻关系进行安全级别评估，根据安全级别有指导的采用合成少数类过采样技术（Synthetic minority oversampling technique，SMOTE）进行升采样；然后对多数类样本依据其空间近邻关系计算局部密度，从而对多数类样本密集区域进行降采样处理。通过以上两种手段可以均衡测试数据集，并控制数据规模防止过拟合，实现对两类样本分类的均衡化。采用十折交叉验证的方式产生训练集和测试集，在对训练集重采样之后，以核超限学习机作为分类器进行训练，并在测试集上进行验证。在UCI非平衡数据集和电路故障诊断实测数据上的实验结果表明，所提方法在整体上优于其他重采样算法

8.1 数据库技术发展概述 8.2 数据模型及数据库系统的发展 8.3 数据库技术与其它相关技术相结合 8.4 面向应用领域的数据库新技术

学生通过本节内容的学习，了解数据流程调查的主要内容，掌握数据流程的表示方法，包括数据流程的画法和描述流程处理的逻辑工具，了解数据流程分析的任务，掌握数据字典建立方法。明白业务处理调查的内容；掌握业务处理的描述工具

医生诊断需要结合临床症状、影像检查等各种数据，基于此，提出了一种可以进行数据融合的医疗辅助诊断方法。将患者的影像信息（如CT图像）和数值数据（如临床诊断信息）相结合，利用结合的信息自动预测患者的病情，进而提出了基于深度学习的医疗辅助诊断模型。模型以卷积神经网络为基础进行搭建，图像和数值数据作为输入，输出病人的患病情况。该医疗辅助诊断方法能够利用更加全面的信息，有助于提高自动诊断准确率、降低诊断误差；另外，仅使用提出的医疗辅助诊断模型就可以一次性处理多种类型的数据，能够在一定程度上节省诊断时间。在两个数据集上验证了所提出方法的有效性，实验结果表明，该方法是有效的，它可以提高辅助诊断的准确性

通过本节内容的学习，掌握数据库技术设计的基本概念、了解数据处理及数据库系统的发 展历史、掌握基本的关系数据库理论。 教学重点 数据模型及关系模型、SQL、关系数据库规范化设计理论

4.1数据库的存储结构 4.2创建、修改和删除数据库 4.3数据库备份 4.4恢复数据库 4.5数据库的维护

计算机是用来处理数据的,而且它是 用来处理大批量的数据。这些数据决不是 杂乱无章的,而是有着某种内在联系的 只有分清数据的内在联系,合理地组织数 据,才能对其进行有效管理。如何合理组 织数据,高效率地处理数据,正是本门课 需要解决的问题

数据检索可在数据表视图中进行,包括数据排序和数据筛选两项操作。 3.4.1数据排序 3.4.2数据筛选

介绍了生物信息学资源的发展趋势。详细介绍了包括基因组数据库、蛋白质序列数据库、蛋白质二级、三级数据库、蛋白质结构分类数据库、核酸和蛋白质结构数据库等各类生物信息学资源的、基本格式、检索方式等。介绍了“整合生物主要内容信息学”的基本概念，较详细地介绍了BLAST软件的内容及使用方法，并学习了几种通用的序列查询软件和对各级序列数据库进行综合查询的基本思路