1.教学基本要求 理解掌握数据库相关的基本概念 Access数据库的基本应用 常见的几个大型商业数据库特点 2.教学重点 数据库、数据库管理系统、数据库系统的概念 Access数据库的基本应用 3.教学难点 对数据库、数据库管理系统、数据库系统的概念的深刻理解 主码、元组、属性的概念

1.1数据库技术的基本概念 1.2数据库技术的发展 1.2.1人工管理 1.2.2文件管理 1.2.3数据库技术 1.3数据库系统的结构 1.3.1数据模式 1.3.2三级模式结构 1.3.3数据库系统的二级映像技术及作用 1.4数据库系统的组成 1.5概念模型 1.5.1信息的三种世界 1.5.2概念模型及其表示 1.6数据模型 1.6.1数据模型的概述

本章内容：.NET数据提供程序概述，数据库的连接字符串，连接数据库的Connection对象，执行数据库命令的Command对象，读取数据的DataReader对象，数据读取器的DataAdapter对象。 本章重点：Connection对象，Command对象，DataReader对象

本章内容：.NET数据提供程序概述，数据库的连接字符串，连接数据库的Connection对象，执行数据库命令的Command对象，读取数据的DataReader对象，数据读取器的DataAdapter对象。 本章重点：Connection对象，Command对象，DataReader对象

9.1系统详细设计概述 9.1.1软件系统的详细设计 9.1.2数据库系统的详细设计 9.2数据库的逻辑设计 9.2.1数据库逻辑设计的过程 9.2.2关系数据库的逻辑设计 9.3数据库的物理设计 9.3.1获取数据库系统事务对象的基本信息 9.3.2确定数据库的存取方法 9.3.3确定数据库的存储结构 9.3.4数据的物理结构评价 9.4详细设计的工具 9.4.1程序流程图 9.4.2IPO图

6.1 数据库系统概述 1.1数据与信息 1.2计算机数据管理的发展 1.3数据库系统的组成 1.4数据和数据的联系 6.2 关系数据模型 2.1非关系模型与关系模型 2.2关系运算 2.3关系数据库标准语言SQL 6.3 关系数据库设计 6.4 数据库技术的发展动态

《计算机应用基础 B》 《信息安全导论》 （理论课） 《信息安全概论 A》 《数据结构》 《信息安全概论》 《模式识别》 《并行计算》 《数据结构与算法》 《算法设计与分析》 《计算机应用基础》 《信息分析与评价》 《人工智能鱼》 《人工智能导论》 《计算机网络》 《计算机网络基础》 《计算机组成原理》 《计算机体系结构》 《物联网引论》 《INTERNET 网》 《FLASH 动画设计与 ASP 编程》 《Java 程序设计 B》 《汇编语言程序设计》 《可视化程序设计 A》 《数据库基础及应用》 《DELPHI 可视化编程设计》 《Java 程序设计》 《数据库系统原理》 《数据库应用基础》 《数学软件 Mathematica》 《数学软件 Matlab》 《软件工程》 《数据仓库与数据挖掘》 《嵌入式操作系统》 《程序设计语言 A（C 语言）》 《操作系统》 《面向对象程序设计》 《Java 程序设计基础》 《程序设计语言 A (C++)》 《程序设计语言 B》 《程序设计基础》 《Web 程序设计》 《Windows 程序设计》 《编译原理》 《大数据应用概论》 《企业经营决策实战》 《软件工程概论》 《软件设计模式》 《软件项目管理（双语）》 《软件需求分析与设计》 《软件质量保证与测试》 《数据库原理》 《写作与表达实训》 《现代操作系统（双语）》 《嵌入式系统原理与应用》 《组件开发技术》 《移动开发技术》 《统一建模语言》 《数据挖掘技术》 《数据库应用》 《Matlab 软件应用》 《单片机与接口技术》 《计算机图形学基础》 《网页制作技术》 《Photoshop 入门与提高》 《电子商务概论》 《多媒体课件设计》 《计算机图形学》 《电子商务实战》实习 《计算方法》 《专业英语》 《信息检索技术》

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性

针对经典K–means算法对不均衡数据进行聚类时产生的“均匀效应”问题，提出一种基于近邻的不均衡数据聚类算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先对数据对象进行初始聚类，通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合；并给出一种类别待定集的动态调整机制，利用近邻思想实现此集合中数据对象所属类别的重新划分，按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中，得到最终的聚类结果，以避免“均匀效应”对聚类结果的影响。将该算法与K–means、多中心的非平衡K_均值聚类方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均匀数据的变异系数聚类算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工数据集和真实数据集上分别进行实验对比，结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的“均匀效应”，聚类效果明显优于K–means、MC_IK和CVCN算法

1. 大数据时代 2. 大数据概念 3. 大数据的影响 4. 大数据的应用 5. 大数据关键技术 6. 大数据计算模式 7. 大数据产业 8. 大数据与云计算、物联网的关系 9. 大数据在中医药及生物医学领域的应用