Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Veri Tabanında İleri Konular Sarı renkli arka planlı sayfalar bilgi amaçlıdır; sınavda sorulmayacak.

Benzer bir sunumlar


... konulu sunumlar: "Veri Tabanında İleri Konular Sarı renkli arka planlı sayfalar bilgi amaçlıdır; sınavda sorulmayacak."— Sunum transkripti:

1 Veri Tabanında İleri Konular Sarı renkli arka planlı sayfalar bilgi amaçlıdır; sınavda sorulmayacak

2 Ana Başlıklar Sorgu işleme Nesneye yönelik ve nesne-ilişkisel veri tabanları Bulanık Veri Tabanları

3 Sorgu İşleme

4 Sorgu İşleme- Veri Tabanından gereken verilerin çıkarılması girişimleri Sorgu Optimalleştirme- sorguları işlemek için etkili yürütme stratejisinin seçilmesi – Kaynak kullanımının en aza indirilmesi

5 Çözümlerin Değerlendirilmesi Veri Tabanı istatistikleri (ilişkiler, özellikler ve endeksler hakkında bilgiler) İstatistiklerin oluşturulması sorunları -her güncellemeden sonra -belli aralıklarla

6 Farklı İşleme Stratejilerinin Karşılaştırılması (örnek ) Sorgu: “London” kentindeki şubelerde çalışan yöneticiler hakkında bilgiler SELECT * FROM staff s, branch b WHERE s.bno=b.bno AND (s.positıon=‘Manager’ AND b.city=‘London’);

7 Sorgunun İlişkisel Cebirde İfadesi 1.yol  (Staff X Branch) (position =‘Manager’)^(city=‘London’)^(staff.bno=branch.bno) 2.yol  (Staff Branch) (position =‘Manager’)^(city=‘London’) staff.bno=branch.bno 3.yol (  (Staff )) (  (Branch)) position=‘Manager ’ staff.bno=branch.bno city=‘London’

8 Örnek Üzerinde Değerlendirme Staff-1000 satır Branch-50 satır Her şubede bir yönetici (50 yönetici) 5 tane ‘London’ şubesi

9 Örnek Üzerinde Değerlendirme 1.yol ( )+2*(1000*50)= disk erişimi 2.yol 2*1000+( )=3050 disk erişimi 3.yol *(50+5)=1160 disk erişimi Staff-1000 satır Branch-50 satır Her şubede bir yönetici (50 yönetici) 5 tane ‘London’ şubesi

10 Sorgu İşleme Safhaları Sorgunun parç. Sorgunun Opt. Kod Üretimi Sorgu çalıştırma Derleme zamanı Çalışmazamanı Yüksek seviyeli dilde sorgu İlişkisel cebir ifadesi Yürütme Planı Üretilmiş Kod Sorgu Çıkışı Veri Tabanı Veri Tabanı İstatistikleri Sistem katalogu

11 Sorgunun Parçalanması Sorgu İşlemenin ilk safhası Yüksek Seviyeli sorgunun ilişkisel cebir sorgusuna dönüştürülmesi Adımları: çözümleme normalleştirme anlamsal çözümleme sadeleştirme yeniden yapılandırma

12 Çözümleme Programlama Dilleri Derleyicilerini kullanmakla sorgunun sözcüksel ve sözdizimsel çözümlenmesi İlişki ve özelliklerin doğrulanması

13 Sorgu Ağacının Oluşturulması Çözümleme sonucunun daha uygun ifade biçimi Yaprak düğümler sorgunun her temel ilişkisi için oluşturulur Yaprak olmayan düğümler ilişkisel cebir işlemleri sonucu alınan aralık ilişkiler için oluşturulur Ağacın kökü sorgu neticesini ifade ediyor İşlemler ardışıklığı yapraklardan köke doğrudur

14 Çözümleme Örneği SELECT staff_no FROM staff WHERE position>10; Sorgunun kabul edilmemesinin 2 nedeni: 1) seçme listesinde tanımlanmamış özellik (Sno olmalı) 2)WHERE yantümcesinde yanlış karşılaştırma

15 Sorgu Ağacı s.bno=b.bno   s.position =‘Manager’ b.city=‘London’ Staff Branch Kök Aralık İşlemler Yapraklar

16 Normalleştirme Sorgunun daha kolay işlene bileceği normal biçime dönüştürülmesi 2 normal biçim Birleştirici bağlaçlı normal biçim Ayırıcı Bağlaçlı Normal Biçim

17 Birleştirici bağlaçlı normal biçim ^ (AND) ile bağlanmış birleştirici bağlaçlar ardışıklığı Her birleştirici birkaç VEYA işlemi içere bilir (position=‘Manager’  salary>20000)^bno=‘B3’

18 Ayırıcı bağlaçlı normal biçim  (VEYA) ile bağlanmış ayırıcı bağlaçlar ardışıklığı Her ayırıcı birkaç (^)VE işlemi içere bilir (position=‘Manager’ ^bno=‘B3’)  (salary>20000^bno=‘B3’)

19 Anlamsal Çözümleme Düzgün yazılmamış veya çelişkili olan normalleştirilmiş sorguların ret edilmesi bileşenlerin sonuca katkısının bulunmaması(örn., katılma işlemlerinde) Hiçbir satır için koşulun sağlanmaması

20 Anlamsal doğruluğun yoklanması İlişki bağlantıları grafı SELECT p.pno,p.street FROM renter r,viewing v,property_for_rent p WHERE r.rno=v.rno AND r.max_rent>=500 AND r.pref_type=‘flat’ AND p.ono=‘CO93’;

21 İlişki bağlantısı Grafı (örnek) R V Sonuç P v.pno=p.pno unutulmuş SELECT p.pno,p.street FROM renter r,viewing v,property_for_rent p WHERE r.rno=v.rno AND r.max_rent>=500 AND r.pref_type=‘flat’ AND p.ono=‘CO93’; r.max_rent>=500 AND r.pref_type=‘flat’ AND p.ono=‘CO93’;

22 Sadeleştirme Fazla niceleyicilerin bulunması; ortak altifadelerin elenmesi; Sorgunun, anlamsal olarak aynı güçlü, fakat kolay ve etkili işlene bilecek biçime dönüştürülmesi erişim sınırlamaları görünümlerin tanımlanması bütünlük koşulları

23 Sadeleştirme Boolean ifadeleri: P^(P) P P  (P) P P^yanlış yanlış P  yanlış P P^doğru P P  doğru doğru P^(-P) yanlış P  (-P) doğru P^(P  Q) P P  (P^Q) P

24 Sadeleştirme Örneği SELECT sno,fname, lname,salary FROM staff WHERE ( bno=‘B3’ AND salary>20000)AND bno=‘B3’; sorgusu yerine CREATE VIEW staff3 AS SELECT sno,fname, lname,salary FROM staff WHERE bno=‘B3’; SELECT* FROM staff3 WHERE (bno=‘B3’ AND salary>20000); sorgunun daha basit ifadesi SELECT sno,fname, lname,salary FROM staff WHERE ( bno=‘B3’ AND salary>20000);

25 Sorguların Yeniden Yapılanması Daha etkili çalışa bilmesi için sorgular yeniden yapılandırılıyor Sorgu Optimallelleştirmede sezgisel yaklaşım Dönüştürme Kuralları sezgisel işleme stratejileri

26 Bulanık Mantık

27 Bulanık mantığın tanımı Bulanık mantık teorisinin kendisi bulanık değildir. Bu mantık bulanıklığı ifade etmek için kullanılıyor. Bulanık mantık, belirsizliği ölçen bulanık kümeler teorisidir. Bulanık mantık tüm nesnelerin,kavramların derecelendirilmesini kabul ediyor. Sıcaklık,yükseklik,hız,güzellik-bunlar hepsi ölçeklene biliyor. – Motor cidden sıcaktır. – Ali uzun boylu delikanlıdır

28 Bulanık mantığın tanımı (devamı) Matematiğin temel kavramlarından olan kümeler teorisine göre her bir öğe her hangi bir kümeye kesin olarak ya aittir, ya da ait değil. Bu ise pek çok sözel ifadelerde yeterli olmaya bilir. – Yüksek kasanç – Yüksek basınç – Uzunboylu insan – Ilık su Klasik küme teorisi yapay olarak kavram değerlerini aralıklara ayırıyor: – yüksek olmayan (dağ) 1000 m’e kadar – Yüksek (dağ) ( ) – oldukça yüksek (dağ) … >2000

29 Bulanık Mantığın tanımı (devamı) Çoğu karar oluşturma ve sorun çözme meselelerinin sayısal anlaşılması ve ifade edilmesi zordur. Ama insan bu tür sorunların çözümünde kesin değil, kesin olmayan bilgileri kullanmakla başarıyı daha çok yakalaya biliyor. Bulanık kümeler teorisi, insanın yaklaşık bilgiler ve belirsizliklerle karar oluşturmasını sağlar Bu teori belirsizlikleri,anlaşılmazlıkları matematik ifade etmek ve pek çok kesin olmayan gerçekleri öğrenmek için formal araçları desteklemektedir. Bilgileri bulanık kümeleri kullanmakla daha doğal biçimde ifade etmek mümkün olduğundan pek çok mühendislik ve karar alma sorunlarının çözümü de oldukça kolaylaşmış oluyor.

30 Bulanık mantık uygulamaları Bulanık kümeler teorisi ve bulanık mantığın pek çok uygulama alanı bulunmaktadır: – Sınıflandırma; topoloji; dilbilimi; mantık; otomat teorisi; oyun teorisi; örüntü tanıma; tıp; hukuk; karar destek; bilgi çıkarma ve s. Bulanık mantığın uygulandığı araçlar: – Otomatik tren, tünel kazıma makineleri, çamaşır yıkama makineleri, pirinç pişirme,hava temizleyici, klima…

31 Örnek:Bulanık trafik lambaları uygulaması Eğer kırmızı ışıkta bekleyen arabaların sayısı çok ise ve karşı yoldan geçen arabaların sayısı az ise kırmızı ışığın yanma süresini kısaltmalı Amaç: bekleme zamanının en aza indirilmesi

32 Tarihi bilgi Bulanık,veya çokdeğerli mantık (Fuzzy, or multi-valued logic) 1930’larda Polonyalı filozof Jan Lukasiewicz tarafından önerilmiştir.Klasik mantıktan farklı olarak Lukasiewicz’in önerdiği mantık 0-1 arasındaki tüm gerçek değerleri kapsıyordu. Örneğin, boyu 181cm olan birisinin gerçekten uzun boylu olma mümkünlüğü ( possibility) 0.86 ola biliyor. Bu mantık kesin olmayan sonuçlar çıkarma tekniğine- mümkünlük teorisine götürmüştür yılında Lotfi Zadeh (Lütfü Askerzade) ünlü “Fuzzy sets” makalesini yazmıştır. Burada mümkünlük teorisi matematik mantığın formal sistemine doğru ilerletilmiştir. Zadeh doğal dil terimlerine uygulana bilen yeni kavramlar önermiştir. Bulanık kümelerin ifade edilmesi ve işlenilmesi için Zadeh’in ileri sürdüğü yeni mantık bulanık mantıktır

33 Tarihi bilgi (devamı) Neden bulanık? Zadeh’in söylediği bu terim somut, anlaşılır ve tanımlayıcıdır. Bunun ne olduğunu her kez biliyor. Ama pek çok Batılı bilim adamları bu kavramı, genelde eksi anlamda kullandıkları için uzun süre kabul etmemilerdi. Neden mantık? Bulanıklık bulanık kümlere teorisine dayanıyor ve bulanık mantık teorinin bir küçük kısmıdır

34 “Bulanık mantık” kavramı İki anlamda işleniliyor: – Dar anlamda: Bulanık mantık bulanık kümeler teorisinin bir dalıdır ve bilgilerin tasviri ve çıkarılması ile meşguldür. Diğer mantık sistemlerinden farklı olarak bulanık mantık kesin olmayan ve belirsiz bilgilerle ilgilenmektedir. – Geniş anlamda: bulanık mantık bulanık küme teorisi ile eşanlamlı kullanılıyor

35 Bulanık mantık -çokdeğerlilik Bulanık mantık üyelik derecesine dayanan bilgileri ifade etmek için matematik ilkeler kümesidir. İkili mantık kesin ayırım yapıyor. Bir sınıfın üyesi ve üyesi olmayanlar arasında sınır çizgisi koyuluyor.Örneğin, Ali’un uzun boylu olduğunu söylemeğimiz için onun boyu 180cm’den çok olmalıdır. Eğer sınırı 180cm üzerinden belirlersek, örneğin boyu 179 cm olan Mehmet’in orta boylu olduğunu söylemeli olarız. Mehmet gerçekten mi orta boyludur, yoksa bizim çizgimiz keyfi mi çizilmiştir İkili mantıktan farklı olarak bulanık mantık çok değerlidir. Bu ise üyelik derecesi (degrees of membership) veya doğruluk derecesi (degrees of truth) ile ilgilidir. Bulanık mantık 0 (tamamen yanlış) ve 1 (tamamen doğru) arasında kesintisiz mantıksal değerleri kullanıyor. Örneğin, kesin siyah ve beyaz yerine renkler tayfını kullanıyor

36 Bulanık kümeler Küme (set) matematiğin temel kavramlarındandır. Doğal dildeki ifadelerde de kümeler üstün derecede kullanılıyor. Örneğin, iyi arabaları fiyatları da yüksektir cümlesinde arabalar kümesi kastediliyor.Ama “iyi araba kavramını kesin ifade etmek zordur. Uzunboylu insanlar kümesine ait edile bilen bazı insanlar tartışmasız uzunboyludur, ama bazılarının uzunboylu mu, orta boylu mu olduğu tartışıla bilir.

37 Kesin ve Bulanık Kümeler X ekseni konuşma evrenini (universe of discourse) (seçilmiş değişkene uygulana bilecek tüm mümkün değerler) – ifade ediyor. Bizim örnekte değişken boydur. Şekilde insanın boyu evreni tüm uzunboylu insanları kapsıyor. Y ekseni bulanık kümenin üyelik değeridir. Bizim örnekte “uzun adam” bulanık kümesi boy değerlerini uygun üyelik değerlerine yansıtıyor

38 Kesin ve bulanık kümeler (devamı) X konuşma evreni olsun. Onun elementleri x’lerdir. Kesin kümeler teorisinde X evrenindeki A kesin kümesi A’nın karakteristik fonksiyonu denilen f A (x) fonksiyonu ile tanımlanıyor. f A (x) : X  {0, 1}, nerede ki Bu küme X evrenini 2 elementli kümeye haritalıyor. X evrenindeki her bir x elementi için f A (x) karakteristik fonksiyonu 1 değerini alıyor (eğer x, A kümesine dahil ise ) veya 0 değerini alıyor (x, A kümesine ait değilse)

39 Kesin ve bulanık kümeler (devamı) Bulanık kümeler teorisinde ise X evreninde A bulanık kümesi, bu kümenin üyelik fonksiyonu denilen µ A (x) fonksiyonu ile tanımlanıyor: µ A (x) : X  {0, 1}, nerede kiµ A (x) = 1, eğer x tümüyle A’da ise; µ A (x) = 0, x A’da değilse; 0 < µ A (x) < 1 eğer x kısmen A’da ise X evrenindeki her bir x için µ A (x) üyelik fonksiyonu, x’in A kümesinin elementi olma derecesini ifade ediyor ve 0 ve 1arasında değerler alıyor. Bu değerler üyelik derecesi veya üyelik değeridir A = {x1, x2,.., xn} A bulanık kümesi böyle ifade edile biler: A =  A(xi)/xi + …………. +  A(xn)/xn burada  A(xi)/xi “üyelik derecesi” bileşenidir

40 Bulanık kümelerin ifadesi (örnek) Önce üyelik fonksiyonları belirtilmelidir. “uzunboylu adam” örneği için üç bulanık kümemiz var: uzunboylu, kısaboylu ve orta boylu adamlar Boyu 184 cm olan insan orta boylu insan kümesine 0.1 üyelik derecesi ile aittir; aynı zamanda 0.4 üyelik derecesi ile uzun boylu insan kümesine aittir

41 Dilsel değişkenler Bulanık kümelerin temel kavramlarından birisi dilsel değişkenlerdir ( linguistic variables). Dilsel değişken bulanık değişkendir. Örneğin, “Ali uzunboyludur” cümlesinden anlaşılıyor ki, dilsel değişken Ali, dilsel değer “uzunboylu” almıştır Bulanık uzman sistemlerinde dilsel değişkenler bulanık kurallarda yaygın kullanılmaktadır. Örneğin: IFrüzgargüçlü ise THENyelkençilik sporu için ortam iyidir IFproje-süresikısa ise THENzamanında bitirmeme riskiyüksektir IFhız yavaş ise THENdurma mesafesi kısadır

42 Dilsel Değişkenler (devamı) Dilsel değişkenin mümkün ala bileceği değerler, bu değişkenin konuşma evrenini ifade ediyor. Örneğin, hız dilsel değişkeninin konuşma evreni 0 ve 220km/s arasındaki değerlerdir ve çok yavaş, yavaş, orta, hızlı, çok hızlı bulanık alt kümelerini kapsaya bilir. Dilsel değişkenler kısıtlayıcılarla (hedges) ifade edile bilir. Kısıtlayıcılar bulanık kümenin biçimini değiştiriyor ve zarflardan (çok, biraz, yeterli, daha çok, daha az, azıcık…) oluşuyor.

43 kümeler üzerinde işlemler-kesin kümeler kümeler üzerinde işlemler-kesin kümeler Tamamlama (complement) Kapsama (containment) Kesişme (intersection) Birleşme (union)

44 Bulanık kümeler-Tamamlama-Complement Kesin kümeler: bu kümeye ne dahil değil? Bulanık küme: elementler bu kümeye ne kadar ait değil? Kümenin tamamlayıcısı bu kümeye terstir. Örneğin, uzun boylu adamlar kümemiz var ise, onun tamamlayıcısı uzun boylu olmayan adamlar kümesi olacak. Uzun boylu adamları konuşma evreninden çıkarırsak tamamlayıcını alırız. Eğer A bulanık küme ise onun tamamlayıcısı ~A böyle olacak:  A (x) = 1   A (x)

45 Bulanık kümeller-Kapsama- Containment Her küme bir başka kümeleri içere bilir. Küçük kümeye altküme denir. Örneğin, uzun boylu insanlar kümesi tüm uzun boylu insanları içeriyor. Çok uzun boylu insanlar uzun boylu insanlar kümesinin altkümesidir. Uzun boylu insanlar kümesi ise tüm insanlar kümesinin altkümesidir. Kesin kümelerde altkümenin tüm elementleri tamamen daha büyük kümeye aittirler. Bulanık kümelerde ise her bir element büyük kümeden daha az derecede altkümeye ait ola bilir. Bulanık alt kümenin elementleri büyük kümedekine nazaran alt kümeye daha küçük üyeliktedirler Yalnız o zaman B kümesi A’yı kapsar ki,  A (x) <=  B (x), olsun

46 Bulanık kümeler-Kesişme Kesin küme: Hangi element her iki kümeye aittir? Bulanık küme: element hangi derecede her iki kümeye aittir Klasik küme teorisinde iki kümenin kesişmesi kümelerin her ikisinde de bulunan elementleri kapsıyor. Örneğin, uzun boylu insanlar ile şişman insanlar kümelerinin kesişmesi onların örtüştüğü (her iki niteliği taşıyan insanlar) alandır. Bulanık kümelerde ise element kısmen ve farklı üyeliklerle her iki kümeye ait ola bilir. Bulanık kesişme her bir elementin her iki kümede en düşük üyeliyidir. X evreninde A ve B bulanık kümelerinin kesişmesi böyledir:  A  B (x) = min [  A (x),  B (x)] =  A (x)   B (x), x  X

47 Bulanık kümeler-Birleşme Kesin küme: Hangi elementler bu veya diğer kümededir? Bulanık küme: element hangi derecede bu veya diğer kümededir? İki kesin kümenin birleşmesi bu kümelerin en azından birisinde bulunan elementleri kapsar. Örneğin, uzun boyluların kümesi ile şişmanların kümesinin birleşimi uzun boylu ve/veya şişman olan tüm adamları içeriyor. Bulanık kümelerde birleşme kesişmenin tersidir. Birleşme kümesinde elementin üyeliyi bu kümelerde uygun element için en yüksek olan üyelik değeridir. X evreninde A ve B bulanık kümelerinin birleşimi böyledir:  A  B(x) = max [  A(x),  B(x)] =  A(x)   B(x), nerede ki x  X

48 BULANIK KÜME İŞLEMLERİ

49 Bulanık kümelerin özellikleri Bulanık kümelerin eşitliği Bir kümenin diğerine dahil edilmesi (Inclusion) Önemlilik (Cardinality) Boş bulanık küme  -kesme (alpha-cuts)

50 Eşitlik- Equality Yalnız o halde ( if and only if-iff) bulanık A kümesinin bulanık B kümesine eşit olduğu kabul edilir ki,  A (x) =  B (x),  x  X olsun. Örnek: A = 0.3/ /2 + 1/3 B = 0.3/ /2 + 1/3 yani A = B

51 Dahilolma- Inclusion Bulanık küme A  X diğer bulanık kümeye B  X dahil ediliyor (altkümesi oluyor):  A (x)   B (x),  x  X Varsayalım ki, X = {1, 2, 3}ve A ve B kümeleri A = 0.3/ /2 + 1/3; B = 0.5/ /2 + 1/3 o zaman A B’nin altkümesidir,veya A  B

52 Önemlilik- Cardinality Bulanık olmayan Z kümesinin önemliliği Z’in elemanlar sayısıdır. Bulanık A kümesinin önemliliği ise A’nın üyelik fonksiyonlarının değerlerinin toplamıdır ve sigma sayı(Sigma count) adlanır: card A =  A (x 1 ) +  A (x 2 ) + …  A (x n ) = Σ  A (x i ), i=1..n varsayalım ki, X = {1, 2, 3} ve A ve B kümeleri A = 0.3/ /2 + 1/3; B = 0.5/ /2 + 1/3 card A = 1.8 card B = 2.05

53 Boş bulanık küme-Empty Fuzzy Set A bulanık kümesi yalnız o zaman boş kümedir ki;  A (x) = 0,  x  X Varsayalaım ki, X = {1, 2, 3} ve A kümesi A = 0/1 + 0/2 + 0/3 o zaman A boştur

54 Alpha –kesim Alpha-cut A  X bulanık kümesinin s  -kesim veya  -seviyesi A  ={  A (x) ,  x  X} bulanık kümesidir. A   X, Örnek: X = {1, 2, 3} ve A = 0.3/ /2 + 1/3 O zaman A 0.5 = {2, 3}, A 0.1 = {1, 2, 3}, A 1 = {3}

55 Normal Bulanık küme-Fuzzy Set Normality X bulanık altkümesi o zaman normal sayılıyor ki, en azından bir x  X elemanı var ki, onun için  A (x) = 1. Normal olmayan bulanık altkümelere normalin altında altküme (subnormal) denir. Tüm kesin (crisp) altkümeler, null kümeler dışında normaldir. A bulanık alt kümesinin yüksekliği (height) A’nın elemanlarının aldığı en yüksek üyelik derecesidir: height(A) = max x (  A (x))

56 Bulanık küme çekirdeği ve desteği- Fuzzy Sets Core and Support A, X’in bulanık altkümesidir. A’nın desteği,X’in, sıfırdan büyük üyelik dereceleri bulunan elementleri içeren kesin altkümesidir: supp(A) = {x   A (x)  0 and x  X} A’nın çekirdeği, X’in 1 üyelik dereceli tüm elemanları içeren kesin altkümesidir: core(A) = {x   A (x) = 1 and x  X} Örnek: X={a,b,c,d,e} A=1/a+0.3/b + 0.2/c+ 0.8/d +0/e B= 0.6/a+0.9/b+0.1/c+0.3/d+0.2/e destek: supp(A) = {a, b, c, d } supp(B) = {a, b, c, d, e } çekirdek: core(A) = {a} core(B) = {o}

57 Bulanık küme matematik işlemleri aA = {a  A (x),  x  X} a =0.5, ve A = {0.5/a, 0.3/b, 0.2/c, 1/d} o zaman A a = {0.25/a, 0.15/b, 0.1/c, 0.5/d} A a = {  A (x) a,  x  X} a =2, ve A = {0.5/a, 0.3/b, 0.2/c, 1/d} o zaman A a = {0.25/a, 0.09/b, 0.04/c, 1/d}

58 Bulanık kümeler üzerinde işlemler - Örnek A = {0.2/a, 0.4/b, 1/c, 0.8/d, 0/e} B = {0/a, 0.9/b, 0.3/c, 0.2/d, 0.1/e} Tamamlama Comp(A) = {0.8/a, 0.6/b, 0/c, 0.2/d, 1/e} Comp(B) = {1/a, 0.1/b, 0.7/c, 0.8/d, 0.9/e} Birleşme A  B = {0.2/a, 0.9/b, 1/c, 0.8/d, 0.1/e} Kesişme A  B = {0/a, 0.4/b, 0.3/c, 0.2/d, 0/e} Alpha-kesme E = A 0.5 E = {c, d}

59 Bulanık kümeler üzerinde işlemler -örnek(devamı) A = {0.2/a, 0.4/b, 1/c, 0.8/d, 0/e} B = {0/a, 0.9/b, 0.3/c, 0.2/d, 0.1/e} destek Supp(A) = {a, b, c, d} Supp(B) = {b, c, d, e} çekirdek Core(A) = {c} Core(B) = {} Önemlilik Card(A) = = 2.4 Card(B) = = 1.5 A a : C=A 2 C = {0.04/a, 0.16/b, 1/c, 0.64/d, 0/e} aA: D = 0.5  B D = {0/a, 0.45/b, 0.15/c, 0.1/d, 0.05/e} a-kesme: A 0.2 = {a, b, c, d} A 0.3 = {b, c, d} A 0.8 = {c, d} A 1 = {c}

60 Bulanık kurallar Lotfi Zadeh’in 1973’de yazdığı makalede bulanık kurallar (fuzzy rules) önerilmiştir. Bulanık kural koşul cümlesi olarak böyle ifade ediliyor: IFxis A THENyis B Burada x ve y dilsel değişkenlerdir. A ve B uygun olarak X ve Y evreninde tanımlanmış dilsel değerlerdir

61 Klasik ve Bulanık kurallar Klasik IF-THEN kuralı ikili mantığı kullanıyor: Kural 1: Kural 2: IF hız>100 ise IF hız < 40 ise THEN durma mesafesi uzundur THEN durma mesafesi kısadır Hız değişkeni arasında sayı değerler ala biliyor. Ama durma mesafesi kısa veya uzun olmakla iki dilsel değerden birini almalıdır.

62 Klasik ve Bulanık Kurallar Durma mesafesini bulanık biçimde de ifade etmek mümkündür: kural: 1 kural2: 2 IF hız yüksek ise IF hız yavaş ise THEN durma mesafesi uzundur THEN durma mesafesi kısadır Bulanık kurallarda hız dilsel değişkeni de 0 ve 220 arasında değer alıyor. Ama bu aralık yavaş, orta,süratli gibi bulanık kümeleri içeriyor. Durma mesafesi dilsel değişkeni 0-300m arasında değişiyor ve kısa, orta,uzun gibi bulanık kümeleri içere biliyor Bulanık sistemlerde eğer kuralın sol tarafı (IF) belirli bir derecede doğru ise kuralın sağ tarafı (THEN) aynı derecede doğrudur

63 Bulanık kümelerin ateşlenmesi-Firing Fuzzy Rules Aşağıdaki örnek ağırlığın tahmin modelidir. Bu modelde insanın boyu ile kilosu arasındaki bağlantı oluşturulup. IF boy uzun ise THEN kilosu çoktur

64 Bulanık kuralların tetiklenmesi- Firing Fuzzy Rules Kuralın sağ tarafının çıkış değeri veya gerçek üyelik derecesi sol tarafın gerçek üyelik değerinden doğrudan çıkarıla bilir. Bu bulanık çıklarımdır

65 Bulanık kuralların tetiklenmesi-Firing Fuzzy Rules Bulanık kümenin sebep kısmı karmaşık (birkaç sebep) ola biliyor: IFproje uzun süreli ise ANDproje personel sayısı çok ise ANDproje bütçesi yeterli değil THENrisk yüksektir IFhizmet mükemmel ise ORyemekler nefis ise THENbahşiş büyüktür Sonuç da birkaç kısımdan oluşa biliyor: IFsu sıcak ise THENsıcak suyu azaltmalı; soğuk suyu arttırmalı

66 Bulanık küme örneği-1 Klima kapalı alanda sıcaklığı ve nemliği kontrol etmek ve belirli düzeyde tutmak için bir alettir. Klimanın pervanesi temiz havanı alıp döndürüyor ve termostatik kontrol altında soğutuyor Varsayalım ki, klimanın 5 kontrol anahtarı bulunmaktadır: Çok soğuk -COLD, soğuk-COOL, ılık-PLEASANT, sıcak_WARM ve Çok sıcak- HOT. Klimanın pervanesini işleten motorun hızı aşağıdaki gibi derecelendirilmiştir: en yavaş- MINIMAL, yavaş-SLOW, orta-MEDIUM, hızlı-FAST ve çok hızlı- BLAST.

67 Bulanık kümelere örnek-1 (üretim kuralları) Klimanın çalışması için bulanık kurallar: KURAL 1: IFHAVA is ÇOK SOĞUKTHENHIZ is ENYAVAŞ KURAL 2: IFHAVA is SOĞUK THENHIZ is SLOW KURAL 3: IFHAVA is ILIK THENHIZ is ORTA KURAL 4: IFHAVA is SICAK THENHIZ is YÜKSEK KURAL 5: IFHAVA is ÇOK SICAKTHENHIZ is ÇOK YÜKSEK

68 Bulanık kümelere örnek-2 Sıcaklık için altkümeler: Çok soğuk (COLD): for 0 ≤ t ≤ 10  COLD (t) = – t / Soğuk (COOL): for 0 ≤ t ≤ 12.5  COLD (t) = t / 12.5 for 12.5 ≤ t ≤ 17.5  COLD (t) = – t /

69 Bulanık kümelere örnek-3: HIZ için bulanık altkümeler: ENDÜŞÜK (MINIMAL): for 0 ≤ v ≤ 30  MIN (t) = – v / YAVAŞ (SLOW): for 10 ≤ v ≤ 30  SLOW (t) = v / 20 – 0.5 for 30 ≤ v ≤ 50  SLOW (t) = – v /

70 Bulanık Veri Tabanları -Sorguların bulanıklığı Kesin sorgu: 1997 yılında yıllık geliri 1000 ve 3000 arasında olan ve çalışanlarının sayısı 200’den fazla olmayan şirketler Bulanık sorgu: Geliri orta düzeyde olan ve çok fazla çalışanı bulunmayan şirketler Kesin sorgu Bulanık sorgu

71 Kesin ve Bulanık sorgular 1 feet=12 inch=30.48cm; 1 inch=2.54cm

72 Kesin ve Bulanık sorgular

73

74 Üyelik fonksiyonlarını birleştirmek için 2 yöntem: 1)En küçük üyeliğin seçilmesi 2)Ortalama değerin bulunması

75 Kesin ve Bulanık sorgular

76 Nesne İlişkisel ve Nesneye Yönelik Veri Tabanı Yönetim Sistemleri

77 VTYS’lerin sınıflandırılması İlişkisel VTYS Dosya sistemleri Nesne-İlişkisel VTYS Nesneye yönelik VTYS

78 Nesne –İlişkisel VTYS (Öğrenci Veri Tabanı) Öğrenci sınıfı nesneleri,Kişi sınıfının nesnelerine doğru genişletilmelidir Doktora öğrencisi, Yüksek Lisans ve Lisans Öğrencileri altsınıfları Öğrenci sınıfından özellikler miras ala bilmelidir Ders sınıfının nesneleri Çoklu ortam verilerinin işlenilmesi mümkün olmalıdır: Öğrenci resimleri Öğrencilerin ses kayıtları

79 Object-Relational DBMS Introduced in 1992 with the release of the UniSQL/X unified relational and object-oriented database system. Then, Hewlett Packard released OpenODB (later Odapter), which extended its AllBase relational DBMS. In 1993, Montage Systems (later Illustra): shipped the first commercial version of the object-relational Postgres.

80 Object-Relational DBMS Developing a New Standard: SQL3 SQL3 accommodates: Object SQL Stored Procedures Triggers User-defined types CLI (Callable Level Interface) Sensitive Cursors Multimedia SQL3 exists in draft form--anticipated ratification in July 1998.

81 Object-Relational DBMS Key Players Informix: Illustra (Informix-Universal Server) UniSQL Oracle: Oracle8 Hewlett-Packard Unisys: OSMOS IBM: DB2 version 3 Sybase: Adaptive Server (introduced Sept. ‘97) Just released--a Java-based ORDBMS : Cloudscape’s JBMS

82 Object-Relational DBMS Real-world applications Oracle8 by Oracle Abbey National, the United Kingdom's fifth-largest bank, is developing a new customer database system to improve manageability of large objects, such as Abbey National's Financial Transactions data. Abbey anticipates using Oracle8 objects to store more complex forms of data, such as other databases and tables. An individual's complete insurance record, including insurance policies, claim forms, credit card receipts, and photos of automobile collision damage, can be stored as an object, providing a view of data that approximates the traditional paper record.

83 Object-Relational DBMS Real-world applications Nasdaq Stock Market has been testing Oracle8 on Sun Solaris and Sequent Dynix platforms to support its large Decision Support System (DSS) databases. Oracle8 is expected to provide Nasdaq with robust performance, advanced replication, and segment partitioning to help Nasdaq manage its Very Large Data Bases (VLDBs), with Oracle8 scaling up to handle multiple terabytes and 30,000 concurrent users, providing substantial headroom for Nasdaq's hundreds of gigabytes.

84 Object-Oriented DBMS Suited for Complex Data Nesneye Yönelik VTYS’lerde amaç karmaşık verilerin kontrolünü ve nesneler arasındaki karmaşık ilişkilerin kontrolünü çok iyi yapmaktadır. Examples : Financial portfolio risk-analysis systems Telecommunications service applications WWW document structures Design and manufacturing systems Hospital patient record systems

85 Object-Oriented DBMS DB functions integrated into programming language The OODBMS integrates database capabilities directly into the object-oriented programming language (C++, Smalltalk, Java). This is different than SQL, which is a separate language that defines, retrieves, and manipulates data. Client is the C++ program Server is the OODBMS

86 Object-Oriented DBMS Developing Standards The Object Database Management Group (ODMG): standards-setting body, organized in 1991 Rather than defining a completely new standard from the ground up, the ODMG standard builds upon the existing OMG, SQL-92, and ANSI programming language standards to define an application-portability framework among OODBMS

87 Object-Oriented DBMS Standard: ODMG-93 ODMG-93: the answer to SQL ODMG-93: an extension of the CORBA Persistent Object Service Three major components of ODMG-93 : Object Definition Language (ODL) Object Query Language (OQL) C++ and Smalltalk language bindings

88 Object-Oriented DBMS Standard: ODMG 2.0 (July 1997) The Object Database Management Group (ODMG) has published the ODMG 2.0 Specification, a key milestone in the development of the only industry standard for object databases. The ODMG 2.0 standard includes: a new ODMG binding for Java that standardizes and simplifies the storage of Java objects in databases a metamodel that provides a language-independent description of a database schema to tools and applications improved C++ and Smalltalk language bindings

89 Object-Oriented DBMS Key Players GemStone Systems IBEX Computing SA O2 Technology Object Design (Voting members of ODMG) Voting membership requires that a company must have developed and must commercially ship a object DBMS product. The company must commit 20 percent of the time of a senior object DBMS expert and must commit to implement the ODMG standard. Objectivity POET Software UniSQL Versant Object Technology

90 Object-Oriented DBMS More Players Andersen Consulting CERN Electronic Data Systems (EDS) Fujitsu Software Corporation Hitachi Lockheed Martin Microsoft MITRE Corporation NEC Corporation ONTOS Persistence Software Sybase Unidata VMARK Software (Reviewer member companies of ODMG) Reviewer membership requires a company to commit 10 percent of the time of a senior object DBMS expert, but does not require that the company ship an object DBMS product.

91 Object-Oriented DBMS Real-world applications ObjectStore by Object Design The Human Genome Project at the MIT Whitehead Institute (Cambridge, MA) is helping to sequence the entire human genome by the year They have two applications: MAPBASE (genetic mapping of mice) and LABBASE (physical mapping of humans and mice), both of which use ObjectStore as the data and model repository. They chose an OODBMS for the repository because of its ability to efficiently and quickly manage complex genetic data.

92 Object-Oriented DBMS Real-world applications Monterey Bay Aquarium Research Institute uses ObjectStore to collect and store multi-media oceanographic research data (videos, image, etc.). They share their ObjectStore-based research data with other research organizations through an extranet application written in Java. They replaced Oracle with ObjectStore because ObjectStore reduced the amount of Java code required (no need to convert their objects to rows & columns) and because ObjectStore could be extended very easily to store any type of multi-media or textual data.

93 Object-Oriented DBMS Real-world applications Rush-Presbyterian-St.Luke's Medical Center is a 1,000- bed research hospital in Chicago. ObjectStore supports a patient record system for their echocardiography unit. Doctors study echocardiograms (ultrasound recordings of hearts beating) and enter their patient evaluations into ObjectStore. The patient's report is automatically generated in HTML and FAXed to the patient's hospital room in 15 minutes (hours faster than the old, paper- based system).

94 Object-Oriented DBMS Real-world applications Versant Object Technology NUSTAR International (Atlanta) uses Versant to accept, store, manage, and publish data about real estate in many markets across the country. OODBMS allows great flexibility for updating local editions--each of which includes photos and other information about homes for sale in a given area. Publications are updated very frequently. Company scans between 16,000 and 25,000 photos a week. Each photo is associated with a real estate listing that includes text and graphics (including maps, floor plans, or logos).

95 Object-Oriented DBMS Limitations? Some DBMS developers define limitations of the OODBMS as follows: OODBMS are limited to small applications (small databases) OODBMS don’t support a lot of concurrent users It takes too much time to deliver an OODBMS application

96 Object-Oriented DBMS Limitations? A Response 1997 study of 24 applications found that: 15 applications occupied between 1 and 99 GB Four applications supported more than 500 users, with the most common situation involving between 10 and 99 users. Development can be time-consuming, but not in every case and delivery time is improving (facilitated by greater availability of vendor tools). Twelve to twenty- three months is average development period, but many companies delivered in less than a year.

97 Object-Relational DBMS & Object-Oriented DBMS: Predictions Relational DBMS market will grow to $6.8 billion by 1997, and $8.1 billion by 2000 (compared to $2.9 billion in 1995) ORDBMS market will grow to $1 billion by 2000 (compared to $14 million in 1995) OODBMS market will grow to $430 million by 1997 and $600 million by 2000 (compared to $100 million in 1995) Conclusion : Market for OODBMS is growing very fast, but still dwarfed by relational DBMS

98 Object-Relational DBMS or Object-Oriented DBMS? The Future. Future databases (in perhaps 5 to 10 years) will likely be capable of everything. Relational DBs will likely be replaced with object- relational DBs. Object-relational DBs are quickly adapting the capabilities to deal with complex data (objects). Object-oriented DBs are adding querying capabilities similar to those of relational DBs.

99 SQL3’e örnek(kullanıcı tanımlı tür-User Defined Type(UDT) CREATE TYPE person_type AS ( PRIVATE date_of_birth DATA CHECK (date_of_birth>DATE ‘ ’), PUBLIC fname VARCHAR(15) NOT NULL, lname VARCHAR(15) NOT NULL, address VARCHAR(50) NOT NULL, tel_no VARCHAR(13) NOT NULL, FUNCTION get_age(P person_type RESULT, DOB:DATE) RETURNS person_type RETURN /*set date_of_birth*/ END)

100 SQL3’e örnek (kalıtım) CREATE TYPE staff_type UNDER person_type AS ( sno VARCHAR(5) NOT NULL UNIQUE, position VARCHAR(10) NOT NULL, salary DECIMAL(7,2), bno VARCHAR(3) NOT NULL, CREATE FUNCTION is_manager(s STAFF_TYPE) RETURNS BOOLEAN BEGIN IF s>>position=‘Manager’ THEN RETURN TRUE; ELSE RETURN FALSE; ENDIF END)

101 SQL-3 (özyineleme) Sorgu: Bart’ın seleflerini (soyunu) bulmalı

102

103

104

105 ROW veri türü CREATE TABLE employee ( EMP_ID INTEGER, NAME ROW( GIVEN VARCHAR (30), FAMILY VARCHAR (30) ), ADDRESS ROW ( STREET VARCHAR (50), CITY VARCHAR (30), STATE CHAR (2)), SALARY REAL ) SELECT E.NAME.FAMILY FROM employee E


"Veri Tabanında İleri Konular Sarı renkli arka planlı sayfalar bilgi amaçlıdır; sınavda sorulmayacak." indir ppt

Benzer bir sunumlar


Google Reklamları