Semi-Skylines und Skyline Snippets
|
|
- Nora Fertig
- vor 7 Jahren
- Abrufe
Transkript
1 Skyline von Manhattan, NY, USA Semi-Skylines und Skyline Snippets Markus Endres Universität Augsburg 10. Februar 2011
2 Skyline Queries Finde preiswerte Hotels in Strandnähe! Distance to the beach [km] Orange Hill Atlantis Hilton Sheraton Literatur Price [Euro]! The Skyline Operator (Börzsönyi et al., 2001)! Foundations of Preferences in Database Systems (Kießling, 2002, 2005) 2
3 Skyline Queries Finde preiswerte Hotels in Strandnähe! Distance to the beach [km] Orange Hill Atlantis Hilton Sheraton Literatur Price [Euro]! The Skyline Operator (Börzsönyi et al., 2001)! Foundations of Preferences in Database Systems (Kießling, 2002, 2005) 2
4 Skyline Queries Finde preiswerte Hotels in Strandnähe! Distance to the beach [km] Orange Hill Atlantis besser Hilton Sheraton Literatur Price [Euro]! The Skyline Operator (Börzsönyi et al., 2001)! Foundations of Preferences in Database Systems (Kießling, 2002, 2005) 2
5 Skyline Queries Finde preiswerte Hotels in Strandnähe! Distance to the beach [km] Orange Hill Atlantis Skyline Hilton Sheraton Literatur Price [Euro]! The Skyline Operator (Börzsönyi et al., 2001)! Foundations of Preferences in Database Systems (Kießling, 2002, 2005) 2
6 Skyline Queries 60sec Theorie Grundlagen! Präferenz: strikte partielle Ordnung auf dom(a) x< P y Ich mag y lieber als x < P! Beispiele:! LOWEST (=MIN), HIGHEST (=MAX)! AROUND, BETWEEN, POS, NEG, POS/NEG, PRIOR, PARETO,...! Ergebnis einer Präferenz / Skyline Query σ[p ](R) := {t R t R : t[a] < P t [A]} Skyline / BMO-set 3
7 Skyline Queries Beispiel! Skyline / Pareto Präferenz P 1 P 2 =(A 1 A 2,< P ) (x 1,x 2 ) < P (y 1,y 2 ) (x 1 < P1 y 1 (x 2 < P2 y 2 x 2 = y 2 )) (x 2 < P2 y 2 (x 1 < P1 y 1 x 1 = y 1 )) Ein Tupel dominiert ein anderes, wenn es in mind. einer Dimension besser und in allen anderen Dimensionen nicht schlechter ist 4
8 Skyline Queries Beispiel Name Distance (m) Price (e) Sheraton Hilton Atlantis Orange Hill Preference SQL SELECT * FROM Hotel h PREFERRING h.distance LOWEST AND h.price LOWEST Ein Tupel dominiert ein anderes, wenn es in mind. einer Dimension besser und in allen anderen Dimensionen nicht schlechter ist 4
9 Agenda 1. Skyline Queries 2. Semi-Skylines σ[p 1 P 2 P 3 ] Distance to the beach [km] Orange Hill Atlantis Hilton Sheraton σ[p 3 < Hc.P rice] σ[p 1 < Hh.P rice] σ[p 2 < Hf.P rice] c σ H Price [Euro] h f 3. Skyline Snippets 4. Zusammenfassung σ[p {P1,P2,P3,P4} ](R) σ[p {P1,P2,P3} ](R) σ[p {P1,P2,P4} ](R) σ[p {P1,P3,P4} ](R) σ[p {P2,P3,P4} ](R) und Ausblick σ[p {P1,P2} ](R) σ[p {P1,P3} ](R) σ[p {P1,P4} ](R) σ[p {P2,P3} ](R) σ[p {P2,P4} ](R) σ[p {P3,P4} ](R) σ[p {P1} ](R) σ[p {P2} ](R) σ[p {P3} ](R) σ[p {P4} ](R) 5
10 Agenda 1. Skyline Queries 2. Semi-Skylines σ[p 1 P 2 P 3 ] Distance to the beach [km] Orange Hill Atlantis Hilton Sheraton σ[p 3 < Hc.P rice] σ[p 1 < Hh.P rice] σ[p 2 < Hf.P rice] c σ H Price [Euro] h f 3. Skyline Snippets 4. Zusammenfassung σ[p {P1,P2,P3,P4} ](R) σ[p {P1,P2,P3} ](R) σ[p {P1,P2,P4} ](R) σ[p {P1,P3,P4} ](R) σ[p {P2,P3,P4} ](R) und Ausblick σ[p {P1,P2} ](R) σ[p {P1,P3} ](R) σ[p {P1,P4} ](R) σ[p {P2,P3} ](R) σ[p {P2,P4} ](R) σ[p {P3,P4} ](R) σ[p {P1} ](R) σ[p {P2} ](R) σ[p {P3} ](R) σ[p {P4} ](R) 5
11 Semi-Skylines Semi-Pareto!Skyline / Pareto Präferenz P 1 P 2 =(A 1 A 2,< P ) (x 1,x 2 ) < P (y 1,y 2 ) (x 1 < P1 y 1 (x 2 < P2 y 2 x 2 = y 2 )) (x 2 < P2 y 2 (x 1 < P1 y 1 x 1 = y 1 )) 6
12 Semi-Skylines Semi-Pareto!Skyline / Pareto Präferenz P 1 P 2 =(A 1 A 2,< P ) (x 1,x 2 ) < P (y 1,y 2 ) (x 1 < P1 y 1 (x 2 < P2 y 2 x 2 = y 2 )) (x 2 < P2 y 2 (x 1 < P1 y 1 x 1 = y 1 )) 6
13 Semi-Skylines Semi-Pareto!Skyline / Pareto Präferenz P 1 P 2 =(A 1 A 2,< P ) (x 1,x 2 ) < P (y 1,y 2 ) (x 1 < P1 y 1 (x 2 < P2 y 2 x 2 = y 2 )) (x 2 < P2 y 2 (x 1 < P1 y 1 x 1 = y 1 ))!Left-Semi-Pareto P 1 < P 2 =(A 1 A 2,< P1 < P 2 ) (x 1,x 2 ) < P1 < P 2 (y 1,y 2 ) x 1 < P1 y 1 (x 2 < P2 y 2 x 2 = y 2 ) 6
14 Semi-Skylines Semi-Pareto!Skyline / Pareto Präferenz P 1 P 2 =(A 1 A 2,< P ) (x 1,x 2 ) < P (y 1,y 2 ) (x 1 < P1 y 1 (x 2 < P2 y 2 x 2 = y 2 )) (x 2 < P2 y 2 (x 1 < P1 y 1 x 1 = y 1 ))!Left-Semi-Pareto P 1 < P 2 =(A 1 A 2,< P1 < P 2 ) (x 1,x 2 ) < P1 < P 2 (y 1,y 2 ) x 1 < P1 y 1 (x 2 < P2 y 2 x 2 = y 2 )!Right-Semi-Pareto P 1 >P 2 =(A 1 A 2,< P1 >P 2 ) (x 1,x 2 ) < P1 >P 2 (y 1,y 2 ) x 2 < P2 y 2 (x 1 < P1 y 1 x 1 = y 1 ) 6
15 Semi-Skylines haben keine intuitive Bedeutung,... 7
16 ... aber Anwendungen: Semi-Skyline Intersection Constrained Skyline Queries 8
17 Semi-Skylines Constrained Skyline Queries Constraint: Gesamtpreis unter! 1800 SELECT * FROM Hotel h, Flight f, RentalCar c WHERE h.price + f.price + c.price <= 1800 PREFERRING h.distance LOWEST AND h.price LOWEST AND f.airline = Lufthansa AND c.make = Mazda σ[p 1 P 2 P 3 ] σ H! harte Bedingung (Summe) auf 3 Relationen! volles kartesisches Produkt! keine algebraische Optimierung möglich! hohe Speicher- und Berechnungskosten c h f 9
18 Semi-Skylines Constrained Skyline Queries Algebraische Query Optimierung Heuristik:! Größe der Zwischenergebnisse reduzieren! Tupel eliminieren vor Berechnung des teuren Joins! Anwendung des Skyline Operators vor Selektion! Push Skyline Operator σ[p 1 P 2 P 3 ] σ H c h f 10
19 Semi-Skylines Constrained Skyline Queries Algebraische Query Optimierung Heuristik:! Größe der Zwischenergebnisse reduzieren! Tupel eliminieren vor Berechnung des teuren Joins! Anwendung des Skyline Operators vor Selektion! Push Skyline Operator σ[p 1 P 2 P 3 ] σ H Semi-Skylines h f 10 c
20 Semi-Skylines Constrained Skyline Queries σ[p 1 P 2 P 3 ] σ H SELECT * FROM Hotel h, Flight f, RentalCar c WHERE h.price + f.price + c.price <= 1800 H PREFERRING h.distance LOWEST AND h.price LOWEST AND P1 f.airline = Lufthansa AND P2 c.make = Mazda P3 h f Unoptimierter Operator-Baum c Optimierter Operator-Baum σ[p 1 P 2 P 3 ] σ[p 3 < Hc.P rice] σ[p 1 < Hh.P rice] σ[p 2 < Hf.P rice] c Semi-Skyline als Prefilter h σ H f 11
21 Semi-Skylines Constrained Skyline Queries h σ[p 1 P 2 P 3 ] σ H f Unoptimierter Operator-Baum 17 Mio. 120 Mio. 433 c σ[p 1 P 2 P 3 ] 5% σ H 1.3% % σ[p 3 < 17% 58 Hc.P rice] % σ[p 1 < Hh.P rice] σ[p 2 < Hf.P rice] c Semi-Skyline als Prefilter h SELECT * FROM Hotel h, Flight f, RentalCar c WHERE h.price + f.price + c.price <= 1800 H PREFERRING h.distance LOWEST AND h.price LOWEST AND P1 f.airline = Lufthansa AND P2 c.make = Mazda P3 f 12
22 Semi-Skylines Constrained Skyline Queries no-pref-prefilter pref-prefilter Runtime in sec M 8M 27M 64M 120M #combinations 13
23 Semi-Skylines Constrained Skyline Queries Induzierte Präferenz: H := h(b 1,..., b k ) Θ c, HB i := SELECT * FROM Hotel h, Flight f, RentalCar c WHERE h.price + f.price + c.price <= 1800 H PREFERRING h.distance LOWEST AND h.price LOWEST AND P1 f.airline = Lufthansa AND P2 c.make = Mazda P3 Θ {, <, >,, =, } monoton LOW EST (B i ) if Θ {<, } HIGHEST (B i ) if Θ {>, } ANT ICHAIN(B i ) if Θ {=, } 17% 184 σ[p 1 1 < Hh.P rice] σ[p 1 P 5% σ H 1.3% 58 22% σ[p 2 < H h 14 f
24 Semi-Skylines Staircase Problem: Auswertung der Semi-Skylines Lösung: Staircase / Staircube! Skiplist (Pugh 1990)! Totale Ordnung der Skyline Punkte! Worst-case level 4 level 3 level 2 level 1 O(n log n) 0 (4,0) 2 (4,2) 3 (3,3) 4 (1,4) 6 (1,6) 8 (1,8) P< H 14 9 (1,9) 12 (0,12) (0,14) 19 (0,19) NIL 15
25 Semi-Skylines Staircase Problem: Auswertung der Semi-Skylines Lösung: Staircase / Staircube! Skiplist (Pugh 1990)! Totale Ordnung der Skyline Punkte! Worst-case O(n log n) level 4 level 3 level 2 level 1 0 (4,0) 2 (4,2) 3 (3,3) 4 (1,4) 6 (1,6) 8 (1,8) P< H 14 9 (1,9) 12 (0,12) (0,14) 19 (0,19) NIL level P level P level P [t 4 ] 1 2 [t 5 ] [t 4 ] 3 [t 1 ] 3 [t 1 ] 3 [t 1 ] 4 levelp1 [t 2 ] SCP R 4 levelp1 [t 3 ] [t 2 ] SCP R 4 levelp1 [t 3 ] [t 2 ] SCP R 15
26 Agenda 1. Skyline Queries 2. Semi-Skylines σ[p 1 P 2 P 3 ] Distance to the beach [km] Orange Hill Atlantis Hilton Sheraton σ[p 3 < Hc.P rice] σ[p 1 < Hh.P rice] σ[p 2 < Hf.P rice] c σ H Price [Euro] h f 3. Skyline Snippets σ[p {P1,P2,P3,P4} ](R) σ[p {P1,P2,P3} ](R) σ[p {P1,P2,P4} ](R) σ[p {P1,P3,P4} ](R) σ[p {P2,P3,P4} ](R) 4. Zusammenfassung und Ausblick σ[p {P1,P2} ](R) σ[p {P1,P3} ](R) σ[p {P1,P4} ](R) σ[p {P2,P3} ](R) σ[p {P2,P4} ](R) σ[p {P3,P4} ](R) σ[p {P1} ](R) σ[p {P2} ](R) σ[p {P3} ](R) σ[p {P4} ](R) 16
27 Skyline Snippets Motivation! Skyline Query liefert viele Tupel!10 Tupel! Schöne Übersicht! Tupel! Niemand sieht Ergebnis durch! Anfrage umsonst! Unpraktikabel für Web, Mobile Services Distance to the beach [km] Orange Hill Atlantis Price [Euro] Hilton Sheraton 17
28 Skyline Snippets Motivation! Skyline Query liefert viele Tupel!10 Tupel! Schöne Übersicht! Tupel! Niemand sieht Ergebnis durch! Anfrage umsonst! Unpraktikabel für Web, Mobile Services Distance to the beach [km] Orange Hill Atlantis Price [Euro] Hilton Sheraton! Progressive Skylines (Index)! Top-k Skylines (Index)! Skyline Snippets (kein Index) berechnen ausgewählte Skyline-Punkte 17
29 Skyline Snippets Idee Distance to the beach [km] Atlantis and Hilton 0.5 Sheraton 0.0 Projektion auf Sub-Präferenzen Distance to the beach [km] Orange Hill 1.0 Atlantis Hilton 0.5 Sheraton Price [Euro] Orange Hill Atlantis Hilton Sheraton Price [Euro] 18
30 Skyline Snippets Pareto k-partition k-partition von P := P 1 P n... ist Zerlegung von P in k disjunkte Sub-Präferenzen Beispiel: P := P 1 P 2 P 3 P 4 P = P {P 1,P 2 } P {P 3,P 4 } =(P 1 P 2 ) (P 3 P 4 ) P = P {P 1} P {P 2,P 3,P 4 } = P 1 (P 2 P 3 P 4 ) 19
31 Skyline Snippets Folgerung Folgerung:! k σ[p I i ](R) Skyline i=1 Distance to the beach [km] Sheraton Distance to the beach [km] Atlantis and Hilton Orange Hill Atlantis Hilton Sheraton Price [Euro] Orange Hill Atlantis Price [Euro]! σ[p ]( k i=1 σ[p I i ](R)) Skyline 20
32 Skyline Snippets Folgerung Folgerung:! k σ[p I i ](R) Skyline i=1 Aber: Schnitt häufig leer Distance to the beach [km] Sheraton Distance to the beach [km] Atlantis and Hilton Orange Hill Atlantis Hilton Sheraton Price [Euro] Orange Hill Atlantis Price [Euro]! σ[p ]( k i=1 σ[p I i ](R)) Skyline 20
33 Skyline Snippets Folgerung Folgerung:! k σ[p I i ](R) Skyline i=1 Aber: Schnitt häufig leer Distance to the beach [km] Sheraton Distance to the beach [km] Atlantis and Hilton Orange Hill Atlantis Hilton Sheraton Price [Euro] Orange Hill Atlantis Price [Euro]! k σ[p ]( σ[p I i ](R)) Skyline i=1 Sehr effizient... 20
34 Skyline Snippets Monotonic Skyline Membership 7 6 Hexagon (prog.) SSA Runtime in sec K 100K 150K 200K 250K 300K K 450K 500K Data cardinality 21
35 Skyline Snippets (Non-)Monotonic Skyline Membership aber... P := P 1 P 2 P 3 P 4 σ[p ]( k i=1 σ[p I i ](R)) Skyline R ID A 1 A 2 A 3 A 4 t t t Sub-preference Skyline P 1 P 2 P 3 P 4 t 1,t 2,t 3 P {P 1} t 1,t 2 P {P 2} t 2,t 3 P {P 3} t 1,t 3 P {P 4} t 1,t 2 22
36 Skyline Snippets (Non-)Monotonic Skyline Membership aber... P := P 1 P 2 P 3 P 4 σ[p ]( k i=1 σ[p I i ](R)) Skyline R ID A 1 A 2 A 3 A 4 t t t Non-substitutable values condition R ID A 1 A 2 A 3 A 4 t t t Sub-preference Skyline Sub-preference Skyline P 1 P 2 P 3 P 4 t 1,t 2,t 3 P {P 1} t 1,t 2 P {P 2} t 2,t 3 P {P 3} t 1,t 3 P {P 4} t 1,t 2 P 1 P 2 P 3 P 4 t 1,t 2,t 3 P {P 1} t 1 P {P 2} t 3 P {P 3} t 3 P {P 4} t 1 22
37 Skyline Snippets Monotonic Skyline Membership σ[p {P 1,P 2,P 3,P 4 } ](R) σ[p {P 1,P 2,P 3 } ](R) σ[p {P 1,P 2,P 4 } ](R) σ[p {P 1,P 3,P 4 } ](R) σ[p {P 2,P 3,P 4 } ](R) σ[p {P 1,P 2 } ](R) σ[p {P 1,P 3 } ](R) σ[p {P 1,P 4 } ](R) σ[p {P 2,P 3 } ](R) σ[p {P 2,P 4 } ](R) σ[p {P 3,P 4 } ](R) σ[p {P 1} ](R) σ[p {P 2} ](R) σ[p {P 3} ](R) σ[p {P 4} ](R) Top-k und progressive Algorithmen 23
38 Agenda 1. Skyline Queries 2. Semi-Skylines σ[p 1 P 2 P 3 ] Distance to the beach [km] Orange Hill Atlantis Hilton Sheraton σ[p 3 < Hc.P rice] σ[p 1 < Hh.P rice] σ[p 2 < Hf.P rice] c σ H Price [Euro] h f 3. Skyline Snippets σ[p {P1,P2,P3,P4} ](R) σ[p {P1,P2,P3} ](R) σ[p {P1,P2,P4} ](R) σ[p {P1,P3,P4} ](R) σ[p {P2,P3,P4} ](R) 4. Zusammenfassung und Ausblick σ[p {P1,P2} ](R) σ[p {P1,P3} ](R) σ[p {P1,P4} ](R) σ[p {P2,P3} ](R) σ[p {P2,P4} ](R) σ[p {P3,P4} ](R) σ[p {P1} ](R) σ[p {P2} ](R) σ[p {P3} ](R) σ[p {P4} ](R) 24
39 Zusammenfassung! Skyline Queries! Semi-Skylines! Semi-Skyline Intersection! Constrained Skyline Queries! Operatorbaum-Optimierung! Transformationsregeln! Auswertungs-Algorithmen: Staircase, Staircube Distance to the beach [km] Orange Hill Atlantis Price [Euro] Hilton Sheraton! Skyline Snippets! kein Index notwendig! Pareto k-partition! Skyline Membership 25
40 Ausblick! Semi-Skylines! Weitere Optimierungen falls weiche Schranke! Nicht-numerische Constraints! Noch schnellere Berechnung der Skyline Punkte! Externer Staircase u. Staircube! Skyline Snippets! Bestimmung einer sinnvollen k-partition! Einfluss unterschiedlicher Präferenz-Konstruktoren σ[p 1 P 2 P 3 ] σ[p 3 < Hc.P rice] σ[p 1 < Hh.P rice] σ[p 2 < Hf.P rice] c h f σ H σ[p {P1,P2,P3,P4} ](R) σ[p {P1,P2,P3} ](R) σ[p {P1,P2,P4} ](R) σ[p {P1,P3,P4} ](R) σ[p {P2,P3,P4} ](R) σ[p {P1,P2} ](R) σ[p {P1,P3} ](R) σ[p {P1,P4} ](R) σ[p {P2,P3} ](R) σ[p {P2,P4} ](R) σ[p {P3,P4} ](R) σ[p {P1} ](R) σ[p {P2} ](R) σ[p {P3} ](R) σ[p {P4} ](R) 26
Vorlesung Suchmaschinen Semesterklausur Wintersemester 2013/14
Universität Augsburg, Institut für Informatik Wintersemester 2013/14 Prof. Dr. W. Kießling 10. Oktober 2013 F. Wenzel, D. Köppl Suchmaschinen Vorlesung Suchmaschinen Semesterklausur Wintersemester 2013/14
MehrVorlesung Suchmaschinen Semesterklausur Sommersemester 2014
Universität Augsburg, Institut für Informatik Sommersemester 04 Prof. Dr. W. Kießling 5. Juli 04 Dr. M. Endres, F. Wenzel Suchmaschinen Vorlesung Suchmaschinen Semesterklausur Sommersemester 04 Hinweise:
MehrSuchmaschinen. Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6
Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6 Aufgabe 1: Pareto mit SV-Semantik Suchmaschinen Pareto Definition: x < P
MehrACCESS SQL ACCESS SQL
ACCESS SQL Datenbankabfragen mit der Query-Language ACCESS SQL Datenbankpraxis mit Access 34 Was ist SQL Structured Query Language Bestehend aus Datendefinitionssprache (DDL) Datenmanipulationssprache
MehrISU 1. Ue_08/02_Datenbanken/SQL. 08 Datenbanken. Übung. SQL Einführung. Eckbert Jankowski. www.iit.tu-cottbus.de
08 Datenbanken Übung SQL Einführung Eckbert Jankowski www.iit.tu-cottbus.de Datenmodell (Wiederholung, Zusammenfassung) Objekte und deren Eigenschaften definieren Beziehungen zwischen den Objekten erkennen/definieren
MehrDBS ::: SERIE 5. Join Right Semi- Join Left Semi-Join Projektion Selektion Fremdschlüssel. Kreuzprodukt
DBS ::: SERIE 5 Die Relation produkt enthält Hersteller, Modellnummer und Produktgattung (pc, laptop oder drucker aller Produkte. Die Modellnummer ist (der Einfachheit halber eindeutig für alle Hersteller
MehrLogische Optimierung. Im Allgemeinen wird keine optimale Lösung erzielt, sondern nur eine Verbesserung. Logische Optimierung
Logische Optimierung Höhere, nichtprozedurale Abfragesprachen (SQL, QBE,...) verlangen keine Kenntnisse des Benutzers über die Implementierung, müssen aber in prozedurale Form (z. B. Relationenalgebra)
MehrNachtrag: Farben. Farbblindheit. (Light und Bartlein 2004)
Nachtrag: Farben Farbblindheit (Light und Bartlein 2004) 1 Vorgeschlagene Farbskalen (Light and Bartlein 2004) Farbkodierung metrisch skalierter Daten Unterscheide: 1. Sequential Data (ohne Betonung der
MehrUniversität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5
Universität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 27. Nov. 2006 M. Endres, A. Huhn, T. Preisinger Lösungsblatt 5 Aufgabe 1: Projektion Datenbanksysteme I π A1,...,A n (π B1,...,B
MehrKlausur zur Vorlesung Datenbanksysteme I
Prof. Dr. W. Kießling 30.01.2002 Lehrstuhl für Datenbanken und Informationssysteme Universität Augsburg Klausur zur Vorlesung Datenbanksysteme I Wintersemester 2001/2002 Name Vorname Matrikelnummer Aufgabe
MehrIV. Datenbankmanagement
Wirtschaftsinformatik 2 (PWIN) IV. Datenbankmanagement Kapitel 2: Datenmanipulationssprache SQL Wirtschaftsinformatik 2 (PWIN) SS 2009, Professur für Mobile Business & Multilateral Security 1 Agenda 1.
MehrEinleitung Projektion Selektion Join Mengenop. Vollst.keit. Einleitung Projektion. Selektion Join. Vollst.keit. Einleitung Projektion Selektion Join
Parsen der Anfrage (SQL) Transformation in eine Standardform (Relationenalgebra) Logische Optimierung Transformation in alternative Zugriffspläne, Physische Optimierung Ausführung des gewählten Zugriffsplans
MehrSQL und MySQL. Kristian Köhntopp
SQL und MySQL Kristian Köhntopp Wieso SQL? Datenbanken seit den frühen 1950er Jahren: Hierarchische Datenbanken Netzwerkdatenbanken Relationale Datenbanken = SQL Relational? 10 9 8 7 6 f(y) := y = x r(y)
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrStar Join & Kostenbasierte Optimierung. Architektur von Datenbanksystemen II
Star Join & Kostenbasierte Optimierung Architektur von Datenbanksystemen II Star Join Übungsaufgabe zum 09.06.2015 JOIN-ALGORITHMUS für folgendes Scenario Große Faktentabelle F mit sehr vielen Einträgen
MehrKapitel 7 des Buches, von Java-Selbstbau nach Scala-Library portiert. 2014-11-14 Christoph Knabe
Anfragen für Listen Kapitel 7 des Buches, von Java-Selbstbau nach Scala-Library portiert. 2014-11-14 Christoph Knabe 1 MapReduce-Verfahren Google u.a. verwenden Map-Reduce-Verfahren zur Verarbeitung riesiger
MehrSQL für Trolle. mag.e. Dienstag, 10.2.2009. Qt-Seminar
Qt-Seminar Dienstag, 10.2.2009 SQL ist......die Abkürzung für Structured Query Language (früher sequel für Structured English Query Language )...ein ISO und ANSI Standard (aktuell SQL:2008)...eine Befehls-
MehrIndex- und Zugriffsstrukturen für. Holger Brämer, 05IND-P
Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören
Mehr9. Einführung in Datenbanken
9. Einführung in Datenbanken 9.1 Motivation und einführendes Beispiel 9.2 Modellierungskonzepte der realen Welt 9.3 Anfragesprachen (Query Languages) 9.1 Motivation und einführendes Beispiel Datenbanken
MehrORM & OLAP. Object-oriented Enterprise Application Programming Model for In-Memory Databases. Sebastian Oergel
ORM & OLAP Object-oriented Enterprise Application Programming Model for In-Memory Databases Sebastian Oergel Probleme 2 Datenbanken sind elementar für Business-Anwendungen Gängiges Datenbankparadigma:
MehrMySQL-Befehle. In diesem Tutorial möchte ich eine kurze Übersicht der wichtigsten Befehle von MySQL geben.
MySQL-Befehle 1. Einleitung In diesem Tutorial möchte ich eine kurze Übersicht der wichtigsten Befehle von MySQL geben. 2. Arbeiten mit Datenbanken 2.1 Datenbank anlegen Eine Datenbank kann man wie folgt
MehrEinstieg in das SQL- und Datenbanktuning 14.01.2009. Loblied auf den Tabellen-Index!
1/40 PHP-User-Group Stuttgart 14.01.2009 Warum Datenbanken einen Hals bekommen und was sich dagegen tun lässt. Tuning und Performancesteigerung ohne zusätzliche Hardware. Ein. Loblied auf den Tabellen-Index!
MehrSQL. Komplexe Abfragen. SQL-Komplexe Abfragen. SQL-Komplexe Abfragen. Komplexe Abfragen verknüpfen mehrere Tabellen miteinander.
SQL Komplexe Abfragen Komplexe Abfragen verknüpfen mehrere Tabellen miteinander. Voraussetzung für das Verständnis ist die Beherrschung einfacher SELECT-Abfragen Die Möglichkeit, Tabellen zu verknüpfen,
MehrKapitel 2: Einstieg in SQL
Kapitel 2: Einstieg in SQL 2. Einstieg in SQL 2. SQL (Structured Query Language) ist die in der Praxis am weitesten verbreitete Datenbanksprache für relationale Datenbanken. Die Historie von SQL geht zurück
MehrDatenbanksysteme 2011
Datenbanksysteme 2011 Anfang von Kapitel 10: Datenbankapplikationen Vorlesung vom 06.06.2011 Oliver Vornberger Institut für Informatik Universität Osnabrück Datenbankapplikationen ODBC MS Visio MS Access
MehrWirtschaftsinformatik 2. Tutorium im WS 11/12
Wirtschaftsinformatik 2. Tutorium im WS 11/12 Entity/Relationship-Modell SQL Statements Tutorium Wirtschaftsinformatik WS 11/12 2.1 Datenmodellierung mit ERM (1) Datenmodellierung zur Erarbeitung des konzeptionellen
MehrIMPLEMENTIERUNG VON OPERATIONEN AUF RELATIONEN
Joins 1 IMPLEMENTIERUNG VON OPERATIONEN AUF RELATIONEN Literatur Priti Mishara, Maragaret H. Eich, Join Processing in Relational Databases, ACM Computing Surveys, Vol. 24, No. 1, March 1992 Goetz Graefe,
MehrErstellen einer Datenbank. Datenbankabfragen
Erstellen einer Datenbank Datenbankabfragen Überblick Die fünf Stationen Semantisches Modell Logisches Modell Prüfung auf Redundanz Abfragen Softwaremäßige Implementierung Zur Erinnerung: Semantisches
MehrVerwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert. Entität kann in einer oder mehreren Unterklassen sein
1 Definitionen 1.1 Datenbank Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert Integriert, selbstbeschreibend, verwandt 1.2 Intension/Extension Intension: Menge der Attribute Extension:
MehrRepetitorium. Data Warehousing und Data Mining 11/12. Sebastian Wandelt 13./16. Februar 2012
Repetitorium Data Warehousing und Data Mining 11/12 Sebastian Wandelt 13./16. Februar 2012 Inhalt Data Warehousing und Data Mining auf 40 Slides Weder in-, noch exklusiv! Subjektive Zusammenfassung pro
MehrWeb-Technologien. Prof. Dr. rer. nat. Nane Kratzke SQL. Praktische Informatik und betriebliche Informationssysteme
Handout zur Unit Web-Technologien SQL 1 Prof. Dr. rer. nat. Nane Kratzke Praktische Informatik und betriebliche Informationssysteme Raum: 17-0.10 Tel.: 0451 300 5549 Email: nane.kratzke@fh-luebeck.de (Praktische
MehrSQL. Fortgeschrittene Konzepte Auszug
SQL Fortgeschrittene Konzepte Auszug Levels SQL92 Unterteilung in 3 Levels Entry Level (i.w. SQL89) wird von nahezu allen DBS Herstellern unterstützt Intermediate Level Full Level SQL DML 2-2 SQL92 behebt
MehrEinführung in die Informatik II
Einführung in die Informatik II Die Structured Query Language SQL Prof. Dr. Nikolaus Wulff SQL Das E/R-Modell lässt sich eins zu eins auf ein Tabellenschema abbilden. Benötigt wird eine Syntax, um Tabellen
MehrOracle OLAP 11g: Performance für das Oracle Data Warehouse
Oracle OLAP 11g: Performance für das Oracle Data Warehouse Marc Bastien Oracle BI Presales Agenda Performanceprobleme in Oracle DWH: gibt s das überhaupt? Mögliche Gründe und Lösungen
MehrSQL SQL. SQL = Structured Query Language (SEQUEL) IBM San Jose Research Laboratory SYSTEM R. Grundlagen der Datenbanksysteme I
SQL SQL = Structured Query Language (SEQUEL) IBM San Jose Research Laboratory SYSTEM R VII-1 Beispielrelationen Filiale ( Name Leiter Stadt Einlagen ) Konto ( KontoNr KundenNr FilialName Saldo ) Kredit
MehrRoland Tilgner. Solution Architects & Team Coaching DEVELOPMENT. ORACLE TEXT AUS PL/SQL-SICHT Features und Möglichkeiten
Roland Tilgner Solution Architects & Team Coaching DEVELOPMENT ORACLE TEXT AUS PL/SQL-SICHT Features und Möglichkeiten ZURPERSON Roland Tilgner ZURFIRMA Roland Tilgner Solution Architects & Team Coaching
MehrNull-Werte in Relationalen Datenbanken
Seminar: Imperfektion in Datenbanken WS03/04 Null-Werte in Relationalen Datenbanken Thomas Bierhance Einführung Null-Werte in DBen sind notwendiges Übel, da... (1) das Wissen über die tatsächliche Welt
Mehr5.8 Bibliotheken für PostgreSQL
5.8 Bibliotheken für PostgreSQL Haskell/WASH: Modul Dbconnect PHP: pqsql-funktionen Java/JSP: JDBC Perl: DBI database interface modul Vorläufige Version 80 c 2004 Peter Thiemann, Matthias Neubauer 5.9
MehrDatenbanksysteme I. Klausur zum Praktikum. Mehrere Professoren prüfen mit genau einem Beisitzer genau einen Studenten.
Lehrstuhl für Datenbanken und Informationssysteme Wintersemester 1999/2000 Universität Augsburg, Institut für Informatik 25. Februar 2000 Prof. Dr. Werner Kießling A. Leubner, M. Wagner Datenbanksysteme
MehrDatenbanksysteme. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2015/16. smichel@cs.uni-kl.de
Datenbanksysteme Wintersemester 2015/16 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Verschachtelte (Engl. Nested) Anfragen Wieso und wo gibt es verschachtelte Anfragen? ˆ Unteranfragen
MehrÜbung Datenbanksysteme II Anfrageausführung. Thorsten Papenbrock
Übung Datenbanksysteme II Anfrageausführung Thorsten Papenbrock Einleitung: Themen 3 Iterator-Operatoren Algorithmen-Klassen ort-basierte Hash-basierte Index-basierte Algorithmen-chwierigkeitsgrade One-Pass-Algorithmen
MehrAnfragebearbeitung. Kapitel 7. Anfragebearbeitung 285 / 520
Kapitel 7 Anfragebearbeitung 285 / 520 Übersicht Anfrage Übersetzer Ausführungsplan Laufzeitsystem Ergebnis 286 / 520 Übersetzung Übersetzung SQL ist deklarativ, irgendwann muß Anfrage aber für Laufzeitsystem
MehrEinführung in SQL. Sprachumfang: Indizes. Datensätzen. Zugriffsrechten
Einführung in SQL Die Sprache SQL (Structured Query Language) ist eine Programmiersprache für relationale Datenbanksysteme, die auf dem ANSI-SQL-Standard beruht. SQL wird heute von fast jedem Datenbanksystem
MehrSQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language:
SQL Structured Query Language: strukturierte Datenbankabfragesprache eine Datenbanksprache zur Definition, Abfrage und Manipulation von Daten in relationalen Datenbanken In der SQL-Ansicht arbeiten In
MehrChancen und Wachstumsfelder für PostgreSQL
Chancen und Wachstumsfelder für PostgreSQL Harald Armin Massa by Deutschsprachige PostgreSQL Konferenz 2013 Oberhausen Harald Armin Massa 2ndQuadrant Datenbanken seit 1984 Position Value Datenbank auf
MehrMySQL Cluster und MySQL Proxy
MySQL Cluster und MySQL Proxy Alles Online Diese Slides gibt es auch unter: http://rt.fm/s4p Agenda (Don't) Panic Web- und MySQL-Server MySQL Master-Master Cluster MySQL Proxy und Cluster MySQL Master-Slave/Master
MehrData Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
MehrIn-Memory Technologie Hekaton
Einleitende Worte 11. Juli 2014 Inhaltsverzeichnis I Einleitende Worte 1 Einleitende Worte 2 3 4 5 6 Hekaton... I Einleitende Worte griech:hekaton 100 (Zahlwort) Einsatz für OLTP (Echtzeit-Transaktionsverarbeitung)
MehrWorkstations. Server. Recovery Log. Database. SQL Queries. Query Processing Object Mgmt. Transaction Mgmt. Buffer Mgmt. I/O Layer
Client-Server Architekturen: Query Shipping Grundprinzip 1. Client schickt Anfrage zum Server 2. Server schickt Ergebnisse der Anfrage zuruck Workstations Application Interface Layer SQL Queries Query
MehrWas bisher geschah. deklarative Programmierung. funktionale Programmierung (Haskell):
Was bisher geschah deklarative Programmierung funktional: Programm: Menge von Termgleichungen, Term Auswertung: Pattern matsching, Termumformungen logisch: Programm: Menge von Regeln (Horn-Formeln), Formel
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrDipl. Inf. Eric Winter. PostgreSQLals HugeData Storage Ein Erfahrungsbericht
Dipl. Inf. Eric Winter Entwicklungsleiter PTC GPS-Services GmbH PostgreSQLals HugeData Storage Ein Erfahrungsbericht Inhalt 1. Problembeschreibung 2. Partielle Indexierung 3. Partitionierung 1. Vererbung
MehrDatenbanksysteme 2015
Datenbanksysteme 2015 Kapitel 09: Datenbankapplikationen Oliver Vornberger Institut für Informatik Universität Osnabrück Datenbankapplikationen ODBC MS Visio MS Access Embedded SQL JDBC Application SQLJ
MehrObjekt-relationales Mapping und Performance-Tuning
Objekt-relationales Mapping und Performance-Tuning Thomas Krüger tkrueger@vanatec.com Agenda Wege um Daten zu lesen Wege um Daten zu modellieren Wege um Datenbanken effizient zu nutzen 2 2 Wege, Daten
MehrSQL: Abfragen für einzelne Tabellen
Musterlösungen zu LOTS SQL: Abfragen für einzelne Tabellen Die Aufgaben lösen Sie mit dem SQL-Training-Tool LOTS der Universität Leipzig: http://lots.uni-leipzig.de:8080/sql-training/ Wir betrachten für
MehrDeclarative Data Cleaning
Declarative Data Cleaning Vortragsgrundlage: Helena Galhardas, Daniela Florescu, Dennis Shasha, Eric Simon, Cristian Augustin Saita: Declarative Data Cleaning: Language, Model, and Algorithms, in VLDB
MehrÜbersicht. Datenstrukturen und Algorithmen Vorlesung 5: Rekursionsgleichungen (K4) Übersicht. Binäre Suche. Joost-Pieter Katoen. 20.
Übersicht Datenstrukturen und Algorithmen Vorlesung 5: (K4) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://www-i2.informatik.rwth-aachen.de/i2/dsal12/ 20.
MehrCayuga. A General Purpose Event Monotoring System. David Pfeiffer. 19. Juli 2007
Cayuga A General Purpose Event Monotoring System David Pfeiffer 19. Juli 2007 1 / 24 Themen 1 2 Aufbau Operatoren 3 Das Modell der Zustandsübergang Zustandstypen 4 Beispiel Kritik & Fragen 2 / 24 Was ist
MehrSQL Wiederholung. Datenbanktechnologien. Verbunde. Aggregation und Gruppierung. Unterabfragen. Hochschule für Technik und Wirtschaft Berlin
SQL Wiederholung Datenbanktechnologien Prof. Dr. Ingo Claÿen Prof. Dr. Martin Kempa Hochschule für Technik und Wirtschaft Berlin Verbunde Aggregation und Gruppierung Unterabfragen Verbunde Inner-Join Nur
MehrEinführung in SQL Datenbanken bearbeiten
Einführung in SQL Datenbanken bearbeiten Jürgen Thomas Entstanden als Wiki-Buch Bibliografische Information Diese Publikation ist bei der Deutschen Nationalbibliothek registriert. Detaillierte Angaben
MehrMySQL Performance Tuning für Entwickler
MySQL Performance Tuning für Entwickler Cebit 2015, Hannover Oli Sennhauser Senior MySQL Consultant, FromDual GmbH oli.sennhauser@fromdual.com 1 / 18 FromDual GmbH Support Beratung remote-dba Schulung
MehrDatenbanksysteme 2 Frühjahr-/Sommersemester 2014 28. Mai 2014
Lehrstuhl für Praktische Informatik III Prof. Dr. Guido Moerkotte Email: moer@db.informatik.uni-mannheim.de Marius Eich Email: marius.eich@uni-mannheim.de Datenbanksysteme 2 8. Übungsblatt Frühjahr-/Sommersemester
MehrEin wesentliches, charakteristisches Merkmal aller Datenbankmanagement
Anfrageformulierung: Allgemeines Ein wesentliches, charakteristisches Merkmal aller Datenbankmanagement nkmanagement- systeme ist die Unterstützung einer (oder mehrerer) Anfragesprachen. Eine Anfrage ist
MehrRelationentheorie grundlegende Elemente
Relationentheorie grundlegende Elemente Symbol Bedeutung Entsprechung in SQL π AAAA Projektion SELECT σ F Selektion WHERE ρ Umbenennung RENAME; AS Natural Join NATURAL JOIN (nicht in MS SQL Server verwendbar)
MehrAllgemeines. veröffentlicht unter http://www.profv.de/uni/ lizensiert unter. Creative Commons BY-SA 3.0. XQuery in MS SQL Server 2005
Volker Grabsch 14. Januar 2008 Allgemeines veröffentlicht unter http://www.profv.de/uni/ lizensiert unter Creative Commons BY-SA 3.0 Quelle Dieser Vortrag basiert auf dem Paper XQuery Implementation in
MehrSeminar Komplexe Objekte in Datenbanken
Seminar Komplexe Objekte in Datenbanken OPTICS: Ordering Points To Identify the Clustering Structure Lehrstuhl für Informatik IX - Univ.-Prof. Dr. Thomas Seidl, RWTH-Aachen http://www-i9.informatik.rwth-aachen.de
MehrSuchen und Finden mit Lucene und Solr. Florian Hopf 04.07.2012
Suchen und Finden mit Lucene und Solr Florian Hopf 04.07.2012 http://techcrunch.com/2010/08/04/schmidt-data/ Suche Go Suche Go Ergebnis 1 In Ergebnis 1 taucht der Suchbegriff auf... Ergebnis 2 In Ergebnis
MehrLiteratur und Quellen. Datenbanken. Inhalt. Inhalt. Transaktionen. Nikolaus Augsten. Wintersemester 2013/14
Literatur und Quellen Datenbanken Nikolaus Augsten nikolaus.augsten@sbg.ac.at FB Computerwissenschaften Universität Salzburg Wintersemester 2013/14 Lektüre zu den Themen : Kapitel 9 () aus Kemper und Eickler:
MehrDBSP. Vorlesung. Prof. Dr. rer. nat. Nane Kratzke. Unit. Praktische Informatik und betriebliche Informationssysteme
Handout zur Vorlesung Vorlesung DBSP Unit Datenbanken SQL 1 Prof. Dr. rer. nat. Nane Kratzke Praktische Informatik und betriebliche Informationssysteme Raum: 17-0.10 Tel.: 0451 300 5549 Email: kratzke@fh-luebeck.de
MehrMultimedia im Netz Wintersemester 2013/14. Übung 03 (Nebenfach)
Multimedia im Netz Wintersemester 2013/14 Übung 03 (Nebenfach) Ludwig-Maximilians-Universität München Multimedia im Netz WS 2013/14 - Übung 3-1 Datenbanken und SQL Mit Hilfe von Datenbanken kann man Daten
MehrDownload:.../~rieche. gehalten am 2. Februar 2004. Stephan Rieche. Vortrag. Thema: Index Selection. von. Seminar Advanced Data Warehouse
Seminar Advanced Data Warehouse Thema: Index Selection Vortrag von Stephan Rieche gehalten am 2. Februar 2004 Download:.../~rieche Inhalt des Vortrages 1. Einleitung - Was ist das Index Selection Problem?
MehrBitte tragen Sie sofort und leserlich Namen, Studienkennzahl und Matrikelnummer ein und legen Sie Ihren Studentenausweis
Gruppe A Bitte tragen Sie sofort und leserlich Namen, Studienkennzahl und Matrikelnummer ein und legen Sie Ihren Studentenausweis bereit. PRÜFUNG AUS DATENBANKSYSTEME VU 184.686 7. 5. 2014 Kennnr. Matrikelnr.
MehrSQL Self-Join. Bei der Verbundbildung wird mehr als einmal Bezug auf eine Relation genommen Prinzip der Verbundbildung
Self-Join Bei der Verbundbildung wird mehr als einmal Bezug auf eine Relation genommen Prinzip der Verbundbildung Select * From Tabellenname T1, Tabellenname T2; -- T1=T2 Anwendungsbeispiel: Finde die
MehrNon-Standard-Datenbanken
Non-Standard-Datenbanken Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Marc Stelzner (Übungen) Raphael Allner, Lina Schad (Tutoren) Organisatorisches: Übungen Start: Freitag,
MehrPartitionieren über Rechnergrenzen hinweg
Partitionieren über Rechnergrenzen hinweg Erkan Yanar erkan.yanar@linsenraum.de Blog: linsenraum.de/erkules Xing: www.xing.com/profile/erkan Yanar 24. November 2011 Was tun wenn: Daten übersteigen die
MehrSS 2011 IBB4C Datenmanagement Fr 15:15 16:45 R 1.007. Vorlesung #1
Vorlesung #1 Ihr Dozent... Name: Bojan Milijaš Ausbildung: Diplom-Informatiker Universität Passau, Vertiefungsgebiet Datenbanken, Prof. Alfons Kemper, Ph.D. Beschäftigung: Seit 1997 bei ORACLE Deutschland
Mehr2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 25 26 28
MehrProjektgruppe. Knowledge Representation Persistence and Reasoning
Projektgruppe Seminarvortrag von Stefan Middeke Knowledge Representation Persistence and Reasoning 4. Juni 2010 Überblick Motivation Repräsentation der Daten Speicherung und Abfrage von Daten Folgerungen
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
MehrDatenbanksysteme SS 2007
Datenbanksysteme SS 2007 Frank Köster (Oliver Vornberger) Institut für Informatik Universität Osnabrück 1 Kapitel 6a: Das relationale Modell 2 Das Relationale Modell Wertebereiche (Domänen): D 1, D 2,,...,
Mehr7. Datenbank-Zugriff. Vorlesung und Übung Dr. Peter Pfahler Institut für Informatik Universität Paderborn. Zum Beispiel aus PHP-Skripten: Client 7-2
5 Vorlesung und Übung Dr. Peter Pfahler Institut für Informatik Universität Paderborn 7 7. Datenbank-Zugriff Zum Beispiel aus PHP-Skripten: Client 7-2 Struktur einer Datenbank 7-3 Erzeugen von Datenbanken
MehrHaskell, Typen, und Typberechnung. Grundlagen der Programmierung 3 A. Einige andere Programmiersprachen. Typisierung in Haskell
Haskell, Typen, und Typberechnung Grundlagen der Programmierung 3 A Typen, Typberechnung und Typcheck Prof. Dr. Manfred Schmidt-Schauß Ziele: Haskells Typisierung Typisierungs-Regeln Typ-Berechnung Milners
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
MehrDatenbanksysteme I Anfragebearbeitung und -optimierung. 27.6.2011 Felix Naumann
Datenbanksysteme I Anfragebearbeitung und -optimierung 27.6.2011 Felix Naumann Anfragebearbeitung Grundproblem 2 Anfragen sind deklarativ. SQL, Relationale Algebra Anfragen müssen in ausführbare (prozedurale)
MehrDie bisher bereits bekannten Aggregatsfunktionen MIN, MAX, SUM, AVG, COUNT, VARIANCE und STDDEV wurden um FIRST und LAST erweitert.
Betrifft Autor FIRST, LAST Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem NF9i-Kurs, NF9i-Techno-Circle der Trivadis und Oracle9i Data Warehousing
MehrSQL,Teil 3: Unterabfragen, Views & Berechnungen
SQL,Teil 3: Unterabfragen, Views & Berechnungen W. Spiegel Übersicht Hinweis... Unterabfragen (subqueries) Virtuelle Spalten: AS Logik Berechnungen: Aggregatfunktionen in SQL GROUP BY & HAVING Views (Sichten)
MehrMengenvergleiche: Alle Konten außer das, mit dem größten Saldo.
Mengenvergleiche: Mehr Möglichkeiten als der in-operator bietet der θany und der θall-operator, also der Vergleich mit irgendeinem oder jedem Tupel der Unteranfrage. Alle Konten außer das, mit dem größten
MehrEinführung in SQL. 1. Grundlagen SQL. Structured Query Language. Viele Dialekte. Unterteilung: i. DDL (Data Definition Language)
Einführung in SQL 1. Grundlagen Structured Query Language Viele Dialekte Unterteilung: i. DDL (Data Definition Language) ii. iii. DML (Data Modifing Language) DRL (Data Retrival Language) 1/12 2. DDL Data
MehrAusgangspunkt. Datenintegration. Ziel. Konflikte. Architekturen. Transparenz
Ausgangspunkt Datenintegration Web Informationssysteme Wintersemester 2002/2003 Donald Kossmann Daten liegen in verschiedenen Datenquellen (Extremfall: jede URL eigene Datenquelle) Mietautos bei www.hertz.com
MehrDatenintegration & Datenherkunft Varianten der Data Provenance
Datenintegration & Datenherkunft Varianten der Data Provenance Wintersemester 2010/11 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen 1 Arten des
MehrData Warehousing und Data Mining
Data Warehousing und Data Mining Logische Optimierung Ulf Leser Wissensmanagement in der Bioinformatik Inhaltsübersicht Vorlesung Einleitung & Motivation Architektur Modellierung von Daten im DWH Umsetzung
MehrBig Data Management Thema 14: Cassandra
Thema 14: Cassandra Jan Kristof Nidzwetzki Thema 14: Cassandra 1 / 25 Übersicht 1 Grundlagen Überblick Geschichte Datenmodel 2 Architektur Der logische Ring Persistenz der Daten Tunable Consistency Read
Mehr5. Basisalgorithmen für DB-Operationen
5. Basisalgorithmen für DB-Operationen Datenbankparameter Komplexität von Grundalgorithmen Unäre Operationen (Scan, Selektion, Projektion) Binäre Operationen: Mengenoperationen Berechnung von Verbunden
MehrSpeicherung von XML in (objekt-)relationalen Datenbanken. Burkhard Schäfer
Speicherung von XML in (objekt-)relationalen Datenbanken Burkhard Schäfer Übersicht Motivation Anforderungen Ansätze modellorientiert strukturorientiert Zusammenfassung Motivation Warum XML in Datenbanken
MehrNiedersächsisches Kultusministerium Juli 2015
18. Informatik A. Fachbezogene Hinweise Die Rahmenrichtlinien Informatik sind so offen formuliert, dass sie Raum für die Gestaltung eines zeitgemäßen Informatikunterrichts lassen. Neue Inhalte der Informatik
MehrWebbasierte Informationssysteme
SS 2004 Prof. Dr. Stefan Böttcher Universität Paderborn - SS 2004 - Prof. Dr. Stefan Böttcher Folie 1 Was ist eine relationale Datenbank? Menge von Relationen (=Tabellen) und Constraints (=Integritätsbedingungen)
MehrEinführung in Hauptspeicherdatenbanken
Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation
MehrBäume, Suchbäume und Hash-Tabellen
Im folgenden Fokus auf Datenstrukturen, welche den assoziativen Zugriff (über einen bestimmten Wert als Suchkriterium) optimieren Bäume: Abbildung bzw. Vorberechnung von Entscheidungen während der Suche
MehrSeminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing
Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle
Mehr