1-variant 1, Fanning maqsad va vazifalari, predmeti va metodlari

Download 210.99 Kb.
bet	9/14
Sana	25.01.2024
Hajmi	210.99 Kb.
	#145344

Bog'liq
1-variant 1, Fanning maqsad va vazifalari, predmeti va metodlari-www.fayllar.org
beginner vocab, 7 ti yosh inqirozi uning sabablari va alomatlari maktabga Ruxsora, Jahongir Hasanbayev 1-mustaqil ish Ma’lumotlarning intellektual taxlili, FIZOKRATLAR MAKTABI F.KENE, Islom karimov nomidagi toshkent davlat texnika universiteti nodi (1), 1-mavzu BIR CHO\'MICHLI, Metrologiya standartlashtirish va sertifikatlashtirish44444444, Qurilish mashinalari.Oquv qollanma 2015, Tizimlar va signallarni qayta ishlash, 5 (1), ona tili Davron akbar, 10020240123 18431176, АФРИКА, Present tenses

10-variant 1 NoSQL ma'lumotlar bazalari uchun maxsus ma'lumotlar modellari va zamonaviy dasturlarni yaratish uchun moslashuvchan jadvallarga ega. NoSQL ma'lumotlar bazalari rivojlanish qulayligi, funktsionalligi va ishlashi uchun keng tan olingan Katta ma'lumot. Ular hujjat, diagramma, kalit qiymati, xotira va qidirish kabi turli xil ma'lumotlar modellaridan foydalanadilar.NoSQL (relaksatsiz) ma'lumotlar bazasi qanday ishlaydi?NoSQL ma'lumotlar bazalari hujjatlar, diagrammalar, asosiy qiymatlar, xotira ichidagi va qidiruv kabi ma'lumotlarga kirish va ularni boshqarish uchun turli xil ma'lumotlar modellaridan foydalanadi. Bundan tashqari, ushbu turdagi ma'lumotlar bazalari katta hajmdagi ma'lumotlarni talab qiladigan ilovalar uchun maxsus optimallashtirilgan, past kechikish va moslashuvchan ma'lumotlar modellari. Biz bunga, xususan, boshqa ma'lumotlar bazalarida ma'lum bo'lgan ma'lumotlarning mustahkamligi cheklovlarini engillashtirish orqali erishamiz. Oddiy kitoblar bazasi jadvalini tuzish misolini ko'ring: Relyatsion ma'lumotlar bazasida ko'pincha kitob yozuvi normallashadi va alohida jadvallarda saqlanadi. Shuningdek, biz aloqalarni asosiy va chet el kalitlari bilan aniqlaymiz. Ushbu misolda Kitoblar jadvalida ISBN, Kitob nomi va Bosib chiqarish raqami uchun ustunlar mavjud. Mualliflar jadvalida Mualliflar identifikatori va Muallifning ismi uchun ustunlar mavjud. Va nihoyat, Muallif ID va ISBN uchun ustunlar bilan Muallif-ISBN jadvali mavjud. Relyatsion model ma'lumotlar bazasida ma'lumotlar bazasidagi jadvallar orasidagi ma'lumotlarning yaxlitligini ta'minlashga imkon berish uchun mo'ljallangan, ortiqcha miqdorni kamaytirish uchun normallashtirilgan va saqlash uchun optimallashtirilgan.NoSQL ma'lumotlar bazasida biz odatda kitob yozuvini JSON hujjati sifatida saqlaymiz. Har bir kitob uchun: buyum, ISBN, kitob nomi, bosma raqami, muallifning ismi va muallifning identifikatori. Biz ularni bitta hujjatda atributlar sifatida saqlaymiz. Ushbu modelda ma'lumotlar intuitiv rivojlanish va gorizontal miqyosi uchun optimallashtirilgan. Nima uchun biz aloqasiz ma'lumotlar bazasidan foydalanishimiz kerak? NoSQL ma'lumotlar bazalari mobil, veb va o'yin kabi ko'plab zamonaviy dasturlar uchun juda mos keladi. Buning uchun foydalanuvchilarning katta tajribalarini taqdim etish uchun moslashuvchan, kengaytiriladigan, kuchli va juda funktsional ma'lumotlar bazalari kerak. O'lchamliligi: NoSQL ma'lumotlar bazalari, odatda, tarqatilgan apparat klasterlarida masshtablash uchun mo'ljallangan. Biroq, bu qimmat va mustahkam serverlarda masshtablashdan farq qiladi. Ba'zi bulutli provayderlar ushbu texnikani to'liq usul sifatida taklif qilishadi boshqariladigan xizmat. Moslashuvchanlik: NoSQL ma'lumotlar bazalari odatda moslashuvchan jadvallarni taqdim etadi, bu esa tezroq va takroriy rivojlanish imkonini beradi. Shuning uchun moslashuvchan ma'lumotlar modeli NoSQL ma'lumotlar bazalarini yarim tuzilgan va tuzilmagan ma'lumotlar uchun ideal qiladi. Kuchli ishlash: NoSQL ma'lumotlar bazasi ma'lum ma'lumotlar modellari (masalan, hujjatlar, asosiy qiymatlar va diagrammalar) uchun optimallashtirilgan. NoSQL-da relyatsion ma'lumotlar bazalarida taqqoslanadigan funksionallikdan yuqori ishlashga imkon beradigan kirish naqshlari mavjud. Yuqori funktsional: NoSQL ma'lumotlar bazalari ham yuqori funktsionallikni ta'minlaydi APIlar va ularning har biri uchun maxsus ma'lumotlar modellari uchun yaratilgan ma'lumotlar turlari. SQL (relational) va NoSQL (relaksatsiz) ma'lumotlar bazalariga qarshi Bir necha o'n yillar davomida ma'lumotlarning relyatsion modeli dasturni ishlab chiqish uchun foydalaniladigan ma'lumotlar modeli ustunlik qilgan. Raqamli ma'lumotlar bazalari masalan, Oracle, DB2, SQL Server, MySQL va PostgreSQL, IT-ning barcha katta nomlari. Faqat 2000 yillarning o'rtalarida boshqalar boshladilar ma'lumotlar modellari egallab olish va foydalanish. Ushbu ma'lumotlar bazalari va ma'lumotlar modellarining yangi sinflarini ajratish uchun "NoSQL" atamasi paydo bo'ldi. "NoSQL" va "aloqasiz" atamalar ko'pincha bir-birining o'rnida ishlatiladi. Turli xil funktsiyalarga ega bo'lgan NoSQL ma'lumotlar bazalarining ko'p turlari mavjud bo'lishiga qaramay, quyidagi jadvalda SQL va NoSQL ma'lumotlar bazalarining asosiy farqlari ko'rsatilgan. 2. Zamonaviy ma'lumotlar infratuzilmasini yaratish uchun foydalanishingiz mumkin bo'lgan juda ko'p turli xil texnologiyalar mavjud. Ushbu maqolada biz Apache Software Foundation-ning uchta eng mashhur ramkalariga e'tibor qaratamiz: Apache Hadoop, Apache Spark va Apache Kafka. Apache Hadoop - bu ochiq manbali, katta ma'lumotlarni qayta ishlash tizimi. U katta hajmdagi ma'lumotlarni (gigabaytdan petabaytgacha) tovar serverlari klasteri bo'ylab taqsimlangan holda qayta ishlash uchun mo'ljallangan. Bu tuzilgan, yarim tuzilmali va tuzilmagan ma'lumotlarni (masalan, ijtimoiy media taassurotlari, onlayn klik oqimi yozuvlari, veb-server jurnallari, ishlab chiqarish sensori ma'lumotlari va boshqalar) saqlaydigan va qayta ishlovchi tejamkor va yuqori darajada kengaytiriladigan ma'lumotlarni yig'ish va qayta ishlash texnologiyasidir. Hadoopning dahosi shundaki, u beqiyos katta ma'lumotlar to'plamini olib, uni kichikroq bo'laklarga bo'lib, keyinchalik ular birgalikda Hadoop klasterini yaratadigan tarmoqdagi turli serverlar yoki tugunlarga yuboriladi. Ushbu mashinalar bir vaqtning o'zida katta ma'lumotlarni tahlil qilish bo'yicha o'zlariga yuklangan vazifalarni bajaradilar va yakuniy natija yakuniy foydalanuvchiga bitta yaxlit axborot birligi sifatida yuboriladi. Tarqalgan hisoblashning murakkabliklarini mavhumlashtirib, Hadoop foydalanuvchilarga foydalanish uchun qulay API 10.2 orqali tizim funksiyalariga bevosita kirish imkonini beradi.Hadoop ekotizim Hadoop bir nechta turli qatlamlarga ega, ular birgalikda Hadoop ekotizimini tashkil qiladi.HDFS - Hadoop taqsimlangan fayl tizimi HDFS Hadoop-ning mahalliy fayl tizimi sifatida ekotizimning saqlash qatlamini tashkil qiladi. Bu tovar serverlari klasterida katta ma'lumotlar to'plamlarini saqlash uchun mo'ljallangan taqsimlangan fayl tizimi. Hadoop taqsimlangan fayl tizimi kengaytiriladigan, nosozliklarga chidamli va ma'lumotlarga yuqori o'tkazuvchanlikni ta'minlaydi. Hadoop odatda tarqatilgan ma'lumotlarni saqlash, boshqarish va tahlil qilish uchun ishlatilsa ham, ma'lumotlarni olishda hech qanday so'rovlar mavjud emas; shuning uchun Hadoop ma'lumotlar bazasidan ko'ra ko'proq ma'lumotlar ombori sifatida tasniflanadi.Hadoop MapReduce MapReduce - bu Hadoop klasterida parallellashtirilishi mumkin bo'lgan katta ma'lumotlar to'plamlarini qayta ishlash uchun dasturlash modeli. U ikki bosqichdan iborat: ma'lumotlar o'zgartiriladigan xarita bosqichi va o'zgartirilgan ma'lumotlar yig'iladigan qisqartirish bosqichi.Bu usul real vaqtda tahlil natijalaridan ko'ra katta ma'lumotlar hajmidan tushuncha olishni istagan yechimlar uchun javob beradi.Hadoop Common (Hadoop Core) Hadoop Common - boshqa Hadoop qatlamlari tomonidan talab qilinadigan yordamchi dasturlar va kutubxonalar to'plami. Apache Hadoop foydalanish holatlari Sizning biznesingiz uchun sun'iy intellektning to'liq imkoniyatlaridan foydalaning Apache Hadoop uchun juda ko'p turli xil foydalanish holatlari mavjud. Umuman olganda, MapReduce yordamida siz massiv, kechikishga chidamli hisoblash operatsiyalarini nisbatan arzon narxda bajarishingiz mumkin. Keyinchalik tahlil qilinishi mumkin bo'lgan arxivlangan ma'lumotlar uchun eng yaxshisidir. Mana bir nechta eng mashhur foydalanish holatlari: Veb jurnalini tahlil qilish : Hadoop veb-saytlardan foydalanish va faoliyat haqida hisobotlarni yaratish uchun veb-server jurnallarini qayta ishlash uchun ishlatilishi mumkin. Clickstream tahlili : Hadoop veb-saytdagi foydalanuvchi xatti-harakatlarini tushunish uchun klik oqimi ma'lumotlarini qayta ishlash uchun ishlatilishi mumkin. Katta ma'lumotlar tahlili : Hadoop-dan tushunchalarni yaratish uchun katta ma'lumotlar to'plamlarida tahlillarni bajarish uchun foydalanish mumkin. Foydalanuvchilar Hadoop MapReduce-dan Apache Hive bilan SQL-ga o'xshash interfeys orqali miqyosdagi tahlillardan foydalanishlari va istalgan o'lchamdagi ma'lumotlarga so'rovlarni yuborishlari mumkin. Vaqtga bog'liq bo'lmagan vazifalarni hisoblash: Hadoop real vaqtda ishlov berish mexanizmi emasligi sababli, vaqtga sezgir bo'lmagan vazifalarni hisoblash uchun foydalanish mumkin. Misol uchun, siz Hadoop-dan turli xil ochilish sahifalaridan mahsulotning vaqt o'tishi bilan o'rtacha konversiya stavkalarini hisoblashingiz mumkin. Hadoop-ning afzalliklari Apache Hadoop-dan foydalanishning ko'plab afzalliklari mavjud, jumladan, quyidagilar: Moslashuvchanlik: Hadoop tuzilgan, yarim tuzilgan va tuzilmagan ma'lumotlarni qayta ishlashi mumkin. Masshtablilik: Hadoop klasterlar bilan yuqori darajada kengaytiriladi va qo'shimcha tugunlar qo'shish orqali ko'proq ma'lumotlarni qayta ishlash uchun osongina kengaytirilishi mumkin. Xatolarga chidamlilik va ma'lumotlarni himoya qilish: Hadoop ma'lumotlar yo'qolishining oldini olish va klasterdagi tugunlar ishlamay qolsa ham ishlashni davom ettirish uchun ma'lumotni takrorlash orqali nosozliklarni oqilona hal qilish uchun mo'ljallangan. Tejamkorlik: Hadoop arzon, tovar uskunasida (masalan, Amazon S3) ishlashi mumkin, bu esa uni katta ma'lumotlarni qayta ishlash uchun tejamkor yechimga aylantiradi. Xotirada ishlov berish yoki tarmoqni saqlashni maqsad qilganingizda, yechimning texnik xizmat ko'rsatish narxi sezilarli darajada yuqori bo'ladi. Hadoop cheklovlari Ko'pgina afzalliklariga qaramay, Hadoop katta ma'lumotlarni qayta ishlash uchun foydalanishdan oldin e'tiborga olinishi kerak bo'lgan bir nechta cheklovlarga ega:Yuqori o'tkazuvchanlik, lekin yuqori kech ikish bilan: Ommaviy hajmdagi ma'lumotlarni qayta ishlashga qodir bo'lsa-da, Hadoop paketli ishlov berish uchun mo'ljallangan, ya'ni katta ma'lumotlar to'plamlarini qayta ishlash uzoq vaqt talab qilishi mumkin. Real vaqt rejimida ma'lumotlarni qayta ishlash uchun mos emas: Hadoop real vaqt rejimida ma'lumotlarni qayta ishlash uchun mo'ljallanmagan, demak u moliyaviy ilovalar kabi past kechikishni talab qiladigan ilovalar uchun ideal emas. Murakkablik: Hadoop - bu ko'plab komponentlarga ega murakkab tizim bo'lib, ular optimal ishlash uchun sozlanishi va sozlanishi kerak. Hadoop boshqaruvi kattaroq ilovalar uchun murakkab vazifa bo'lsa-da, MapReduce uchun dasturlashni soddalashtirishga yordam beradigan ko'plab grafik interfeyslar mavjud. 3. Bugungi kunda Internet va boshqa manbalarda axborotlar keskin o‘sishda davom etmoqda va bu axborotlarning asosiy qismi matn ko‘rinishida shakllantirilmoqda. Ushbu katta xajmdagi ma’lumotlardan foydalisini ajratib olish uchun maxsus usul va mexanizlar zaruriyati kelib chiqadi. Matndan belgilarni ajratib olish (Feature Extraction) – Data Mining sohasining keng uchrashadigan masalasi bo‘lib, aynan belgilarni generatsiya qilish bosqichida qo‘llaniladi. Shundan kelib chiqib, bugungi kunda matnlarni intellektual tahlil qilish Text Mining nomini oldi. Bu holatda Feature Extraction – NLP (NLP, Natural Language Processing – tabiiy tilga ishlov berish) sohosiga tegishli bo‘lib, sun’iy intellekt va matematik lingvistikaning alohida sohasi sanaladi. Bugungi kunda NLP ko‘lami nutqni aniqlash va matnni tarjima qilishdan boshlanib, bashoratli matn kiritish va mashina va odam o‘rtasida aloqa o‘rnatishgacha qo‘llaniladi. Bunda mashinani o‘qitish (Machine 10.3 Learning) yordamida matn ma’lumotlarini tanib olish va tahlil qilish vazifalari hal qilinadi hamda matndan belgilarni ajratib olish va data scientist 450 mutaxassis ma’lumotlarni tayyorlashning (Data Preparation) ushbu bosqichini qanday amalga oshirishi tahlil qilinadi. Matndan belgilarni ajratib olishda dastlab uni ML (Machine Learning) algoritmlari yordamida ishlov berishga yaroqli ko‘rinishga keltirish zarurati kelib chiqadi. Buni amalga oshirish uchun matnlarni bir nechta bosqichda qayta ishlash zarurati kelib chiqadi: ▪️ Tokenlash – matnning uzun qismlarini kichikroq qismlarga bo‘lish (paragraflar, jumlalar, so‘zlar). TextMingda tokenlash matnni qayta ishlashning birinchi sanaladi. ▪️ Normallashtirish – matnni «tozalangan» shaklga keltirish, ya’ni, so‘zlarning yagona reestri, tinish belgilarining yo‘qligi, shifrlangan qisqartmalar, raqamlarning og‘zaki yozilishi va boshqalar; ▪️ Stemlash - qo‘shimchalarni (qo‘shimcha, prefiks, tugatish) olib tashlash orqali so‘zni o‘z ildiziga olib kelish; ▪️ Lemmalash - so‘zni semantik kanonik shakliga qisqartirish; ▪️ Tozalash - semantik yukni ko‘tarmaydigan to‘xtash so‘zlarini (so‘z birikmalari, qo‘shma gaplar va boshqalar) olib tashlash. Ushbu amallar orqali matnlar zarur belgilarni ajratib olish uchun sonli qayta ishlashga tayyor ko‘rinishga keltiriladi. Bizga sir emaski, ko‘plagan kompaniyalarda juda katta miqdorda foydalanilmaydigan ma’lumotlar (dark data ) mavjud. IBM kompaniyasi hisob-kitoblariga ko‘ra datchiklar va analog raqamli konvertorlar tomonidan shakllantirilayotgan ma’lumotlarning taxminan 90% xech qachon ishlatilmaydi. Xulosa qilib ayttadigan bo‘lsak, strukturalanmagan foydalanilmaydigan ma’lumotlardan foydali ma’lumotlarni ajratib olib ularga ishlov berish eng istiqbolli usullardan biri bo‘lib qoladi 4 Data Mining nima Zamonaviy kompyuter atamasi Data Mining "axborot qazib olish" yoki "ma'lumotlar qazib olish" deb tarjima qilingan. Ko'pincha Data Mining bilan bir qatorda Knowledge Discovery ("bilimlarni kashf etish") va Data Warehouse ("ma'lumotlar ombori") atamalari topiladi. Data Miningning ajralmas qismi bo'lgan ushbu atamalarning paydo bo'lishi ma'lumotlarni qayta ishlash va saqlash vositalari va usullarini ishlab chiqishning yangi bosqichi bilan bog'liq. Shunday qilib, Data Mining maqsadi katta (juda katta) hajmdagi ma'lumotlarda yashirin qoidalar va naqshlarni aniqlashdir. Gap shundaki, inson ongining o'zi turli xil ma'lumotlarning ulkan massivlarini idrok etishga moslashmagan. O'rtacha, bir kishi, ba'zi shaxslar bundan mustasno, hatto kichik namunalarda ham ikki yoki uchtadan ortiq munosabatlarni qo'lga kirita olmaydi. Ammo uzoq vaqt davomida ma'lumotlarni tahlil qilish uchun asosiy vosita rolini o'ynagan an'anaviy statistika ham real hayotdagi muammolarni hal qilishda muvaffaqiyatsizlikka uchraydi. U ko'pincha xayoliy qiymatlar bo'lgan namunaning o'rtacha xarakteristikalari bilan ishlaydi (mijozning o'rtacha to'lov qobiliyati, agar xavf funktsiyasi yoki yo'qotish funktsiyasiga qarab, mijozning to'lov qobiliyati va niyatlarini bashorat qilish kerak bo'lganda; o'rtacha signal intensivligi, siz xarakteristikalari va signal cho'qqilari fon manfaatdor esa, va hokazo. d.). Shuning uchun matematik statistika usullari asosan oldindan tuzilgan gipotezalarni sinab ko'rish uchun foydalidir, gipotezani aniqlash esa ba'zan ancha murakkab va ko'p vaqt talab qiladigan vazifadir. Zamonaviy Data Mining texnologiyalari heterojen ko'p o'lchovli ma'lumotlarning har qanday bo'laklariga xos bo'lgan naqshlarni (naqshlarni) avtomatik ravishda izlash uchun ma'lumotlarni qayta ishlaydi. Onlayn tahliliy ma'lumotlarni qayta ishlashdan (OLAP) farqli o'laroq, Data Mining-da gipotezalarni shakllantirish va noodatiy (kutilmagan) naqshlarni aniqlash yuki odamdan kompyuterga o'tkaziladi. Ma'lumotni qazib olish - bu bitta emas, balki ko'p sonli turli xil bilimlarni kashf qilish usullarining kombinatsiyasi. Usulni tanlash ko'pincha mavjud ma'lumotlar turiga va qanday ma'lumotlarni olishga harakat qilayotganingizga bog'liq. Bu erda, masalan, ba'zi usullar: assotsiatsiya (birlashtirish), tasniflash, klasterlash, vaqt seriyalarini tahlil qilish va prognozlash, neyron tarmoqlar va boshqalar. Keling, ta'rifda berilgan kashf qilinadigan bilimlarning xususiyatlarini batafsil ko'rib chiqaylik. Bilim yangi, ilgari noma'lum bo'lishi kerak. Foydalanuvchiga allaqachon ma'lum bo'lgan bilimlarni kashf qilish uchun sarflangan harakatlar o'zini oqlamaydi. Shuning uchun, bu yangi, ilgari noma'lum bo'lgan bilimdir. Bilim ahamiyatsiz bo'lishi kerak. Tahlil natijalari yashirin bilimlarni tashkil etuvchi ma'lumotlarda aniq bo'lmagan, kutilmagan naqshlarni aks ettirishi kerak. Oddiyroq usullar bilan (masalan, vizual ko'rish) olinishi mumkin bo'lgan natijalar kuchli Data Mining usullaridan foydalanishni oqlamaydi. Bilim amaliy jihatdan foydali bo'lishi kerak. Topilgan bilimlar, shu jumladan yangi ma'lumotlarga nisbatan, etarlicha yuqori darajadagi ishonchlilik bilan qo'llanilishi kerak. Foydaliligi shundaki, bu bilim uni qo'llashda qandaydir foyda keltirishi mumkin. Bilim inson tushunchasi uchun ochiq bo'lishi kerak. Topilgan naqshlar mantiqan tushuntirilishi kerak, aks holda ular tasodifiy bo'lish ehtimoli mavjud. Bundan tashqari, kashf etilgan bilimlar inson tushunadigan shaklda taqdim etilishi kerak. Data Mining-da modellar olingan bilimlarni ifodalash uchun ishlatiladi. Modellarning turlari ularni yaratish usullariga bog'liq. Eng keng tarqalganlari: qoidalar, qarorlar daraxtlari, klasterlar va matematik funktsiyalar. Data Mining ko'lami cheklanmagan - Data Mining har qanday ma'lumot mavjud bo'lgan joyda kerak bo'ladi. Ko'pgina bunday korxonalar tajribasi shuni ko'rsatadiki, Data Mining-dan foydalanish rentabelligi 1000% ga yetishi mumkin. Masalan, 350 dan 750 ming dollargacha bo'lgan dastlabki 10.4 xarajatlardan 10-70 baravar yuqori iqtisodiy samara haqida xabarlar mavjud. 20 million dollarlik loyiha haqida maʼlumot berilgan, u bor-yoʻgʻi 4 oyda oʻzini oqladi. Yana bir misol - yiliga 700 000 dollar tejash. Buyuk Britaniyadagi supermarketlar tarmog'ida Data Mining joriy etish orqali. Ma'lumotlarni qidirish menejerlar va tahlilchilar uchun ularning kundalik faoliyatida katta ahamiyatga ega. Ishbilarmonlar Data Mining usullari yordamida sezilarli raqobatdosh ustunliklarga ega bo'lishlari mumkinligini tushundilar. Ma'lumotlarni qidirish vazifalarining tasnifi DataMining usullari tahlilchi duch keladigan ko'plab muammolarni hal qilishga imkon beradi. Ulardan asosiylari: tasniflash, regressiya, assotsiatsiya qoidalarini izlash va klasterlash. Quyida ma'lumotlarni tahlil qilishning 5 Bizni o’rab turgan olam to’g’risidagi bilimlar dekla-rativ va protsedurali bilimlarga bulinadi. Deklarativ bilimlar bu biror bir tizimda o’zaro borlangan dalillardir. Xaqiqatan ham ro’y bergan biror bir xodisa, vokea dalilga misol bo’la oladi. Protsedurali bilimlar — dalillar ustida bajarilgan amallarni (algoritmlar, dasturlar, analitik uzgartirishlar, empirik qoidalar va shu kabilarni) amalga oshirish natijasida hosil bo’ladigan bilimlardir. Bilimlarning bunday bulinishi shartli xarakterga ega, chunki bilimlarni ifodalash (tasvirlash) ning aniq modellari xar xil maqsadda tasvirlashning deklarativ va protsedurali shaqllarini ishlatadi. Kompyuterning boshlanrich uchta avlodida protsedurali tasvirlash yagona, u xam masalalarni echishda qo’llaniladi. Kompyuterlar uchun dasturlar bu bilimlarning saqlovchilari bo’ladi, deklarativ bilimlar xar doim tobe bilimlardir. Intellektual tizimlar buyicha muta-xassislarni xar ikki bilim turi bir xilda kiziktiradi. Ekspert tizimlar sohasidagi tadqiqotlar shuni kursatadiki, bilimlarni tasvirlash uchun kupincha semantiq tarmoqlar, freymlar va maxsulot qoidalarining modellari ishlatiladi. SHuning uchun bu modellarni tularok ko’rib chiqamiz. Mantiqiy model- ma'lumotlar bazasi va apparat platformasining yakuniy bajarilishidan qat'i nazar, qabul qilingan ma'lumotlar modelini (ierarxik, tarmoq, relatsion va hk) hisobga olgan holda ma'lumotlar bazasi strukturasining grafik ko'rinishi. Boshqacha qilib aytganda, u m'lumotlar bazasida WHAT nima ekanligini ko'rsatadi (domen ob'ektlari, ularning atributlari va ular o'rtasidagi munosabatlar), lekin QANDAY savolga javob bermaydi. Mavzu sohasining tavsifi: Ulgurji savdo zavodoh ombor Turli shaharlardagi etkazib beruvchilarning ma'lum doirasidan (doimiy yoki tasodifiy) ma'lum materiallardan (quyma) tayyorlangan qismlar omborga etkazib beriladi. Yetkazib beruvchi sifatida yuridik shaxslar va yakka tartibdagi tadbirkorlar ishtirok etishlari mumkin, bundan tashqari, ushbu guruhlar o'ziga xos xususiyatlar to'plami bilan tavsiflanadi; yuridik shaxslar - davlat raqami va sanasi ro'yxatdan o'tkazish, nomi, yuridik manzili, mulkchilik shakli; Tadbirkorlar - TIN, nomi, sug'urta polisi, pasport raqami, tug'ilgan sana. Etkazib berishda sana, miqdori va narxi, qadoqlash turi va etkazib berish usuli (avtotransport, temir yo'l transporti, olib ketish) hisobga olinadi va bitta etkazib berishda bir necha turdagi qismlar bo'lishi mumkin. Agar etkazib beruvchilar yiliga 1 000 000 rubldan ortiq mahsulot etkazib bersalar doimiy bo'lib qoladilar. Qismlar sana, miqdori va ish sonini hisobga olgan holda zavod ustaxonalariga yuboriladi. Stokdagi tovarlarning haqiqiy miqdori saqlanadi. Shakl 1. IDEF1X notasida mantiqiy ma'lumotlar bazasining modeli IDEF1 metodologiyasiX- "shaxs - aloqa" tushunchasiga asoslangan ma'lumotlarni modellashtirish usullaridan biri (Shaxs - munosabatlar) 1976 yilda Piter Chen tomonidan taklif qilingan. Mantiqiy modellar asosiy hisoblash tilidan foydalanadi. Birinchi predikat mos keladi munosabatlar nomi , va muddatli argumentlar ob'ektlar . Predikatik mantiqda ishlatiladigan barcha mantiqiy iboralar qiymatlarga ega haqiqat yoki soxta Download 210.99 Kb.

Download 210.99 Kb.