| 这个作业要求在哪里 |
https://www.cnblogs.com/rocedu/p/9577842.html#WEEK10 |
| 这个作业的目标 |
<信息系统 |
| 数据库与SQL |
|
| 人工智能与专家系统 |
|
| 人工神经网络 |
|
| 模拟与离散事件 |
|
| 排队系统 |
|
| 天气与地震模型 |
|
| 图形图像> |
|
| 作业正文 |
https://i.cnblogs.com/posts/edit |
| 教材学习内容总结 |
|
| 一、信息系统 |
|
| 概念：是一个由人、硬件、软件和数据资源组成，目的在于及时、正确地收集、加工、存储、传递和提供信息，实现组织中各项活动的管理、调节和控制的系统。 |
|
| 作用：支持组织的决策、沟通、协调、控制等管理活动，提高组织运作效率和竞争力。例如企业的 ERP 系统可整合财务、生产、销售等各环节信息。 |
|
| 二、数据库与 SQL |
|
| 数据库：是按照数据结构来组织、存储和管理数据的仓库。可以存储海量的结构化数据，如用户信息表、订单表等，方便数据的查询、更新、删除等操作。 |
|
| SQL（结构化查询语言）： |
|
| 数据定义语言（DDL）：用于创建、修改和删除数据库对象，如 CREATE TABLE（创建表）、ALTER TABLE（修改表结构）、DROP TABLE（删除表）等语句。 |
|
| 数据操纵语言（DML）：实现对数据库中数据的操作，包括 INSERT（插入数据）、UPDATE（更新数据）、DELETE（删除数据）以及最重要的 SELECT（查询数据）语句，通过各种条件和连接操作来获取所需数据。 |
|
| 数据控制语言（DCL）：主要涉及用户权限的管理，如 GRANT（授予权限）、REVOKE（撤销权限）等。 |
|
| 三、人工智能与专家系统 |
|
| 人工智能：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。涵盖机器学习、自然语言处理、计算机视觉等多个领域，旨在让机器能够像人一样思考、学习和解决问题。 |
|
| 专家系统：是人工智能的一个重要分支，它是一个具有大量的专门知识与经验的程序系统，能够利用人类专家的知识和解决问题的方法来处理该领域的复杂问题。通常由知识库（存储专家知识）、推理机（根据知识库进行推理得出结论）、人机接口等部分组成。例如医疗诊断专家系统可依据症状等信息给出诊断建议。 |
|
| 四、人工神经网络 |
|
| 概念：是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法模型。由大量的神经元相互连接而成，每个神经元接收输入信号，经过处理后输出信号给其他神经元。 |
|
| 特点及应用：具有自学习、自适应、非线性映射等特点。广泛应用于图像识别、语音识别、模式识别等领域，比如通过训练神经网络来识别手写数字、识别语音内容等。 |
|
| 五、模拟与离散事件 |
|
| 模拟：是利用系统模型对实际或设想的系统进行试验研究的过程。通过建立系统的数学模型或物理模型等，在计算机或其他环境中模拟系统的运行情况，以分析系统的性能、行为等。 |
|
| 离散事件：是指系统状态的改变是在离散的时间点上发生的事件。在离散事件模拟中，重点关注这些离散事件的发生顺序、时间间隔以及对系统状态的影响等。例如模拟超市顾客的结账过程，顾客到达收银台、收银员开始结账等都是离散事件。 |
|
| 六、排队系统 |
|
| 组成要素：包括顾客到达过程、服务台服务过程以及排队规则等。顾客按照一定的规律到达排队系统，在服务台接受服务，排队规则决定了顾客在排队等待时的先后顺序，如先到先服务、后到先服务、按优先级服务等。 |
|
| 性能指标：主要关注平均排队长度、平均等待时间、服务台利用率等指标，通过对这些指标的分析来评估排队系统的运行效率和服务质量，以便进行优化。 |
|
| 七、天气与地震模型 |
|
| 天气模型：是基于气象学原理，利用大量的气象观测数据（如温度、气压、风速等）建立起来的数学模型。通过对大气物理过程的模拟，可以预测天气的变化情况，如天气预报中的温度变化、降水概率等。不同的天气模型有不同的复杂度和精度，例如全球气候模型可用于研究长期气候趋势。 |
|
| 地震模型：是根据地震学理论和地质构造等相关知识构建的模型。虽然目前还不能像天气预报那样准确地预测地震的发生时间和地点，但可以通过对地震活动规律、断层应力等方面的研究，利用模型来分析地震发生的可能性、震级范围等，为地震预警和防灾减灾提供一定的参考依据。 |
|
| 这些知识点在不同领域都有着重要的应用，相互之间也可能存在一定的关联，比如人工智能中的神经网络可用于优化数据库查询、模拟排队系统等场景的分析和预测等。 |
|
| 教材学习中的问题及解决过程 |
|
| 问题 1：在数据库与 SQL 中，如何使用 SQL 语句实现两张表（学生表含字段学生 ID、姓名；课程表含字段课程 ID、课程名、授课教师）的关联查询，获取每个学生所选课程的详细信息？ |
|
| 解答：假设学生表名为 “students”，包含字段 “student_id”（学生 ID）、“name”（姓名）；课程表名为 “courses”，包含字段 “course_id”（课程 ID）、“course_name”（课程名）、“teacher”（授课教师），两表通过一个中间表 “student_course”（包含 “student_id” 和 “course_id” 字段来关联学生与课程）关联。查询语句示例如下： |
|
| sql |
|
| 复制 |
|
| SELECT s.name, c.course_name, c.teacher |
|
| FROM students s |
|
| JOIN student_course sc ON s.student_id = sc.student_id |
|
| JOIN courses c ON sc.course_id = c.course_id; |
|
| 这里使用JOIN操作（内连接示例），先通过 “student_course” 表将 “students” 表和 “courses” 表按照共同的 “student_id” 和 “course_id” 字段关联起来，然后从关联结果里选取学生姓名、课程名和授课教师信息展示出来，就能得到每个学生所选课程的详细情况。如果要包含没选课的学生（使用左连接），可将JOIN改为LEFT JOIN，语法类似只是语义有差别，左连接会保留左表（“students” 表）全部记录。 |
|
| 问题 2：人工神经网络相较于传统的专家系统，优势体现在哪些方面？ |
|
| 解答： |
|
| 自学习能力：传统专家系统的知识依赖专家人工梳理总结后录入知识库，知识更新成本高、周期长；而人工神经网络可以基于大量数据自主学习特征与模式，随着新数据输入不断优化自身参数，提升对复杂情况处理能力，例如图像识别领域，神经网络不断接触新图像后识别准确率持续上升。 |
|
| 对复杂非线性关系处理：专家系统对于知识库规则外、高度复杂非线性问题处理乏力，其推理机制多基于既定逻辑规则。人工神经网络通过多层神经元结构及激活函数，能拟合任意复杂非线性函数关系，像语音情感识别任务，语音信号与情感间非线性映射利用神经网络可有效捕捉分析，挖掘隐藏深层关联，应对多变复杂现实场景更具优势。 |
|
| 容错与泛化能力：专家系统一旦输入偏离规则设定，结果可能偏差极大；神经网络经过良好训练后，对输入数据小噪声、部分缺失有一定容忍度，且在相似但未见数据（新样本）上泛化表现好，能根据学习到的整体特征分布给出合理预测判断，比如预测不同路况下汽车油耗，面对新路况仍可参考过往学习成果大致预估。 |
|
| 基于AI的学习 |
|
 |
|
| 学习进度条 |
|
|
代码行数（新增/累积） |
| -------- |
:----------------: |
| 目标 |
5000行 |
| 第一周 |
200/200 |
| 第二周 |
300/500 |
| 第三周 |
500/1000 |
| 第四周 |
300/1300 |
