curs 20 BD

DML triggers are classified based on where they are executed and how many times they execute.

Timing in the CREATE TRIGGER syntax refers to the moment when the trigger is activated.

The body of a trigger is the action it executes.

A BEFORE trigger's body executes before the DML event happens.

In the example 1, the UPDATE operation triggers the trigger.

An instruction trigger executes once for the entire DML instruction.

A row trigger executes once for each row affected by the DML instruction.

The INSTEAD OF trigger is used to execute an action instead of the DML event.

The main purpose of the secure_emp trigger is to allow data insertion into the emp table only on weekdays.

Creating a single trigger instead of separate ones reduces code complexity.

The log_emps trigger inserts a row into the log_emp_table regardless of the number of employees updated.

A row trigger executes once for each row affected by the DML instruction.

BEFORE is a keyword specifying the trigger's execution time.

If there are 5 employees in department 50, a row trigger executes 5 times.

Conditional predicates in triggers allow for testing specific column updates.

The purpose of the log_emps trigger is to insert a row into the log_emp_table for each updated employee.

An implicit DML trigger is activated only once for each execution of the trigger instruction.

The BEFORE INSERT ON dept trigger instruction is associated with the INSERT INTO event.

The trigger that activates before update operations on the emp table is called sal_upd_trigg.

The purpose of the log_emp_changes trigger is to record changes made to the emp table.

The emp_del_trigg trigger activates after insert, update or delete operations on the emp table.

The sal_upd_trigg trigger affects the sal and comm columns of the emp table.

The trigger statement that automatically inserts a row into the logging table is called dept_insert_trigg.

Reprezintă modul în care neuronii sunt organizați și conectați în rețeaua neuronală.

Este un tip de rețea neuronală în care informația se deplasează doar într-o singură direcție, de la intrare la ieșire, fără cicluri.

Este primul strat al rețelei neuronale, unde se primesc datele brute.

Sunt unul sau mai multe straturi intermediare care procesează datele din stratul de intrare.

Este procesul prin care rețeaua neuronală își ajustează parametrii pentru a îmbunătăți performanța.

Este funcția care măsoară diferența dintre ieșirea rețelei neuronale și ieșirea dorită.

Este un algoritm care ajustează parametrii rețelei neuronale pentru a minimiza eroarea.

Este capacitatea unei rețele neuronale de a performa bine pe date noi, necunoscute în timpul antrenării.

Sistemele adaptive de tip "cutie neagră" (black-box) care învață din date pentru a extrage modele.

Dendritele primesc informații de la alți neuroni sau stimuli externi, similar cu intrările date unui neuron artificial.

Nucleul celulei procesează informațiile primite, similar cu funcția de activare dintr-un neuron artificial.

Axonul transportă semnalul procesat către alte celule, similar cu procesul de generare a ieșirii dintr-un neuron artificial.

Valorile ponderilor reflectă importanța fiecărei intrări pentru neuron și sunt ajustate în timpul procesului de învățare.

Funcția de activare decide dacă neuronul „activează” sau nu, bazându-se pe suma ponderată a intrărilor.

Ieșirea este rezultatul final produs de neuron, care poate fi transmis mai departe altor neuroni.

Neuronul artificial are intrări, ponderi, funcție de activare și ieșire, care sunt conectate la dendritele, nucleul, axonul și ieșirea neuronului biologic.

Rețelele Neuronale Recurente (RNN) sunt un tip de rețea neuronală care permite fluxul bidirecțional al informației. Spre deosebire de rețelele feed-forward, RNN-urile pot reține informația din stări anterioare, utilizând conexiuni ciclice în structura lor. Aceasta le face ideale pentru sarcinile care implică date secvențiale sau dependente de timp, cum ar fi procesarea textului, recunoașterea vorbirii sau analiza seriei temporale.

Straturile ascunse sunt nucleul rețelei recurente, având conexiuni recurente care permit fiecărui neuron să-și trimită ieșirea înapoi către el însuși și către ceilalți neuroni din strat.

Straturile ascunse din RNN rețin informații din stările anterioare și le combină cu datele curente pentru a produce o ieșire.

Straturile de intrare în RNN primesc date secvențiale sau dependente de timp (exemplu: text, semnal audio). Fiecare element al secvenței este procesat individual, dar ieșirea unui moment temporal afectează momentele ulterioare.

Straturile de ieșire în RNN produc rezultatele finale pe baza datelor procesate și a informației memorate. Ele pot genera ieșiri pentru fiecare moment temporal (predicții per cuvânt) sau o ieșire globală (sentimentul unui text întreg).

În procesarea limbajului natural (NLP), RNN se pot utiliza pentru sarcini ca traducere automată (Google Translate), analiza sentimentului textului și generarea de text (chatbot-uri, scriere automată).

RNN se pot utiliza în recunoașterea vorbirii pentru conversia vorbirii în text (Speech-to-Text) și asistenți vocali (Alexa, Siri).

RNN se pot utiliza pentru predicții financiare, analiza datelor meteorologice sau a datelor de trafic.

Procesul iterativ, la fiecare moment temporal 't', stratul ascuns primește datele curente (xt) și ieșirea stării anterioare (ht-1). Această combinație permite rețelei să memoreze informații din trecut, procesând datele secvențial.

RNN-urile memorează informații din trecut pe termen scurt și le integrează în deciziile curente. LSTM (Long Short-Term Memory) sau GRU (Gated Recurrent Unit) sunt variante avansate care permit rețelelor neuronale recurente să memoreze pe termen lung.

Rețelele neuronale uni-direcționale sunt folosite pentru clasificarea imaginilor și predicții simple, unde fluxul de informații este unidirecțional, fără bucle.

Rețelele neuronale recurente sunt folosite pentru a analiza datele de tip serie temporală, traducerea automată și recunoașterea vorbirii, având un flux de informații ciclic.

Etapă în proiectarea rețelelor neuronale, unde se alege arhitectura rețelei, incluzând numărul de nivele, numărul de unități pe nivel, topologia și funcțiile de activare.

Antrenarea rețelelor neuronale implică determinarea valorilor ponderilor prin intermediul unui algoritm de învățare, utilizând setul de antrenare.

Validarea unei rețele neuronale implică analizarea performanței rețelei pentru un set de date nou, care nu a fost inclus în setul de antrenare.