سلام اقای نصیری ممنونم از مطالب مفید سایتتون
اقای نصیری آیا امکان این وجود داره که من در برنامه openOffice یه قالب تعریف کنم که جدول داشته باشه و بعد بیام با itextSharp اون جدول رو به صورت داینامیک با داده‌های datagrid پرکنم؟
ممنونم از لطفتون
SaleReferenceId در بانک ملت معادل فیلد TransactionID در پَرباد هست.
دو مورد اصلی که در هر تراکنش بانکی وجود داره:
۱) شماره رجوع ( در سیستم پَرباد معادل فیلد ReferenceID )
۲) شماره تراکنش ( در سیستم پَرباد معادل فیلد TransactionID )
این دو مورد در بانک‌های مختلف، هر کدام به شکل مختلفی نامگزاری شدن.
شماره رجوع در زمان ارسال درخواست برای پرداخت تعلق میگیره. شماره تراکنش پس از پرداخت برای اون تراکنش تعلق میگیره.
طبق لاگی که شما اینجا قرار دادین، تراکنش موفق نبوده. بنابراین شماره تراکنش (SaleReferenceID) هم وجود نداره.
این بخش مروری اجمالی بر الگوریتم‌های موجود در Analysis Services و پارامترهای قابل تنظیم و مقدار پیش فرض هر پارامتر می‌باشد، به منظور بررسی بیشتر هر یک به لینک‌های زیر مراجعه کنید:
(Data Mining Algorithms (Analysis Services - Data Mining
(Algorithm Parameters (SQL Server Data Mining Add-ins
1 - Microsoft Association Rules
به منظور ایجاد قوانینی که توصیف کننده این موضوع باشد که چه مواردی احتمالاً با یکدیگر در تراکنش‌ها ظاهر می‌شوند، استفاده می‌شود.
2 - Microsoft Clustering
به منظور شناسائی روابطی که در یک مجموعه داده ممکن است از طریق مشاهده منطقی به نظر نرسد، استفاده می‌شود. در واقع این الگوریتم با استفاده از تکنیک‌های تکرار شونده رکوردها را در خوشه هایی که حاوی ویژگی‌های مشابه هستند گروه بندی می‌کند.
3 - Microsoft Decision Trees
مبتنی بر روابط بین ستونهای یک مجموعه داده ای باعث پیش بینی روابط مدل‌ها می‌شود، که به صورت یک سری درختوار ویژگی‌ها در آن شکسته می‌شوند.
به منظور انجام پیش بینی از هر دو ویژگی پیوسته و گسسته پشتیبانی می‌شود.
4 - Microsoft Linear Regression
چنانچه یک وابستگی خطی میان متغیر هدف و متغیرهای مورد بررسی وجود داشته باشد، کارآمدترین رابطه میان متغیر هدف و ورودی‌ها را پیدا می‌کند.
به منظور انجام پیش بینی از ویژگی پیوسته پشتیبانی می‌کند.
5 - Microsoft Logistic Regression
به منظور تجزیه و تحلیل عواملی که در یک تصمیم گیری مشارکت دارند که پی آمد آن به وقوع یا عدم وقوع یک رویداد می‌انجامد از این الگوریتم استفاده می‌شود.
جهت انجام پیش بینی از هر دو ویژگی پیوسته و گسسته پشتیبانی می‌کند.
6 - Microsoft Naïve Bayes
احتمال ارتباط میان تمامی ستونهای ورودی و ستونهای قابل پیش بینی را پیدا می‌کند. همچنین این الگوریتم برای تولید سریع مدل کاوش به منظور کشف ارتباطات بسیار سودمند می‌باشد. تنها از ویژگی‌های گسسته یا گسسته شده پشتیبانی می‌کند و با تمامی ویژگی‌های ورودی به شکل مستقل رفتار می‌کند.
7 - Microsoft Neural Network
به منظور تجزیه و تحلیل داده‌های ورودی پیچیده یا مسائل بیزنسی که برای آنها مقدار قابل توجهی داده آموزشی در دسترس می‌باشد اما به آسانی نمی‌توان با استفاده از الگوریتم‌های دیگر این قوانین را بدست آورد، استفاده می‌شود. با استفاده از این الگوریتم می‌توان چندین ویژگی را پیش بینی نمود. همچنین این الگوریتم می‌تواند به منظور طبقه بندی برای ویژگی‌های گسسته و ویژگی‌های پیوسته رگرسیون مورد استفاده قرار گیرد.
8 - Microsoft Sequence Clustering
به منظور شناسائی ترتیب رخدادهای مشابه در یک دنباله استفاده می‌شود. در واقع این الگوریتم ترکیبی از تجزیه تحلیل توالی و خوشه را فراهم می‌کند.
9 - Microsoft Time Series
به منظور تجزیه و تحلیل داده‌های زمانی (داده‌های مرتبط با زمان) در یک درخت تصمیم گیری خطی استفاده می‌شود. الگوهای کشف شده می‌توانند به منظور پیش بینی مقادیر آینده در سری‌های زمانی استفاده شوند.
(Data Mining Algorithms (Analysis Services - Data Mining
(Algorithm Parameters (SQL Server Data Mining Add-ins
1 - Microsoft Association Rules
به منظور ایجاد قوانینی که توصیف کننده این موضوع باشد که چه مواردی احتمالاً با یکدیگر در تراکنش‌ها ظاهر می‌شوند، استفاده می‌شود.
| Range | Default | Parameter |
| (...,1] | 200000 | MAXIMUM_ITEMSET_COUNT |
| [0,500] | 3 | MAXIMUM_ITEMSET_SIZE |
| (...,0.0) | 1.0 | MAXIMUM SUPPORT |
| (...,...) | 999999999- | MINIMUM IMPORTANCE |
| [1,500] | 1 | MINIMUM_ITEMSET_SIZE |
| [0.0,1.0] | 0.4 | MINIMUM PROBABILITY |
| (...,0.0] | 0.0 | MINIMUM SUPPORT |
2 - Microsoft Clustering
به منظور شناسائی روابطی که در یک مجموعه داده ممکن است از طریق مشاهده منطقی به نظر نرسد، استفاده می‌شود. در واقع این الگوریتم با استفاده از تکنیک‌های تکرار شونده رکوردها را در خوشه هایی که حاوی ویژگی‌های مشابه هستند گروه بندی می‌کند.
| Range | Default | Parameter |
| (...,0] | 10 | CLUSTER COUNT |
| (...,0] | 0 | CLUSTER SEED |
| 1,2,3,4 | 1 | CLUSTERING METHOD |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (...,0) | 1 | MINIMUM SUPPORT |
| [1,50] | 10 | MODELLING_CARDINALITY |
| (...,100],0 | 50000 | SAMPLE SIZE |
| (...,0) | 10 | STOPPING TOLERANCE |
3 - Microsoft Decision Trees
مبتنی بر روابط بین ستونهای یک مجموعه داده ای باعث پیش بینی روابط مدل‌ها می‌شود، که به صورت یک سری درختوار ویژگی‌ها در آن شکسته می‌شوند.
به منظور انجام پیش بینی از هر دو ویژگی پیوسته و گسسته پشتیبانی می‌شود.
| Range | Default | Parameter |
| (0.0,1.0) | COMPLEXITY_PENALTY | |
| FORCE REGRESSOR | ||
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
| (...,0.0) | 10.0 | MINIMUM SUPPORT |
| 1,3,4 | 4 | SCORE METHOD |
| [1,3] | 3 | SPLIT METHOD |
4 - Microsoft Linear Regression
چنانچه یک وابستگی خطی میان متغیر هدف و متغیرهای مورد بررسی وجود داشته باشد، کارآمدترین رابطه میان متغیر هدف و ورودی‌ها را پیدا می‌کند.
به منظور انجام پیش بینی از ویژگی پیوسته پشتیبانی می‌کند.
| Range | Default | Parameter |
| | FORCE REGRESSOR | |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
5 - Microsoft Logistic Regression
به منظور تجزیه و تحلیل عواملی که در یک تصمیم گیری مشارکت دارند که پی آمد آن به وقوع یا عدم وقوع یک رویداد می‌انجامد از این الگوریتم استفاده می‌شود.
جهت انجام پیش بینی از هر دو ویژگی پیوسته و گسسته پشتیبانی می‌کند.
| Range | Default | Parameter |
| (0,100) | 30 | HOLDOUT_PERCENTAGE |
| (...,...) | 0 | HOLDOUT SEED |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (...,0] | 10000 | SAMPLE SIZE |
6 - Microsoft Naïve Bayes
احتمال ارتباط میان تمامی ستونهای ورودی و ستونهای قابل پیش بینی را پیدا می‌کند. همچنین این الگوریتم برای تولید سریع مدل کاوش به منظور کشف ارتباطات بسیار سودمند می‌باشد. تنها از ویژگی‌های گسسته یا گسسته شده پشتیبانی می‌کند و با تمامی ویژگی‌های ورودی به شکل مستقل رفتار می‌کند.
| Range | Default | Parameter |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (0,1) | 0.5 | MINIMUM_DEPENDENCY_PROBABILITY |
7 - Microsoft Neural Network
به منظور تجزیه و تحلیل داده‌های ورودی پیچیده یا مسائل بیزنسی که برای آنها مقدار قابل توجهی داده آموزشی در دسترس می‌باشد اما به آسانی نمی‌توان با استفاده از الگوریتم‌های دیگر این قوانین را بدست آورد، استفاده می‌شود. با استفاده از این الگوریتم می‌توان چندین ویژگی را پیش بینی نمود. همچنین این الگوریتم می‌تواند به منظور طبقه بندی برای ویژگی‌های گسسته و ویژگی‌های پیوسته رگرسیون مورد استفاده قرار گیرد.
| Range | Default | Parameter |
| (...,0] | 4.0 | HIDDEN_NODE_RATIO |
| (0,100) | 30 | HOLDOUT PERCENTAGE |
| (...,...) | 0 | HOLDOUT SEED |
| [0,65535] | 255 | MAXIMUM_INPUT_ATTRIBUTES |
| [0,65535] | 255 | MAXIMUM_OUTPUT_ATTRIBUTES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (...,0] | 10000 | SAMPLE SIZE |
8 - Microsoft Sequence Clustering
به منظور شناسائی ترتیب رخدادهای مشابه در یک دنباله استفاده می‌شود. در واقع این الگوریتم ترکیبی از تجزیه تحلیل توالی و خوشه را فراهم می‌کند.
| Range | Default | Parameter |
| (...,0] | 10 | CLUSTER COUNT |
| [2,65535],0 | 64 | MAXIMUM_SEQUENCE_STATES |
| [2,65535],0 | 100 | MAXIMUM STATES |
| (...,0] | 10 | MINIMUM SUPPORT |
9 - Microsoft Time Series
به منظور تجزیه و تحلیل داده‌های زمانی (داده‌های مرتبط با زمان) در یک درخت تصمیم گیری خطی استفاده می‌شود. الگوهای کشف شده می‌توانند به منظور پیش بینی مقادیر آینده در سری‌های زمانی استفاده شوند.
| Range | Default | Parameter |
| [0.0,1.0] | 0.6 | AUTO_DETECT_PERIODICITY |
| (1.0,...) | 0.1 | COMPLEXITY_PENALTY |
| ARIMA,ARTXP,MIXED | MIXED | FORECAST METHOD |
| [0,100] | 1 | HISTORIC_MODEL_COUNT |
| (...,1] | 10 | HISTORIC_MODEL_GAP |
| [0.0,1.0] | 1.0 | INSTABILITY_SENSITIVITY |
| [...,column maximum] | 1E308+ | MAXIMUM_SERIES_VALUE |
| [column minimum,...] | 1E308- | MINIMUM_SERIES_VALUE |
| (...,1] | 10 | MINIMUM SUPPORT |
| None,Previous,Mean | None | MISSING_VALUE_SUBSTITUTION |
| {...list of integers...} | {1} | PERIODICITY_HINT |
| [0.0,1.0] | 0.5 | PREDICTION SMOOTHING |
سلام؛ اگر در یک جدول اطلاعاتی 10 رکورد درج شود و کل آن اطلاعات را پاک کنیم و دوباره بخواهیم اطلاعات درج کنیم شماره آدی از 11 شروع می‌شود نه از 1. حال پس از حذف 10 رکورد اگر دستور زیر را اجرا کنیم
مقدار یک برمی گرداند در حالی که باید مقدار 10 را بیاورد برای حل این مشکل راه حلی دارید؟
Ident_Current(‘tabla_name’)
شما اگر قبل از هدایت کاربر به سمت درگاه پرداخت ، سفارش کاربر رو ثبت کنید و وضعیت سفارش رو "در انتظار پرداخت " قرار دهید ، می‌توانید کد اصلی جدول پرداخت رو (OrderMaster) رو به عنوان شماره منحصر بفرد به درگاه پرداخت بفرستید .
Viewها برای مخفی کردن کوئری‌های پیچیده از چند جدول بسیار مفید هستند. اما در حالت عادی، استفاده از آنها الزاما به کارآیی مطلوبی ختم نمی‌شود. اما ... امکان تعریف index بر روی آنها وجود دارد ... 
سلام .مشکل برطرف گردید. بعد از دیباگ کردن متوجه شدم که روابط بین جدول‌ها رو در دوتا جدول برعکس تعریف کرده بودم.
گره‌های تعریف شده unique ID ندارند. این unique ID در کل tree معنا پیدا می‌کند و الزاما ارتباطی به ID رکورد شما در یک جدول خاص بانک اطلاعاتی ندارد.
پاسخ به بازخوردهای پروژه‌ها
چگونه می توان با استفاده از قابلیت StackedProperties این گزارش را تولید کرد
در مورد نحوه و نکات مرتبط با سفارشی سازی رنگ جدول نهایی به مطلب زیر مراجعه کنید:
«تعریف قالب‌های جداول سفارشی»
«تعریف قالب‌های جداول سفارشی»
ترکیب ماژول‌ها به قالب یک اسمبلی
فایل
Program.exe یک فایل PE با جداول متادیتا است که همچنین یک اسمبلی هم
می‌باشد. یک اسمبلی مجموعه‌ای از یک یا چند فایل، شامل تعاریف نوع و منابع
(ریسورس) می‌باشد و یکی از فایل‌های اسمبلی، برای نگهداری manifest انتخاب
می‌شود. این جدول مجموعه‌ای است از جداول متادیتا که به طور کلی شامل نام فایل‌هایی است که قسمتی از اسمبلی را تشکیل می‌دهند. برای همین گفتیم که CLR با
اسمبلی‌ها کار می‌کند. ابتدا جداول manifest را خوانده تا نام فایل‌ها را
شناسایی کرده تا از آنها را به حافظه بارگزاری کند. اسمبلی‌ها چند خصوصیت
دارند که باید آنها را بدانید:
- نوع‌های با قابلیت استفاده‌ی مجدد را تعریف می‌کنند.
- داری شماره‌ی نسخه version هستند.
- می‌توانند شامل اطلاعات امنیتی باشند.
این
خواصی است که یک اسمبلی به همراه دارد و فایل‌هایی که شامل می‌شود،
نمی‌توانند چنین خاصیتی را داشته باشند؛ مگر اینکه آن فایل‌ها در متای خود جدول
manifest داشته باشند.
شما برای بسته
بندی، شماره نسخه، مباحث امنیتی و استفاده از نوع‌ها، باید آنها
را داخل ماژولی قرار دهید که جزئی از اسمبلی است. یک فایل اسمبلی همانند
program.exe به عنوان یک فایل واحد شناخته می‌شود. با اینکه یک اسمبلی از
چند فایل تشکیل می‌شود، فایل‌های PE به همراه جداول متادیتای آن و تعدادی
ریسورس مثل فایل‌های gif و jpg است که به شما کمک می‌کند به همه‌ی آنها به
عنوان یک فایل منطقی EXE یا dll نگاه کنید.
یکی
از دلایلی که در قسمت سوم گفتیم این بود که می‌توانیم فایل‌هایی را که به ندرت
استفاده می‌شوند، از طریق اینترنت مورد استفاده قرار دهیم. در حالتیکه
نیاز به دسترسی به اسمبلی‌های روی اینترنت دارید، CLR ابتدا کش را بررسی
می‌کند تا آیا فایل حاضر است یا خیر؟ اگر پاسخ مثبت بود، در حافظه قرار
می‌گیرد. ولی اگر پاسخ منفی بود، CLR به آدرسی که اسمبلی در آن قرار دارد،
رجوع کرده و آن را دانلود می‌کند و اگر فایل مد نظر یافت نشد، استثنای
FileNotFound را در حین اجرا صادر خواهد کرد.
آقای جفری ریچر در کتاب خود سه تا از دلایل استفاده‌ی از اسمبلی‌های چند فایله را بر می‌شمارد:
- جداسازی نوع‌ها در فایل‌های جداگانه که باعث کاهش حجم فایل از طریق اینترنت و بارگزاری حجم کمتر در حافظه می‌شوند.
- استفاده
از فایل‌های منبع و داده‌ها در اسمبلی: فرض کنید نیاز به محاسبه‌ی اطلاعات بیمه دارید و برای این کار به اطلاعات داخل یک جدول آماری احتیاج
دارید. این جدول آماری می‌تواند یک فایل متنی ساده یا یک صفحه‌ی گسترده مثل
اکسل یا در قالب ورد و هر چیز دیگری باشد که به جای embed شدن این جداول در
سورس کد برنامه، آنها را با استفاده از ابزاری مثل Assembly Linker
-AL.exe می‌توانید جزئی از اسمبلی کنید و فقط نیاز است که بدانید
چگونه آن فایل را پارس یا تبدیل کنید.
- استفاده
از انواع ایجاد شده در زبان‌های مختلف. در این حالت شما مقداری از کد را
با استفاده از #C نوشته اید و مقداری از آن را با Visual Basic می‌نویسید و
هر کدام در نهایت به یک ماژول جداگانه کامپایل خواهند شد. ولی تبدیل آن به
یک واحد منطقی مثل اسمبلی ممکن است و از این نظر می‌توانید روی ماژول‌های
یک دسته کنترل داشته باشید.
اگر چندین
نوع دارید که شامل نسخه بندی و تنظیمات امنیتی مشترک هستند، بهتر است در
یک اسمبلی قرار گیرند تا اینکه در اسمبلی‌های جداگانه‌ایی قرار بگیرند. دلیل
این کار هم ایجاد performance یا کارآیی بهتر است. بارگذاری یک اسمبلی در
حافظه زمانی را برای یافتن آن از CLR و ویندوز می‌گیرد و سپس وارد بارگیری
آنها در حافظه و آماده سازی می‌شود. پس هر چه تعداد اسمبلی‌ها کمتر باشد،
کارآیی بهتری خواهید داشت، چون کمتر شدن بارگیری برابر با کاهش صفحات کاری است و پراکندگی fragmentation فضای آدرس دهی آن فرایند را کاهش خواهد
داد. نهایتا Ngen می‌تواند در بهینه سازی فایل‌های بزرگتر موفق باشد.
برای
ساخت اسمبلی، باید یکی از فایل‌های PE را برای نگهداری جدول manifest
انتخاب کنید؛ یا خودتان یک فایل PE جدا درست کنید که تنها شامل جدول مانیفست
شود. جدول زیر قالبی از جداول مانیفست هست که بابت ماژول‌های اضافه شده به
یک اسمبلی ایجاد می‌شوند.
| AssemblyDef | شامل مدخل ورودی (آدرس شروع حافظه) برای اسمبلی‌هایی است که ماژول عضو آن است. این مدخل شامل نام اسمبلی (بدون مسیر و پسوند)، شماره نسخه یا ورژن، culture، فلگ، الگوریتم هش و کلید عمومی ناشر، که می‌تواند نال باشد، هست. |
| FileDef | شامل
یک مدخل ورودی برای هر فایل PE و فایل‌های ریسورسی است که قسمتی از اسمبلی
را تشکیل می‌دهند. این مدخل ورودی شامل نام و پسوند فایل (بدون ذکر مسیر)،
فلگ و مقدار هش می‌شود. اگر تنها یک اسمبلی وجود داشته باشد، این جدول هیچ
مدخلی نخواهد داشت. |
| ManifestResourceDef | شامل
یک مدخل ورودی برای هر فایل ریسورس است. این مدخل شامل نام فایل ریسورس،
فلگ و یک اندیس به جدول FileDef است که در آن اشاره‌ای به آن فایل ریسورس
یا استریم است. |
| ExportedTypesDef | شامل
یک مدخل ورودی برای هر نوع عمومی است که از همه ماژول‌های PE استخراج شده
است. هر مدخل شامل نام نوع و اندیسی به جدول FileDef و یک اندیس دیگر به
جدول TypeDef است. نکته: برای ذخیره سازی حافظه و کم حجم شدن فایل‌ها، نوع‌های استخراج شده از فایلی که شامل مانیفست است دیگر در جدول جاری نام نوع‌ها ذکر نمی‌گردد؛ چرا که این اطلاعات در جدول TypeDef اسمبلی جاری موجود
است. |
نکته: اسمبلی که شامل مانیفست است، شامل یک جدول AssemblyRef نیز می‌گردد که به تمام اسمبلی‌های ارجاع شده در آن اسمبلی اشاره می‌کند. با استفاده از ابزارهای موجود می‌توان اسمبلی مدنظر را باز کرده و به این ترتیب لیستی از اسمبلی‌های ارجاع شده را خواهید دید و بدین صورت این اسمبلی یک اسمبلی خود تعریف می‌شود.
کامپایلر سی شارپ با استفاده از سوئیچ‌های زیر یک اسمبلی را تولید می‌کند:
کامپایلر سی شارپ با استفاده از سوئیچ‌های زیر یک اسمبلی را تولید می‌کند:
/t[arget]:exe, /t[arget]:winexe, /t[arget]: appcontainerexe, /t[arget]: library, or /t[arget]:winmdobj
سوئئیچ‌های بالا باعث می‌شود که یک فایل PE با جدول مانیفست تولید گردد. در صورتیکه سوئیچ زیر را به کار ببرید، فایل تولید شده شامل جدول مانیفست نمی‌شود.
/t[arget]:module
این فایل PE تولید شده در قالب یک dll است که باید قبل از اینکه CLR به نوع‌های داخل آن دسترسی پیدا کند، به یک اسمبلی اضافه گردد. موقعی‌که شما از سوئیچ بالا استفاده می‌کنید، کامپایلر سی شارپ به طور پیش فرض از پسوند netmodule برای فایل خروجی استفاده می‌کند.
نکته‌ی پایانی: محیط توسعه ویژوال استادیو به طور پیش فرض از اسمبلی‌های چند فایل پشتیبانی نمی‌کند، اگر میخواهید که اسمبلی‌های چند فایله تولید کنید باید در سوئیچ‌های مورد استفاده آن تجدید نظری داشته باشید.
در مقاله آینده این روش‌ها را بررسی خواهیم کرد...