全国计算机等级考试二级ACCESS,全国计算机等级考试二级Access笔试重点

本文总结了全国计算机等级考试二级Access笔试的关键知识点,包括数据库基础、SQL语句、查询、窗体及表的相关操作。重点强调了Access中设置主键、创建表、修改表、创建索引的SQL语句,以及SELECT语句的使用,如ORDER BY子句进行排序。此外,还提及了窗体的数据源、参照完整性和VBA中的数据类型。复习这些内容对于备考至关重要。
摘要由CSDN通过智能技术生成

全国计算机等级考试二级Access笔试重点

计算机考试即将来临了,大家复习好了吗?一起来回顾下全国计算机等级考试二级Access笔试重点吧。

第一章 数据库基础知识

1.在Access中,设置为主键的字段由系统自动设置索引。

2.在Access数据库中创建一个新表,应该使用的SQL语句是Create Table;创建索引是Create Index;修改表是Alter Table;创建数据库是Create Database。

3.关于SQL语句:Insert语句表示追加;Update语句表示修改;Delete语句表示删除表中记录;Drop语句表示删除表。

4.在SQL语言中使用最频繁的是SELECT语句。它的语法包括FORM、WHERE和ORDER BY子句。SELECT语句构成了SQL数据库语句的核心。

5.在SQL语言的SELECT语句中,用ORDER BY子句根据指定的列对结果集进行排序。ORDER BY为可选项,默认按照升序对记录进行排序。

6.含有”网络”字样的值的表示为:like “*网络*”。

7.窗体的RecordSource属性用来指明该窗体的数据源。

8.关系数据库中数据表既相对独立,又相互联系。

9.在Access中,表和查询可以作为查询的数据源。

10.在Access数据库对象中,体现数据库设计目的的对象是查询

11.在关系运算中,要从关系模式中指定若干属性组成新的关系,该关系运算称为投影

12.在SELECT语句中,HAVING子句必须与group by子句一起使用。

13.数据集对象的EOF属性(或BOF属性)用来判断记录指针是否指向第一条记录(或最后一条记录)。

14.数据库中增加1条新的记录,执行strSQL插入语句。

15.用SQL语句实现查询表名为”图书表”中的所有记录,应该使用的Select语句是:Select* from 图书表。

16.如果数据库找到最后一行,还是没有记录,就代表没有这个用户,没有记录表示为rs.EOF。

17.在Access中建立的数据库文件的扩展名是 .mdb

第二章 数据库和表

1.不可为OLE对象设置默认值属性。

2.定义默认值的含义是为减少数据输入量,可以将出现较多的值作为该字段的默认值,可以允许为空。

3."有效性规则"属性只允许定义一个条件表达式。

11-160309141K6320.jpg

5.参照完整性关系:级联更新、级联删除。

6.参照完整性规则包括更新规则、删除规则和插入规则。

7.? 表示与任何单个字母的字符匹配;! 匹配任何不在括号之内的字符;# 与任何单个数字字符匹配;* 与任何个数的字符匹配;[ ] 通配方括号内列出的任一单个字符;- 通配范围内的任何一个字符,必须以递增排序顺序来指定区域。

8.VBA支持的常用数据类型有:Byte,占1字节,范围是0 到 255;Boolean,占2字节,范

围True 或 False;Integer,占2字节,范围-32768到32767;Long(长整型),占4字节;Single(单精度浮点型),占4字节;Double(双精度浮点型),占8字节;Date,占8字节。

第三章 查询

1. 在Access数据库中,创建查询设置时间时要求必须用 "#" 符号将时间括起来。

2. AND逻辑运算符连接的两个表达式中,其中,只要有一个表达式为假,那么运算结果就 为假。OR逻辑运算符连接的两个表达式中,两个表达式都为假时,运算结果才为假。

3.

11-160309141SK47.jpg

4.使用向导创建查询时,数据源可以来自表或查询。

5.如果在数据库中已有同名的表,要通过查询覆盖原来的表,应该使用的查询类型是生成表。

6.ACCESS的所有查询都可以认为是一个SQL查询,因为ACCESS查询就是以SQL语句为基础来实现查询功能的。

第四章 窗体

1.Access中,可用于设计输入界面的对象是窗体。

2.引用窗体的控件值的格式为:Forms![窗体名]![控件名]或[Forms]![窗体名]![控件名]。

3.控件不可见属性是:控件名称.visible = false。

4.显示文本框控件的值为:控件名称.Value = 值。

5.控件显示标题属性是:控件名称.Caption=值。

6.属于窗体的“数据”类属性的是记录源、排序依据、记录锁定等;“格式”类属性包括自动居中和记录选择器等;“事件”类属性有获得焦点等。

7.窗体的"其他"属性表示了控件的附加特征。包括名称、状态栏文字、Tab键索引、控件提示文本等。

8.若窗体Frm1中有一个命令按钮Cmd1,则窗体和命令按钮的Click事件过程名分别为Form_Click() Cmd1_Click() 注:窗体的单击事件过程统一用Form_Click(),不需要使用窗体名称,而命令按钮事件过程需要使用按钮名称,则为Cmd1_Click()。

9.窗体由多个部分组成,每个部分称为一个节。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值