課程簡介
隨著DevOps的普及以及AIOps運用案例成熟，算法在工具的運用越來越多，給運維工作帶來及大的便利，但是成功的運用卻有著一定的運維架構要求并通過不斷地實踐。如果你想在公司嘗試或者想學習AIOps的基礎，本課程將會是你最佳選擇：
1. 不了解AIOps，卻想系統(tǒng)性學習AIOps
2. 有成功的DevOps企業(yè)運用，想更上一層樓
3. 有一定的自動化運維工具運用，想利用AIOps進一步提升工作效率
目標收益
1. 利用AIOps提升運維工作效率
2. 了解AIOps能給企業(yè)帶來什么價值
3. 復雜場景下異?？焖贆z測方法
4. 大規(guī)模下事件的預測方法
培訓對象
具有一定的運維經(jīng)驗，devops經(jīng)驗，有一定的python基礎，自動化運維概念，DevOps的運用，監(jiān)控知識，數(shù)據(jù)計算
課程大綱
| 人工智能介紹（1h） |
1.1 什么是人工智能 1.2 人工智能的歷史與發(fā)展 1.3 人工智能應用領域 1.4 人工智能應用案例 |
| AIOPS發(fā)展現(xiàn)狀 （1h） |
2.1 運維的快速發(fā)展 2.2 AIOps簡介 2.3 AIOps目標 2.4 AIOps知識體系 2.5 AIOps 案例 |
| AIOPS行業(yè)趨勢（1h） |
3.1 AIOps市場規(guī)模 3.2 AIOps企業(yè)特征 3.3 AIOps未來發(fā)展趨勢 |
| 自動化運維概述（1h） |
4.1 什么是自動化運維 4.2 自動化運維架構解析 4.3 自動化運維與AIOps的銜接點 4.4 如何從自動化運維往AIOps上發(fā)展 |
| 運維數(shù)據(jù)模型（1h） |
5.1 指標及對象 5.2 指標體系 5.3 數(shù)據(jù)模型 5.4 數(shù)據(jù)采集 5.5 數(shù)據(jù)存儲 |
| AI下運維場景介紹（1h） |
6.1 異常檢測 6.2 故障定位 6.3 性能優(yōu)化與擴容 6.4 風險預測 |
| 常見算法講解（2h） |
6.1 有監(jiān)督算法 決策樹、貝葉斯、線性回歸/邏輯回歸、隨機森林 6.2 無監(jiān)督算法 關聯(lián)規(guī)則、聚類 6.3 時序算法 ARIMA、hot-wingers 6.4 NLP 文本檢索、深度學習 |
| 案例：數(shù)據(jù)異常檢測（1h） |
7.1 異常檢測方法 7.2 異常檢測算法對比 7.3 異常檢測案例講解 |
| 案例：故障診斷與分析（1h） |
8.1 數(shù)據(jù)標準 8.2 全鏈路跟蹤 8.3 監(jiān)控、日志、鏈路等全數(shù)據(jù)融合 8.4 業(yè)務關聯(lián)模型 8.5 算法診斷的案例 |
| 案例：趨勢預測案例（1h） |
9.1 ARIMA 參數(shù) 9.2 ARIMA 模型 9.3 磁盤空間預測（事件型） |
| 學員探討落地（1h） | QA與討論落地方案 |
|
人工智能介紹（1h） 1.1 什么是人工智能 1.2 人工智能的歷史與發(fā)展 1.3 人工智能應用領域 1.4 人工智能應用案例 |
|
AIOPS發(fā)展現(xiàn)狀 （1h） 2.1 運維的快速發(fā)展 2.2 AIOps簡介 2.3 AIOps目標 2.4 AIOps知識體系 2.5 AIOps 案例 |
|
AIOPS行業(yè)趨勢（1h） 3.1 AIOps市場規(guī)模 3.2 AIOps企業(yè)特征 3.3 AIOps未來發(fā)展趨勢 |
|
自動化運維概述（1h） 4.1 什么是自動化運維 4.2 自動化運維架構解析 4.3 自動化運維與AIOps的銜接點 4.4 如何從自動化運維往AIOps上發(fā)展 |
|
運維數(shù)據(jù)模型（1h） 5.1 指標及對象 5.2 指標體系 5.3 數(shù)據(jù)模型 5.4 數(shù)據(jù)采集 5.5 數(shù)據(jù)存儲 |
|
AI下運維場景介紹（1h） 6.1 異常檢測 6.2 故障定位 6.3 性能優(yōu)化與擴容 6.4 風險預測 |
|
常見算法講解（2h） 6.1 有監(jiān)督算法 決策樹、貝葉斯、線性回歸/邏輯回歸、隨機森林 6.2 無監(jiān)督算法 關聯(lián)規(guī)則、聚類 6.3 時序算法 ARIMA、hot-wingers 6.4 NLP 文本檢索、深度學習 |
|
案例：數(shù)據(jù)異常檢測（1h） 7.1 異常檢測方法 7.2 異常檢測算法對比 7.3 異常檢測案例講解 |
|
案例：故障診斷與分析（1h） 8.1 數(shù)據(jù)標準 8.2 全鏈路跟蹤 8.3 監(jiān)控、日志、鏈路等全數(shù)據(jù)融合 8.4 業(yè)務關聯(lián)模型 8.5 算法診斷的案例 |
|
案例：趨勢預測案例（1h） 9.1 ARIMA 參數(shù) 9.2 ARIMA 模型 9.3 磁盤空間預測（事件型） |
|
學員探討落地（1h） QA與討論落地方案 |
近期公開課推薦
