课程简介
随着DevOps的普及以及AIOps运用案例成熟，算法在工具的运用越来越多，给运维工作带来及大的便利，但是成功的运用却有着一定的运维架构要求并通过不断地实践。如果你想在公司尝试或者想学习AIOps的基础，本课程将会是你最佳选择：
1. 不了解AIOps，却想系统性学习AIOps
2. 有成功的DevOps企业运用，想更上一层楼
3. 有一定的自动化运维工具运用，想利用AIOps进一步提升工作效率
目标收益
1. 利用AIOps提升运维工作效率
2. 了解AIOps能给企业带来什么价值
3. 复杂场景下异常快速检测方法
4. 大规模下事件的预测方法
培训对象
具有一定的运维经验，devops经验，有一定的python基础，自动化运维概念，DevOps的运用，监控知识，数据计算
课程大纲
| 人工智能介绍（1h） |
1.1 什么是人工智能 1.2 人工智能的历史与发展 1.3 人工智能应用领域 1.4 人工智能应用案例 |
| AIOPS发展现状 （1h） |
2.1 运维的快速发展 2.2 AIOps简介 2.3 AIOps目标 2.4 AIOps知识体系 2.5 AIOps 案例 |
| AIOPS行业趋势（1h） |
3.1 AIOps市场规模 3.2 AIOps企业特征 3.3 AIOps未来发展趋势 |
| 自动化运维概述（1h） |
4.1 什么是自动化运维 4.2 自动化运维架构解析 4.3 自动化运维与AIOps的衔接点 4.4 如何从自动化运维往AIOps上发展 |
| 运维数据模型（1h） |
5.1 指标及对象 5.2 指标体系 5.3 数据模型 5.4 数据采集 5.5 数据存储 |
| AI下运维场景介绍（1h） |
6.1 异常检测 6.2 故障定位 6.3 性能优化与扩容 6.4 风险预测 |
| 常见算法讲解（2h） |
6.1 有监督算法 决策树、贝叶斯、线性回归/逻辑回归、随机森林 6.2 无监督算法 关联规则、聚类 6.3 时序算法 ARIMA、hot-wingers 6.4 NLP 文本检索、深度学习 |
| 案例：数据异常检测（1h） |
7.1 异常检测方法 7.2 异常检测算法对比 7.3 异常检测案例讲解 |
| 案例：故障诊断与分析（1h） |
8.1 数据标准 8.2 全链路跟踪 8.3 监控、日志、链路等全数据融合 8.4 业务关联模型 8.5 算法诊断的案例 |
| 案例：趋势预测案例（1h） |
9.1 ARIMA 参数 9.2 ARIMA 模型 9.3 磁盘空间预测（事件型） |
| 学员探讨落地（1h） | QA与讨论落地方案 |
|
人工智能介绍（1h） 1.1 什么是人工智能 1.2 人工智能的历史与发展 1.3 人工智能应用领域 1.4 人工智能应用案例 |
|
AIOPS发展现状 （1h） 2.1 运维的快速发展 2.2 AIOps简介 2.3 AIOps目标 2.4 AIOps知识体系 2.5 AIOps 案例 |
|
AIOPS行业趋势（1h） 3.1 AIOps市场规模 3.2 AIOps企业特征 3.3 AIOps未来发展趋势 |
|
自动化运维概述（1h） 4.1 什么是自动化运维 4.2 自动化运维架构解析 4.3 自动化运维与AIOps的衔接点 4.4 如何从自动化运维往AIOps上发展 |
|
运维数据模型（1h） 5.1 指标及对象 5.2 指标体系 5.3 数据模型 5.4 数据采集 5.5 数据存储 |
|
AI下运维场景介绍（1h） 6.1 异常检测 6.2 故障定位 6.3 性能优化与扩容 6.4 风险预测 |
|
常见算法讲解（2h） 6.1 有监督算法 决策树、贝叶斯、线性回归/逻辑回归、随机森林 6.2 无监督算法 关联规则、聚类 6.3 时序算法 ARIMA、hot-wingers 6.4 NLP 文本检索、深度学习 |
|
案例：数据异常检测（1h） 7.1 异常检测方法 7.2 异常检测算法对比 7.3 异常检测案例讲解 |
|
案例：故障诊断与分析（1h） 8.1 数据标准 8.2 全链路跟踪 8.3 监控、日志、链路等全数据融合 8.4 业务关联模型 8.5 算法诊断的案例 |
|
案例：趋势预测案例（1h） 9.1 ARIMA 参数 9.2 ARIMA 模型 9.3 磁盘空间预测（事件型） |
|
学员探讨落地（1h） QA与讨论落地方案 |
近期公开课推荐