1. 初级学习目标 

（参考资料：《AIOps企业实践白皮书》）

1.1 了解AIOps的基本概念及应用场景；

• 故障治理，包括故障检测、故障定位、故障自愈和故障预测等；
• 效率提升，包括智能变更、智能问答、智能决策、容量预测等；
• 成本管理，包括成本优化、资源优化、容量规划、性能优化等；

1.2. 掌握Python语言及数据分析能力支持（Python机器学习基础教程）

• 使用Python实现矩阵运算的demo；
• 运行一个或多个Python版机器学习算法库；

1.3 熟练使用常规的大数据分析技术或工具，跑通常见示例；

• 数据采集工具，filebeat，logstash，flume等之一
• 数据清洗与特征工程，PCA、相关性分析等
• 数据存储工具，Elasticsearch（推荐），HBase，Prometheus（推荐）、kafka（推荐）、Druid等之一
• 数据实时处理与批处理工具，Spark、Storm、flink等之一
• 数据可视化，echart，grafana等之一
• 机器学习工具，spark mllib, tensorflow等之一

1.4 熟悉并跑通常规的统计方法与机器学习算法:

        如3-Sigma，T分布，聚类算法、分类算法、关联分析等，其中聚类、分类、关联分析等算法可以运行在分布式平台上。

2. 中级学习目标 

（（《智能运维：从0搭建大规模分布式AIOps系统》）、《机器学习》（周志华 著））

2.1 理解运维智能化的意义与价值；

2.2 熟悉至少一种开源的AIOps框架，如腾讯织云、宜信UAVStack、yahoo egads， twitter AnomalyDetection, Netflix Surus等；

2.3 基于机器学习算法的AIOps模型构建；

• 时序异常检测模型；
• 事件关联分析；
• 事件根因定位；
• 时序预测模型；
• 基于深度学习的预测模型；

2.4掌握算法开发与调优能力：

• 编程实现主要算法，如统计分析、聚类分析、分类分析等；
• 针对特定场景，能够对算法模型进行训练和调优；

2.5 掌握常用的模型评估技术：

• 能够使用precision、recall，f-measure，ROC曲线、AUC曲线等对算法分析结果进行评估；
• 结合评估结果实现算法自动调优