智能运维需懂哪些学科技术，想学习人工智能方面的我需要越好哪些科目

1，想学习人工智能方面的我需要越好哪些科目

哲学和认知科学,数学,神经生理学,心理学,计算机科学,信息论,控制论,不定性论,仿生学等等......我也喜欢这方面...高三毕业,选了自动化专业

想学习人工智能方面的我需要越好哪些科目

2，Python运维需要哪些技术

随着人工智能时代呼声渐起，Python凭借其入门简单、应用广泛的优势成为很多想要入行互联网行业的人们的首选编程语言。如果你想学一门语言，可以从语言的适用性、学习的难易程度、企业主的要求几个方面考虑。从这几个角度看，学习Python都没有什么可挑剔的。如果你想要专业的学习Python开发，更多需要的是付出时间和精力，一般在2w左右，时间在4-6个左右。可以根据自己的实际需求去实地看一下，先好好试听之后，再选择适合自己的。只要努力学到真东西，前途自然不会差。

我更喜欢用“系统管理”来形容“运维”这项工作。运维听起来是偏执行的一项工作。python在系统管理上的优势在与强大的开发能力和完整的工具链。python的工程开发能力强大，远强于各种shell和perl。易读易写，兼具面向对象和函数式风格，还有不错元编程能力。通过系统化的将各种管理工具结合，对上述的各类工具进行二次开发，形成统一的服务器管理系统。和python类似的ruby也很适合编写系统管理软件，但是在相关库和工具上，比python差太多。举个栗子：某牛人，精通 bash,python,perl,ruby ,在工作中写了数百个单一功能的脚本（任何语言）来进行日常操作，涵盖了监控，部署，网络配置，日志分析，安全检测等等许许多多的方面，无所不包。他所作的，只是操作，并没有把系统管理这项工作做好。再多的脚本，也只是把“操作”这个行为做到极致。写再多的脚本，也不能转化为公司在系统管理上的宝贵资产。让系统易于管理，是一个工程。只有像puppet(ruby)，saltstack(python) 这样的自动化管理工具，才能完整的描述整个系统，并且让系统管理的方方面面纳入统一的体系，而不是一堆脚本。python在服务器管理工具上非常丰富，配置管理(saltstack) 批量执行( fabric, saltstack) 监控(zenoss, nagios 插件) 虚拟化管理( python-libvirt) 进程管理 (supervisor) 云计算(openstack) ...... 还有大部分系统c库都有python绑定。对于流程确定的事情，最终一定是纳入系统管理的体系，写成程序，成为系统的一部分。而不是无法复用游离与整体的各种脚本。随着云计算时代的来临，中小型公司，不需要运维了。大型公司，没有工程开发能力的运维，是没有竞争力的。

Python运维需要哪些技术

3，智能运维适合哪些场景都涉及那些领域

智能运维在企业服务领域的很多客户都是银行企业，一个是因为银行的用户数据量大，相关程序使用频率极高，另外就是涉及到资金问题，所以一点小问题都出不得，因此智能运维很有必要。目前金融类客户做得多的，像擎创科技之类的智能运维厂商也慢慢开始起来了，愿意购买的客户群体也逐渐庞大。除了金融行业以外，我觉得大型能源、制造行业会是智能运维的下一个场景提供和买单方。总体来说这条赛道现在已经开始慢慢热起来了，如果是要做投融资的话，我觉得可以关注一下。

秒杀及免费券活动，在活动开始的时候，访问量是呈直线式的飙升，瞬时的峰值访问量通常会是平时的好几十倍，而每一次请求都会透过运维的负载均衡系统到后端的各业务系统，对负载均衡系统的稳定性有着非常高的要求，所以在架构上要做到高可用性和可扩展性。在管理上要做到灵活性。对业务又要做到容错性。首先是容量预估。先通过获取预期的销量数据，再根据以往的经验及公司推广的力度做相应的容量预判。然后是做风险预估及预案，对各核心系统及外部资源都要做好相应的风险控制。最后就是通过灾演去真实还原各种可能存在的风险，验证整个系统架构的可用性。对于运维系统而言，一是要有非常直观的监控系统，便于在第一时间去定位问题、分析问题，二是要有非常灵活的自动化系统，便于在问题发生时进行快速处理。大促前，通常会提前10天完成线上扩容，通过这个周期去观察新资源的稳定性，接下来就要做真实的线上灾演，灾演包括各个系统的故障模拟和风险预案，故障模拟会真实地去模拟线上故障来验证整个运维系统架构的高可用性和容错性，同时在处理问题的过程中，通过灾演提高运维团队的响应速度以及和其他兄弟团队的配合度，以保证问题处理时的有序性。风险预案主要就是要确保一切备用方案在启用时的正确性。只有真正的去验证过，在遇到问题时，大家才有信心去操作。大促时的问题处理基本就是遵循灾演流程，让问题快速消化掉，同时随时要做好快速扩容的准备为各业务线系统提供稳定的保障。工作中，难免都会遇到这样的情况，在临时解决后，会对问题进行划分，如果是风险较高的问题，会放到之后的灾演中，如果是周期性的，会考虑做成平台功能，自动处理。如果是必须人工化的，就会做成sop。刚从技术转向管理时，前期还是习惯性的冲到第一线，去攻坚和解决技术难题，后来在意识到这个问题后，才将更多的精力投入在人才的培养上面，在保证质量及稳定的前提下，只做方向上的把控，让大家真正放手去做，通过这样的方式迫使大家在短时间都迅速的成长了起来。注重团队氛围的建设，鼓励创新，鼓励大家把自己真实想法提出来，通过讨论确定阶段性目标，让大家都真正参与进来，为共同的目标奋进，在这种轻松平等的环境下，团队的创造性及积极性也有所保证。新兴技术的兴起，确实会对传统的运维模式产生一些变化，所以对运维工程师的要求也会越来越高，运维工程师在工作中，会接触到不少的开源产品及新的技术，所以很多时候要站到一个更高的角度去看问题。而新技术的出现也会迫使大家去学习，去思考怎样将工作变得更有效率，更有价值。这个过程本身就是一个学习和积累的过程，在知识的积累上，最好是能做到深广结合，切勿浅尝则止。运维架构本身不会涉及具体的业务，所以应该会比较有共性，而如何在大流量、高并发的情况下，做好这一环节的支撑。

智能运维适合哪些场景都涉及那些领域