深度學習的歷史趨勢
迄今為止深度學習已經經歷了3次發展浪潮：
20世紀40年代到60年代，深度學習的雛形出現在控制論（cybernetics）中；
20世紀80年代到90年代，深度學習表現為聯結主義（connectionism）；
直到2006年，才真正以深度學習之名復興。
初識幾個概念
自動從資料中學習出特徵與橙子型別的各種演算法，那麼這個模型的樣子就是你的規則庫。
深度學習處於人工智慧的哪個位置
認識深度學習
一、神經網路的基本單元——神經元
用數學模型模擬的人工神經元裡面處理的是所有樹突的訊號源及相關強的計算。
計算公式是這樣的：s = p1w1+p2w2+p3w3+b
二、神經網路的結構
三、深度學習的概念
深度神經網路（深度學習）是一種具備至少一個隱層的神經網路，即隱藏層的層數很多。
深度學習與傳統方法的區別
監督學習
深度學習中的監督式學習包括卷積神經網路、迴圈神經網路等。
非監督學習
深度學習中的非監督式學習包括確定型的自編碼器方法、基於概率型受限玻爾茲曼機的對比散度方法等。
深度學習常用的方法
- 自編碼器
- 卷積神經網路
- 迴圈神經網路
深度學習無監督式方法自編碼器
自編碼器可以作為一種特徵降維的方法。
當我們使用4個值表示四個類別的時候：
用4個值表示4個類別是不緊緻的，存在壓縮表示的可能性，比如2個值就可以表示這四個不同的數。
深度學習有監督式方法卷積神經網路
深度學習有監督方法卷積神經網路
深度學習有監督方法—迴圈神經網
迴圈神經網路的來源是為了刻畫一個序列當前的輸出與之前資訊的關係。從網路結構上，迴圈神經網路會記憶之前的資訊，並利用之前的資訊影響後面結點的輸出。即：迴圈神經網路的隱藏層之間的結點是有連線的，隱藏層的輸入不僅包括輸入層的輸出，還包括上一時刻隱藏層的輸出。
傅園慧說： “在澳洲訓練非常辛苦，我已經快死了，簡直是生不如死”。 從文字上來可能是憤怒的。 “鬼知道我經歷了什麼，我太累了”，雖然文字上是辛苦的，但是人臉表情、語音情緒不是，所以總結起來還是開心的。
介紹強化學、AIphaGo和遷移學習
強化學習
不學習，看電視—家長訓斥、捱打
好好學習—獎勵棒棒糖
AIphaGo
遷移學習
深度學習的多種應用場景
安防監控
智慧城市
醫療健康
智慧家居
深度學習在智慧運維中的應用方法
智慧運維的發展過程
KPI異常檢測演算法
使用自編碼器結合聚類演算法對KPI進行快速聚類
規律一致的模式
抖動劇烈的模式
異常的模式
運維中常見的KPI資料是一種時間序列資料，它具有資料例項多、維度高的特點。為了降低資料分析工作的開銷，提高分析效率，我們希望將海量的時序資料曲線分為若干類別，從而減少需要考察的曲線數目。
因此，需要對大規模 輔助KPI標註、輔助構建故障傳播鏈。
使用LSTM做KPI趨勢預測
寫在最後
近年來，在AIOps領域快速發展的背景下，IT工具、平臺能力、解決方案、AI場景及可用資料集的迫切需求在各行業迸發。基於此，雲智慧在2021年8月釋出了AIOps社群。
社群先後 開源 了資料視覺化編排平臺-FlyFish、運維管理平臺 OMP 、雲服務管理平臺-摩爾平臺、 Hours 演算法等產品。
視覺化編排平臺-FlyFish：
專案介紹：https://www.cloudwise.ai/flyFish.html
Github地址： https://github.com/CloudWise-OpenSource/FlyFish
Gitee地址： https://gitee.com/CloudWise/fly-fish
行業案例：https://www.bilibili.com/video/BV1z44y1n77Y/
部分大屏案例：
