为您找到287个相关课程
展开简介
收益目标：1、了解多中心多活的部署架构。 2、多中心多活适合于怎样的业务模式。 3、实施多中心多活需要克服的问题。
适应人群：暂无
关键词：
收益目标：《架构思维：架构之道即虚实结合之道》 1.帮助学员对软件架构有全面立体的了解，提升对架构设计进行系统性思考的能力，避免在做技术方案设计只关注于局部细节问题，有失偏颇 2.掌握基本的架构思维和架构原则，以及常用的架构模式，能够根据特定的场景和问题进行合理的架构设计，防止过度设计的同时，还能保持架构可以持续演进 3.处理好架构设计和领域设计的关系，即能分离关注点区别对待，又能考虑其交互和制约的关系 4.掌握常用的架构的可视化方法和架构文档的编写方法，化虚为实，方便和不同干系人沟通协作 《架构腐化：架构怎么变得整洁与高可用》 学员在掌握真正高可用架构的思维和实战方法的同时，更能清晰的知道一个架构从高可用到不可用的路径上都发生了什么，以及如何防范，如何防腐，最后还可以洞悉当前一线大厂的真实案例。 《工程实践：缓存和数据库使用场景及问题》 （1）缓存的各种模式与常见经典问题： 本地缓存与集中缓存，缓存穿透，缓存雪崩、缓存与DB的数据一致性 （2）DB的分库分表问题：何时应该分库分表，分库分表遇到的各种问题 （3）分布式事务的各种解决方案：2PC，TCC，1PC，最终一致性，事务补偿，回滚 （4）数据库的高可用、强一致：Mysql的3种复制方式的问题，主从切换面对的问题，paxos/raft算法在业界的应用 《架构发展：Docker与K8s使用场景及问题》 1.对容器生态圈有一个较为全面概括的认识 2.洞悉企业从Docker镜像构建到用Kubernetes交付应用的全流程 3.掌握Docker与Kubernetes是什么、能解决哪些问题 4.掌握Docker与Kubernetes常见的命令、常见用法、常见操作 5.积累一线大厂的容器应用交付相关的经验，既能对理论有所了解，又能沉淀相关的实操经验
适应人群：1\需要在面对任何业务场景都能给出优雅的架构设计方案的架构师 2\需要培养「以不变应万变」的架构设计能力，用架构设计达到降本增效技术负责人 3\对技术广度、深度有更高追求，需要亲手带领团队引入新工具的核心开发工程师
关键词：其他，架构师
收益目标：暂无
关键词：其他，数据架构
收益目标：通过学习本次课程，学员将学习到以下内容： - 前端基础核心知识 - React核心知识 - React进阶知识，原理，最佳实践等 - React项目搭建实战
关键词：互联网，其他，前端
收益目标：1、提供大语言模型知识体系，帮助学员全面了解中外前沿科技、方法工具和业内最佳实践； 2、通过全过程案例讲解，使学员全面掌握大模型的原理和基于大模型驱动的企业级应用架构设计，在边做边学中增强其解决实际问题的能力； 3、对学员的实际项目进行咨询指导，帮助单位完善数字化人才梯队培养，助力企业融入AI浪潮； 4、为学员课后答疑和持续学习提供网站资源，帮助其掌握数字时代学习新理念，提升其自学的意愿和能力。
适应人群：希望掌握大模型底层原理、底层架构、提示词工程的软件开发人员、售前工程师、在咨询顾问及业务人员
关键词：其他，企业级
收益目标：将系统性方法论层层解构，易于吸收和理解 讲授真实相关行业案例，有细节、有真相 现场互动和情景演练，把知识变成能力和应用
适应人群：企业一号位、业务负责人、产品型管理者、产品经理、技术骨干等
关键词：互联网，产品创新，产品规划，创新
适应人群：各类软件企业和研发中心的程序员、软件设计师、架构师, 项目经理,测试工程师，质量部门员工。对智能辅助编程技术感兴趣的技术管理者或需要使用该技术的工程师。特别强烈建议公司管理者可以参加部分课程。这样有助于在公司推广应用。
关键词：其他，需求分析，软件设计，工程师，研发效能
收益目标：1. SRE体系构建：掌握SRE核心框架与Google实践（错误预算、50%研发时间原则），推动团队工程化转型。 2. 自动化与稳定性:实现运维标准化；通过SLO管理及混沌工程提升系统容错性。 3. 数据驱动运维:构建可观测性体系，结合LLM实现智能诊断与自愈，故障恢复时间缩短80%。 4. 组织与文化落地:建立无责难复盘机制，推动开发运维融合（如开发参与On-Call），设计SRE团队模型。 5. 混沌工程：主动注入故障（如网络隔离），验证系统韧性。 6. 容量规划：基于负载预测的动态资源伸缩，资源利用率提升30%。 7. 团队模型：基础架构/工具/业务SRE分层协作，业务方参与SLO制定。
适应人群：* 企业类型：主要面向互联网企业，以及有意引入 SRE 团队模式，实现运维体系转型升级的传统企业。 * 技术岗位：适合运维工程师、运维研发人员、SRE 工程师、软件研发人员、技术经理、架构师等技术岗位人员参与学习。
关键词：互联网，运维，转型，工程化，数字化转型，大模型
收益目标：掌握数据分析与数据工程的关键流程，构建标准化数据管道 熟悉主流机器学习与深度学习模型，掌握建模方法与评估技术 能够应用自然语言处理与推荐系统技术解决实际业务问题 理解大语言模型（LLM）、知识图谱、智能体的技术原理与实践方法 提升AI在数据挖掘、报表自动化、智能问答、增强分析等场景的应用能力 具备数据治理与数据安全意识，构建可持续、高质量的数据智能体系
适应人群：数据分析师、数据工程师、机器学习工程师 AI产品经理、算法产品设计师 企业数字化、智能化转型的IT与运营负责人
关键词：其他，人工智能，机器学习，转型，知识图谱，深度学习，推荐系统，大模型，RAG
关键词：互联网，用户体验，运维
收益目标：- 让学员掌握从真实场景需求出发，进行 AI 模型和工程架构优化的方法论和快速落地实践 - 深入理解 AI Agent 开发范式，包括经典推理模式落地，评估数据飞轮建设等 - 深入理解 AI 大小模型训练、微调、调参调试的技巧，能够针对 xx 场景（如工业、零售、医疗、互联网等）中的各种问题（如数据偏差、过拟合、模型性能不足等）进行有效的模型优化 - 学会设计适合具体业务场景的 AI 应用架构，包括 Agent 大脑、工具系统、评测系统、环境/沙箱和数据飞轮等关键组件，并了解架构从单 Agent 到多 Agent 的演进过程 - 了解最先进前沿的自进化自迭代智能体，基于 ICL 等技术实现自演化架构
关键词：其他，变革，工程化，大模型
收益目标： -分析业界公司在需求管理和需求开发过程中的误区，并分享成功经验； - 站在“项目交付价值”的全新角度了解在需求开发和需求分析的过程、以及在这个过程中各种技术和方法论的使用特点； - 理解需求捕捉时的主要方法：用户故事、业务概念分析、最小原型法； - 理解需求分析/需求建模的主流方法：User Story 用户故事、UseCase用户用例、数据流图、有限状态集图、实体/关系图……； - 理解非功能性的分类、示例以及如何获取的方法； - 掌握规格化需求时的注意事项与模板示例； - 了解需求评审时的3种常用的方法：正规检视、同行专家评审与走查； - 了解需求变更控制的流程、要素与注意
适应人群：需求分析人员（含业务分析人员）、高级设计人与开发员、高级测试工程师
关键词：互联网，电商，电信，需求分析，工程师
活动详情
To Be Better
注册或 找回密码?
