1、可观测性:现代软件系统的关键解决方案

可观测性:现代软件系统的关键解决方案

在当今的软件开发生态中,可观测性已成为一个热门话题,吸引了众多开发者和管理者的关注。然而,随着其热度的上升,人们对可观测性的理解也容易产生偏差。本文将深入探讨可观测性的定义、起源、在软件系统中的应用以及其重要性。

可观测性的数学定义

“可观测性”这一术语由工程师鲁道夫·E·卡尔曼(Rudolf E. Kálmán)在1960年提出。在控制理论中,可观测性被定义为一种衡量系统内部状态可从其外部输出推断的程度的指标。具体来说,它是研究可观测性和可控性作为数学对偶,结合传感器、线性代数方程和形式化方法的领域。传统的可观测性定义主要适用于机械工程师和管理具有特定最终状态的物理系统的人员。

领域 可观测性定义
控制理论 衡量系统内部状态可从外部输出推断的程度
机械工程 用于管理具有特定最终状态的物理系统
可观测性在软件系统中的应用

将可观测性应用于现代软件系统时,需要考虑软件工程领域的特定因素。一个具有可观测性的软件系统应满足以下条件:
1. 能够理解应用程序的内部工作原理。
2. 能够理解应用程序可能进入的任何系统状态。
3. 仅通过外部工具的观察就能理解上述内容。
4. 无论状态多么极端或异常,都能理解该状态。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值