各位 MATLABer 们，继上海之后，北京也已经恢复了线下现场课程。在7月份，我们安排了 MATLAB 和 Simulink 系列课程，其中 MATLAB 方面是机器学习主题的，课程包括《MATLAB 基础》《使用MATLAB 进行机器学习》《使用 MATLAB 进行深度学习》，需要快速上手机器学习领域的同学要抓紧机会报名啦！而 Simulink 方面是基于模型的设计（Model Based Design，MBD）系列课程，《Simulink 基础》《使用 System Composer 进行架构设计》《Stateflow 逻辑驱动系统建模》《Simulink 模型管理和架构》，想要入门和尝试 MBD 进行系统建模和仿真的小伙伴可不要错过哟！七月的公开课程全部采用线下培训的形式，届时您可以在 MathWorks 上海或北京办公室现场感受原汁原味的 MathWorks 文化，使用统一提供的 MATLAB 软件和教材，与培训工程师和技术专家当面交流。小班授课，机会宝贵，坐席有限，先到先得，报名从速！本课程针对零基础或者刚开始使用 MATLAB 的同学，从软件界面的组成开始，熟悉 MATLAB 中的操作变量、命令、脚本、函数、画图、筛选和组织数据、分析数据等功能。
用户界面，包括导入数据、画图、导出绘图等
变量和命令，学习创建变量、画图，创建可重复运行的脚本文件等
向量、矩阵的分析，完成基本的数据操作，进行数学运算、统计分析，以及可视化
Table 类型介绍
使用逻辑条件筛选数据
组织数据，包括表间Join及其他常用数据类型介绍
分析数据，讲解数据分析的一般流程，从归一化、缺失值开始，到平滑、回归、画图等
使用条件分支、循环等程序结构，以编写更加复杂的程序逻辑
使用函数封装代码，模块化划分代码和变量的工作空间，并介绍断点和调试
使用 MATLAB 进行机器学习（北京）7月11-12日
本课程主要涉及MATLAB中的统计和机器学习工具箱，以及深度学习工具箱，使用非监督学习发现数据集的特点，使用监督学习建立预测模型，并了解如何呈现和评估结果。- 数据预处理，包括数据导入，数据类型介绍，以及缺失值处理等
- 使用降维和聚类等非监督学习的方法，发现数据的内在存规律，并对结果进行评估
- 使用监督学习的方法建立分类模型，包括监督学习的基本流程，以及常用的分类模型
- 监督学习模型的调优技术：交叉验证、超参数、特征选择、集成学习等
- 连续变量的回归模型，包括参数化的线性回归或者非参数的SVM、决策树等，以及模型正则化等
- 神经网络，包括自组织映射神经网络（SOM）处理高维数据，前馈神经网络进行分类和回归等
使用 MATLAB 进行深度学习（北京）7月13-14日
本课程全面介绍使用MATLAB进行深度学习，从创建、训练、评估不同类型的深度神经网络，包括卷积神经网络，长短期记忆网络等，到定制神经网络结构、调整训练选项优化效率等，还包括使用GPU加速训练过程。课程使用的工具箱有深度学习工具箱、统计和机器学习工具箱、图像处理工具箱以及计算机视觉系统工具箱等。- 针对图像分类任务，基于预训练网络进行迁移学习，定制其分类层，使用数据集训练和评估模型
- 解读和理解神经网络模型，包括特征激活图，使用遮挡贴图找到影响决策的图像区域，提取特征
- 从头开始创建卷积网络，理解网络层间信息传递过程，理解神经元和不同类型的层的工作方式
- 理解训练和验证过程，以及学习率、损失函数、mini batch 等概念
- 提升模型训练的效果，包括超参数调整，数据归一化，数据增强（augmentation）等
- 以图像色彩平衡的回归为例，在预训练的分类网络上修改输出层，实现回归任务并进行评估
- 以物体识别为例，讲解深度学习在图像领域中应用的一般流程
- 使用长短期记忆网络（LSTM）对序列数据进行分类和预测，学习LSTM的原理、结构、调优等
预训练模型的层结构，迁移学习时只要重新训练分类和输出的部分即可序列分类模型，判断输入的是简·奥斯汀还是查尔斯·狄更斯的作品本课程是Simulink 基础课程，从零开始使用 Simulink 模块创建系统模型，课程中对连续时间系统、离散时间系统、混合系统都有所涉及，对于创建好的系统模型，使用模型求解器仿真系统模型的动态特性和响应，调整求解器参数以兼顾仿真速度和仿真准确性，对于更加复杂的模型，可使用子系统、库、模型引用等方式创建和使用可重用的模型组件。- 创建模型并进行仿真，以电位计为例，完成建模到仿真的全过程
- 逻辑运算建模，对信号进行比较和逻辑判断，使用 MATLAB 函数建模，对比模型结果
- 离散时间系统建模，使用离散时间传递函数或状态空间对 PI 控制器系统建模
- 连续时间系统建模，使用连续时间传递函数或状态空间对节气门电控系统建模，并加入物理约束
- 理解求解器的行为，根据系统动态特性、连续性，选择合适的求解器，并分析求解性能表现
- 使用子系统封装常用模块，可以添加触发或使能条件控制，可用于验证输入信号
- 使用模型引用进行团队分工，理解工作流程，仿真模式，工作空间，检查依赖关系
使用 Profiler 观察模型求解过程中的性能表现和关键节点，便于发现异常情况、优化模型使用 System Composer 进行架构设计（北京）7月21日
本课程是基于模型的设计（Model Based Design，MBD）的基础课程，使用MBD的方式在研发早期制定模型架构，合理分配人力并提高沟通效率，可以提高整个团队创建模型、模型修改的工作效率，以及从需求到实现的可追溯性，对于整个产品从设计到开发过程都有所助益。- 基于模型的设计简介，了解 System Composer 和 MBD 在代码生成和模型可追溯性方面的优势
- 使用 Simulink Requirements 捕获需求，编写清晰的需求说明并划分层次关系，需求的模型链接
- 了解和对比三种主要的系统架构类型，创建逻辑系统架构，定义组件之间的接口，模型链接
- 物理系统架构，定义组件的物理接口，暂未决定的硬件组件可定义多种变体
- 捕获和分析系统属性，创建侧写（profile）和构造型（stereotype），以对比模型不同方案成本等
- 增强架构的可追溯性，如定制视图中高亮显示的组件，使用序列图，使用追溯矩阵等
在视图中聚焦显示 RadarDSP1 以及和它直接连接的组件创建侧写和构造型，以便汇总统计非功能属性，进而对比不同侧写
Stateflow 逻辑驱动系统建模（上海）7月25-26日
本课程介绍 Stateflow 的使用，以有限状态机的方式，实现复杂决策流程，使模型中逻辑判断的部分清晰易读，也便于后续需求调整和功能扩展。- 流程图建模，包括状态、转移条件、输入输出，常用的条件判断、循环结构的示例图等
- 状态机建模，状态动作和转移动作，状态图初始化，动作执行顺序，状态中的流程图等
- 使用分层状态机改善状态机设计的逻辑清晰度，其中的子状态也可以恢复到上次进入时的状态
- 使用并行状态机，可以在一个状态中执行多个子状态机，避免实现重复的状态转移逻辑
- 状态机中的事件，可以进行广播并影响状态机、触发子系统或 Simulink 函数的运行
- 在 Stateflow 中创建 Simulink 函数、MATLAB 函数或流程图函数
- 把 Stateflow 作为组件进行复用，以及在原子子图中映射父级图的符号
Simulink 模型管理和架构（上海）7月27-28日
本课程介绍如何在传统设计流程中使用基于模型的设计思路，从需求、子模型、工程、数据、性能、合规等角度进行管理，以便在大型项目中使用 Simulink 建模更加方便、高效和可靠。- 划分模型架构不同方法的对比，比如子系统，模型引用，模型变体等
- 工程管理，组织模型、数据、文档等文件，进行版本控制，管理依赖、引用、配置等
- 数据管理，检查和管理 Simulink 模型的数据及其依赖性
- 模型扩展性，使用数据字典、数据分区、配置集合、项目引用等方式组织大型项目
- 模型性能，提高仿真性能，使用 Profiler 和性能顾问分析仿真性能
- 检查模型是否符合预定义的标准规范，设置检查范围，运行检查并查看报告，以及创建模板
- 生成报告，包括可交互的网页报告，也可以生成标准的系统设计描述报告，深度定制的报告等
◆ ◆
◆ ◆
欲了解详细课程大纲并注册感兴趣的课程，请点击下方“阅读原文”，在我们系统里完成注册并及时付款：
1) 线下现场上课地点：北京在望京东，上海在世纪大道。2) 标准课时：每天7小时，9点到5点含一小时午饭/午休时间。
如您有任何疑惑或有兴趣进一步了解，请随时联系我们：
