Grundlagen der MATLAB-Programmierung Schulung

Modul 1: MATLAB-Umgebung, Workflows und Datenfundamente

Vermittlung der Beherrschung des MATLAB-Entwicklungsumfelds, einschließlich Desktop- und Cloud-Workflows, grundlegender Datentypen, Datei-Ein- und -Ausgabe sowie Datemanagementstrategien, die die Basis für alle fortgeschrittenen Aufgaben des technischen Rechnens bilden.

1.1 Das MATLAB-Ökosystem: Desktop, Online und Drive

• Arbeit mit der MATLAB-Desktop-Umgebung: Befehlsfenster, Editor, Arbeitsbereich, Aktueller Ordner und Befehlshistorie
• MATLAB Online: cloudbasierte Entwicklung, MATLAB Drive-Kollaboration und geräteübergreifender Zugriff
• Verwaltung des Arbeitsbereichs, Suchpfade und Umgebungskonfiguration
• Tastenkürzel, Profile und Anpassung der Entwicklungsumgebung für effizientes Arbeiten im Ingenieurwesen

1.2 Datentypen und mathematische Grundlagen

• Literale, Variablen, Namenskonventionen und Zuweisung in MATLAB
• Skalare, Vektoren, Matrizen und mehrdimensionale Arrays: Erstellung, Indizierung und Manipulation
• Konstanten, Operatoren und integrierte mathematische Funktionen
• Array- vs. Matrizenoperationen: elementweise vs. lineare Algebra
• Logische Indizierung, relationale Operatoren und logische Arrays für fortgeschrittenes Filtern
• Cell-Arrays, Strukturen (Structs) und Handle-Objekte für komplexe Datenorganisation
• Tables und Timetables: das moderne tabellarische Datenparadigma von MATLAB für Zeitreihen und experimentelle Daten

1.3 Datei-Ein- und -Ausgabe sowie Dateninteroperabilität

• Importieren und Exportieren von CSV-, TXT- und durch Trennzeichen getrennten Textdateien
• Arbeiten mit Excel-Tabellen: Lese-, Schreib- und Formatierungsvorgänge
• MAT-native Dateiformate (.mat) und Persistenz des Arbeitsbereichs
• Import-Assistent und automatische Generierung von Datenimport-Skripten
• Datenbankverbindungen: Anbindung an SQL Server, Oracle, PostgreSQL und Cloud-Datenbanken
• Webdaten: Abrufen von JSON-, XML- und REST-API-Antworten in MATLAB

Marktrelevante Kompetenzen: MATLAB-Entwicklungsumgebung, MATLAB-Online-Workflow, MATLAB Drive-Kollaboration, Numerisches Datenmanagement, Grundlagen des wissenschaftlichen Rechnens, Technisches Datenimport und -export, CSV- und Excel-Datenbearbeitung, Datenbankverbindungen, MATLAB Tables und Timetables, Strukturierte Datenorganisation, Grundlagen des mathematischen Rechnens, Engineering-Datenworkflows

Modul 2: MATLAB-Programmierung, Algorithmen und Code-Architektur

Vertiefung der Programmierfähigkeiten über die Grundlagen der Syntax hinaus, abgedeckt sind strukturierte Programmierung, objektorientierte MATLAB-Programmierung, Code-Organisation, Debugging, Leistungsprofilerstellung und Software-Engineering-Best-Practices für wartbare technische Codebasen.

2.1 Strukturierte Programmierung und Kontrollfluss

• Scripts vs. Funktionen: Wann was zu verwenden und Best Practices
• li>Bedingte Logik: if/else, switch/case und geschachtelte Bedingungen
• Schleifen: for, while und Optimierungstechniken (Vektorisierung vs. Iteration)
• Kontrollfluss in Unterfunktionen und geschachtelten Funktionen
• Fehlerbehandlung und Debugging-Techniken: try/catch, assert, dbstop und MATLAB Debugger

2.2 Funktionsprogrammierung und Code-Organisation

• li>Funktionserstellung, Eingangs-/Ausgangsargumente und Flexibilität durch varargin/varargout
• Anonyme Funktionen und Funktionshandles: funktionale Programmierung in MATLAB
• Unterfunktionen, lokale Funktionen und geschachtelte Funktionen
• Dateibasierte Organisation, Packages und Ordner-Level-Package-Management
• Call-by-Value vs. Call-by-Reference (Handle-Objekte)

2.3 Objektorientierte Programmierung in MATLAB

• Klassen: Definition von Eigenschaften, Methoden und Zugriffsebenen (public/private/protected)
• Handle-Klassen vs. Value-Klassen: Wertsemantik vs. Referenzsemantik
• Konstruktoren, Destruktoren und Verwaltung des Objekt-Lebenszyklus
• Vererbung, Method Override und abstrakte Klassen
• Schnittstellenimplementierung und Ereignisbehandlung in MATLAB-Klassen
• Statische Methoden, dynamische Eigenschaften und Validierung von Eigenschaften

2.4 Profilerstellung, Code-Qualität und Testen

• MATLAB Profiler: Identifizieren von Engpässen und Optimieren von rechenintensivem Code
• Code-Abdeckungsanalyse und MTest-Unit-Testing-Framework
• Integration von Versionsverwaltung: Git und SVN Workflow im MATLAB Editor
• Continuous Integration (CI/CD) Konzepte mit Jenkins und MATLAB CI Pipeline
• Warnungen der statischen Codeanalyse und Best Practices

Marktrelevante Kompetenzen: MATLAB-Programmierung und Scripting, Algorithmenentwicklung und Optimierung, Objektorientierte MATLAB-Programmierung, Funktionsbasierte Architektur, Vektorisierung und Leistungsoptimierung, MATLAB-Debugging und Fehlerbehandlung, Code-Profiling und Performance-Tuning, MATLAB Unit Testing (MTest), Code-Abdeckungsanalyse, Versionsverwaltung mit Git, Continuous Integration (CI/CD), Professionelle Code-Qualitätsstandards, Software-Engineering für technisches Rechnen

Modul 3: Datenvisualisierung, Berichterstellung und interaktive Apps

Deckt Plotting-Grundlagen bis hin zu fortgeschrittener Visualisierung ab, inklusive der Erstellung interaktiver Dashboards, GUI-Entwicklung mit App Designer, Live Scripts für reproduzierbare Berichte und automatisierte Berichterstellung für Ingenieurdokumentation.

3.1 Grundlegende und fortgeschrittene Plotting-Techniken

• 2D-Plots: Liniendiagramme, Streudiagramme, Balkendiagramme, Kreisdiagramme, Flächendiagramme und Fehlerbalken
• Mehrfachachsige Plotting: hold, subplot, tiledlayout und Achsenpositionierung
• 3D-Plots: surf, mesh, contour, slice und Volumenvisualisierung
• Anpassen von Plots: Titel, Beschriftungen, Legenden, Annotationen, Linienstile, Marker und Farben
• Farbverläufe (Colormaps), Farbbalken und wahrnehmungsgerechte Plots
• Exportieren hochauflösender Abbildungen für Publikationen: Formate (PNG, PDF, SVG, EMF)

3.2 Interaktive Visualisierung und Dashboards

• Figure-Anpassung mit UI-Steuerelementen: Schieberegler, Buttons, Dropdowns und Callbacks
• MATLAB App Designer: Erstellung interaktiver Desktop-Anwendungen mit Drag-and-Drop-UI-Komponenten
• Plots-Interaktionen: Zoom, Pan, Brushing und Selektions-Callbacks
• Web-Apps: Bereitstellen von MATLAB-Visualisierungen als online interaktive Dashboards

3.3 Live Scripts und automatisierte Berichterstellung

• MATLAB Live Script (.mlx): ausführbare Notebooks, die Code, Plots und formatierten Text kombinieren
• Markdown- und LaTeX-Unterstützung in Live Scripts für mathematische Gleichungen
• Benutzerdefinierte Live Script-Abschnitte, Eingabeparameter und Freigabe-Workflows
• Automatisierte Berichterstellung: Export von Live Scripts nach PDF, HTML und Word

Marktrelevante Kompetenzen: Datenvisualisierung und Plotting, MATLAB App Designer, GUI-Entwicklung, Design interaktiver Dashboards, Authoring von Live Scripts, Erstellung technischer Berichte, Darstellung wissenschaftlicher Daten, 3D-Visualisierung und Plotting, MATLAB-Grafiksystem, Engineering-Visualisierung, Publikationsgerechtes Figure-Design, Web-App-Bereitstellung, Interaktives wissenschaftliches Rechnen

Modul 4: Matrizenalgebra, lineare Optimierung und symbolische Mathematik

Umfassende Abdeckung der linearen Algebra als mathematisches Kernstück von MATLAB, linearer Programmoptimierung und symbolischer Berechnung für analytische Lösungen. Essentiell für Ingenieurwesen, Operations Research und wissenschaftliche Modellierungsanwendungen.

4.1 Lineare Algebra und Matrixoperationen

• Matrixkonstruktion: eye, zeros, ones, rand, randn, diag und spezielle Matrizen
• Matrixzerlegung: LU, QR, Cholesky, SVD und Eigenwertanalyse
• Spezielle Funktionen: det, trace, rank, norm, Konditionszahl und Pseudo-Inverse
• Lösen linearer Gleichungssysteme: Linksteilung (\), mldivide und Kleinstquadratlösungen
• Eigenwerte, Eigenvektoren und Matrizenfunktionsanwendungen (expm, logm, sqrtm)
• Sparse-Matrixoperationen und speichereffizientes Rechnen

4.2 Optimierungsfundamente

• Lineare Programmierung: linprog für optimierte Probleme unter Nebenbedingungen
• Nichtlineare Optimierung: fmincon, fminsearch und fzero
• Kurvenanpassung und Parameterschätzung: fit, polyfit und lsqcurvefit
• Einführung in den Workflow des Optimization Toolboxes

4.3 Symbolische Mathematik

• Erstellung symbolischer Variablen und Manipulation symbolischer Ausdrücke
• Analytische Differentiation und Integration mit dsolve und int
• Variable-Präzisionsarithmetik (vpa) für hochpräzise Berechnungen
• Laplace- und Fourier-Transformierten im symbolischen Modus
• Lösen von Gleichungen analytisch: solve und vpasolve

Marktrelevante Kompetenzen: Lineare Algebra und Matrizenberechnungen, Matrixzerlegung und -analyse, Optimierung und mathematische Programmierung, Lineare Programmierung, Nichtlineare Optimierung, Kurvenanpassung und Datenapproximation, Symbolische Mathematik und analytisches Rechnen, Laplace-Transformierte, Eigenwertanalyse und numerische Stabilität, Sparse-Matrix-Berechnung, Wissenschaftliches Rechnen und numerische Analyse

Modul 5: Signalverarbeitung, Bildverarbeitung und Simulation

Anwendung der industriellen Standard-Toolboxes von MATLAB auf Signalanalyse, Bildverarbeitung und Systemsimulation. Dieses Modul behandelt die in den Sektoren Telekommunikation, Audiobearbeitung, Biomedizintechnik und industrielle Inspektion am meisten gefragten Kern-Toolboxes.

5.1 Grundlagen der Signalverarbeitung

• Abtasttheorie: Abtastrate, Aliasing und Nyquist-Kriterium
• Grundlegende Signalgenerierung: Sinus-, Kosinus-, Rechteck-, Sägezahn- und Chirp-Signale
• li>Grundlegende Signalgenerierung: Sinus-, Kosinus-, Rechteck-, Sägezahn- und Chirp-Signale
• Frequenzbereichsanalyse: FFT, Spektrogramm und Betrag/Phasen-Diagramme
• Filterdesign: Tiefpass-, Hochpass-, Bandpass- und Bandsperr-Filter (FIR und IIR)
• Spektrale Analyse, Leistungsdichtespektrum und Filteranwendungen
• Rauschentfernung, Glättung und Hüllkurvendetektion von Signalen

5.2 Bild- und Videoverarbeitung

• Erstellung, Lesen, Schreiben und Anzeige von Bildern mit dem MATLAB Image Processing Toolbox
• Bildverbesserung: Kontrastanpassung, HistogrammAusgleichung und Filterung
• Bildsegmentierung: Schwellenwertbildung, Kantenerkennung und Watershed
• Geometrische Transformationen und Bildregistrierung
• Morphologische Operationen: Dilatation, Erosion, Öffnung und Schließung
• Merkmalserkennung: Eckerkennung (Harris), Blob-Erkennung und Vorlagenabgleich

5.3 Einführung in Simulink und Systemmodellierung

• Simulink-Umgebung: Modellerstellung, Blöcke-Bibliothek und Signalverlegung
• Erstellung von Blockdiagrammen: Quellen, Senken, kontinuierliche/diskrete Blöcke und Integratoren
• Simulationsparameter: Solver-Auswahl, Schrittweite und Simulationsdauer
• Subsystems, Masken und Library-Blöcke für wiederverwendbare Komponenten
• Modellanalyse: Scopes, Diagnosemeldungen und Model Explorer
• Einführung in Simulink für Regelungssysteme: Modellierung der Strecke und Simulation der Steuerung

5.4 Regelungssysteme und dynamische Systeme

• Übertragungsfunktionen und Blockdiagramme in der Control System Toolbox
• Zeitbereichsanalyse (Step), Impulsantwort, Frequenzbereichsanalyse (Bode) und Wurzelortskurvenanalyse
• Grundlagen der PID-Reglerauslegung und -einstellung
• Zustandsraumdarstellung und Systemanalyse

Marktrelevante Kompetenzen: Digitale Signalverarbeitung (DSP), FFT-Analyse und Filterung, Bildverarbeitung und Computer Vision, MATLAB Image Processing Toolbox, Bildsegmentierung und Merkmalsextraktion, Simulink-Modellbasiertes Design, Regelungssystemtechnik, Übertragungsfunktionsanalyse, PID-Reglerdesign, Simulation dynamischer Systeme, Spektrale Analyse, Bode-Plot und Frequenzgang, Wurzelortskurvenanalyse, Zustandsraummodellierung, Biomedizinische Signalverarbeitung, Audiobearbeitung, Industrielle Inspektion und Qualitätskontrolle

Modul 6: Maschinelles Lernen, Deep Learning und KI-Integration

Deckt die schnell wachsenden KI/ML-Fähigkeiten in MATLAB ab, vom klassischen überwachten und unüberwachten Lernen bis hin zu neuronalen Netzen, vortrainierten Modellen und der Integration mit Python für hybride KI-Workflows. Adressiert das gefragteste technische Skillset im Ingenieurwesen heute.

6.1 Klassisches maschinelles Lernen mit MATLAB

• Klassifikationsalgorithmen: KNN, Naive Bayes, SVM, Entscheidungsbäume und Ensemble-Methoden
• Regressionsalgorithmen: Lineare Regression, Polynomiale Regression und regularisierte Regression
• Unüberwachtes Lernen: Clustering (k-means, hierarchisch), PCA und Dimensionsreduktion
• Modellvalidierung: Kreuzvalidierung, Konfusionsmatrizen, ROC-Kurven und Genauigkeitsmetriken
• Merkmalselektion, Datenvorverarbeitung und Aufteilung in Trainings-/Validierungs-/Testdaten

6.2 Deep Learning in MATLAB

• Grundlagen des Deep Learning: Netzwerkarchitekturen, Schichten und Trainingsworkflows
• Faltungsmännliche neuronale Netze (CNNs) für Bildklassifizierung unter Verwendung vortrainierter Modelle (ResNet, GoogLeNet, AlexNet)
• Sequence-to-Sequence-Netzwerke für Zeitreihen und Textverarbeitung
• Transfer Learning: Anpassung vortrainierter Modelle an benutzerdefinierte Datensätze
• Design tiefer Netzwerke: schichtweiser Aufbau mit layerPlot und layerGraph
• Trainingsmanagement: Mini-Batch-Größe, Lernraten-Schedules und GPU-Beschleunigung

6.3 Python-Integration und hybride KI-Workflows

• Aufrufen von Python aus MATLAB: Importieren von Python-Klassen, Modulen und Bibliotheken
• Nutzung von Python-Deep-Learning-Frameworks (TensorFlow, PyTorch) innerhalb von MATLAB-Workflows
• Nutzung von Python-ML-Bibliotheken (scikit-learn, pandas) zur Datenvorverarbeitung
• Zweiseitiger Datenaustausch zwischen MATLAB-Arrays und Python ndarrays
• Erstellung hybrider KI-Pipelines, die die Ingenieursstärken von MATLAB und das KI-Ökosystem von Python kombinieren

Marktrelevante Kompetenzen: Maschinelles Lernen in MATLAB, Überwachtes Lernen, Unüberwachtes Lernen, Deep Learning und Neuronale Netze, Faltungsneuronale Netze (CNN), Transfer Learning, Zeitreihen-ML, Feature Engineering, Modellvalidierung und Genauigkeitsbewertung, Python-MATLAB-Interoperabilität, Python-Integration für KI/ML, TensorFlow und PyTorch in MATLAB, Predictive Analytics, KI-Lösungen für das Ingenieurwesen, Hybride Deep-Learning-Workflows, Anpassung vortrainierter Modelle, Design neuronaler Netzwerkarchitekturen

Modul 7: GPU-Berechnung, Bereitstellung und Enterprise-Integration

Deckt Hochleistungsrechnen mit GPU-Beschleunigung, Codegenerierung für Produktionsbereitstellungen, App-Verteilung, simulationsbasiertes Design und Enterprise-grade-Bereitstellungsmuster ab, die für erfahrene MATLAB-Ingenieure und Teamleiter unerlässlich sind.

7.1 GPU-beschleunigtes und paralleles Rechnen

• Prüfen der GPU-Verfügbarkeit und Erstellen von GPU-Arrays (gpuArray)
• GPU-beschleunigte integrierte Funktionen: automatisch beschleunigte Mathematik und Deep Learning
• Parallel Computing Toolbox: parfor für parallele Schleifen
• SPMD (Single Program Multiple Data) und verteilte Arrays für HPC
• Cluster-Computing und MATLAB Parallel Server für großskaliges Rechnen

7.2 Codegenerierung und Bereitstellung

• MATLAB Coder: Generieren von C/C++-Code aus MATLAB-Funktionen für Embedded- und Produktionssysteme
• MATLAB Coder-Berichte: Analysieren der Codegenerierung, Optimierungsmöglichkeiten und Kompatibilitätsprüfungen
• MATLAB Compiler: Verpacken von MATLAB-Anwendungen als eigenständige ausführbare Dateien und Shared Libraries
• Java- und .NET-Interoperabilität für Enterprise-Integration
• MATLAB Production Server: Bereitstellen von MATLAB-Code als REST-Webdienste auf Enterprise-Infrastruktur

7.3 MATLAB App-Verteilung und Freigabe

• Veröffentlichen von MATLAB Apps zur internen Verteilung in der Organisation
• Freigabe von MATLAB Online Apps über MATLAB Drive
• Erstellung benutzerdefinierter Toolboxes mit App Builder und App Designer

7.4 Simulink für modellbasiertes Design (MBD)

• Codegenerierung aus Simulink-Modellen (Simulink Coder / Embedded Coder)
• Hardware-in-the-Loop (HIL) und Model-in-the-Loop (MIL) Testen
• Simulink für Automobil-, Luftfahrt- und Robotiksystemsimulationen
• Stateflow: Modellierung von Zustandsautomaten für Steuerlogik und ereignisgesteuerte Systeme

7.5 IoT und Embedded Systems

• li>Verbindung von MATLAB mit physischer Hardware: Arduino-, Raspberry Pi- und BeagleBone-Unterstützungspakete
• Lesen von Sensordaten in Echtzeit: Temperatur, Beschleunigungsmesser, Gyroskop, Ultraschall und IMU
• Generieren von C-Code für Embedded-ARM-Prozessoren und Bereitstellen auf Mikrocontrollern

Marktrelevante Kompetenzen: GPU-beschleunigtes Rechnen, Paralleles Rechnen, High-Performance Computing (HPC), Cluster-Computing, MATLAB Coder für C/C++-Codegenerierung, MATLAB Compiler, Deployment eigenständiger Anwendungen, MATLAB Production Server, Bereitstellung von REST-API-Diensten, Embedded Systems Development, Hardware-in-the-Loop (HIL) Testing, Modellbasiertes Systems Engineering (MBSE), Stateflow-Modellierung, Simulink Code Generation, IoT-Sensorintegration, Edge Computing, Echtzeit-Datenerfassung, Enterprise-MATLAB-Integration, Team- und Organisations-MATLAB-Deployment, ARM-Mikrocontroller-Entwicklung

Modul 8: Domänenspezifische Anwendungen und Capstone-Projekt

Anwendung von MATLAB in Branchendomänen mit hoher Relevanz für den Arbeitsmarkt (Ingenieurwesen, Finanzen, Data Science und Biomedizin), mit einem praktischen Capstone-Projekt, das alle Kompetenzen zu einer vollständigen technischen Rechenslösung integriert.

8.1 Domänenspezifische MATLAB-Anwendungen

• Financial Engineering mit MATLAB: Portfolio-Optimierung, Risikoanalyse, Monte-Carlo-Simulation und Optionspreisberechnung (Black-Scholes)
• Biomedizinische Signalverarbeitung: Filtern, Merkmalsextraktion und Visualisierung von ECG/EEG-Signalen
• Engineering-Simulation: Modellierung mechanischer, elektrischer und thermischer Systeme
• Statistische Analyse und Hypothesentests für Forschung und Qualitätssicherung

8.2 Capstone-Projekt: End-to-End MATLAB-Lösung

• Komplettes Realszenario: Ingesting von Sensor- oder实验daten, Bereinigen und Analysieren, Aufbau eines prädiktiven Modells und Erstellen einer interaktiven Dashboard-App
• Implementierung einer klassenbasierten MATLAB-Lösung für die Problemstellung
• Erstellen eines Simulink-Modells des zu untersuchenden Systems
• Anwendung von Deep Learning zur Mustererkennung im Datensatz
• Erstellen eines umfassenden technischen Berichts aus einem Live Script
• Dokumentieren des Workflows und Bereitstellen der Lösung in einer produktionsähnlichen Umgebung

8.3 Professionelle MATLAB-Entwicklungspraktiken

• Coding-Standards: MATLAB Style Guide (Namensgebung, Formatierung, Kommentierungskonventionen)
• Erstellung und Dokumentation von MATLAB Toolboxes für die Teamwiederverwendung
• Verwaltung großer MATLAB-Projekte: Ordnerorganisation, Abhängigkeiten und CI/CD

Marktrelevante Kompetenzen: Lieferung der Capstone-Lösung, Financial Engineering und quantitative Analyse, Biomedizinische Signalverarbeitung, Portfoliorisikoanalyse, Monte-Carlo-Simulation, Optionspreisberechnung, Statistischer Hypothesentest, MATLAB-Anwendungsentwicklung, MATLAB-Coding-Standards, Technische Dokumentation und Berichterstellung, Professionelle MATLAB-Architektur, Engineering-Simulation und -Modellierung, Computergestütztes Finanzwesen, Analytik für Qualitätssicherung, MATLAB-Tooling und Workflow-Management, MATLAB-Teamzusammenarbeit und Governance, Enterprise Data Analytics