Základní programování v MATLABu Počítačový Kurz

Modul 1: Prostor MATLAB, pracovní postupy a základy dat

Založení mistrovství v ekosystému vývoje MATLAB, zahrnující pracovní postupy na ploše i v cloudu, základní typy dat, vstup/výstup souborů a strategie správy dat, které tvoří základ pro všechny pokročilé úlohy technických výpočtů.

1.1 Ekosystém MATLAB: Plocha, Online a Drive

• Práce s prostředím MATLAB na ploše: Okno příkazů, Editor, Pracovní oblast (Workspace), Aktuální složka a Historie příkazů
• MATLAB Online: cloudový vývoj, spolupráce přes MATLAB Drive a přístupnost napříč zařízeními
• Správa pracovní oblasti, vyhledávací cesty (search paths) a konfigurace prostředí
• Zkratky, profily a přizpůsobení vývojového prostředí pro zvýšení efektivity inženýrské práce

1.2 Základní typy dat a matematické základy

• Literály, proměnné, konvence pojmenování a přiřazování v MATLABu
• Skaláry, vektory, matice a vícerozměrná pole: vytváření, indexování a manipulace
• Konstanty, operátory a vestavěné matematické funkce
• Operace s poli vs. maticové operace: prvkové vs. lineární algebra
• Logické indexování, relační operátory a logická pole pro pokročilé filtrování
• Buněčná pole (cell arrays), struktury (structs) a objekty pro složitou organizaci dat
• Tabulky a časové tabulky: moderní paradigmatum tabulkových dat v MATLABu pro časové řady a experimentální data

1.3 Vstup/výstup souborů a interoperabilita dat

• Import a export souborů CSV, TXT a textových souborů s oddělovači
• Práce s tabulkami Excel: operace čtení, zápisu a formátování
• Native formáty souborů MATLAB (.mat) a perzistence pracovní oblasti
• Průvodce importem a generování automatického importu dat
• Připojení k databázím: připojení k SQL Server, Oracle, PostgreSQL a cloudovým databázím
• Webová data: získávání odpovědí JSON, XML a REST API v MATLABu

Kompetence odpovídající trhu práce: Vývojové prostředí MATLAB, Pracovní postup MATLAB Online, Spolupráce přes MATLAB Drive, Správa číselných dat, Základy vědeckých výpočtů, Technický import a export dat, Zvládání dat CSV a Excel, Připojení k databázím, Tabulky a časové tabulky MATLAB, Organizace strukturovaných dat, Základy matematických výpočtů, Inženýrské pracovní postupy s daty

Modul 2: Programování v MATLABu, algoritmy a architektura kódu

Zhloubení proficiency v programování přes základní syntaxi, zahrnující strukturované programování, objektově orientovaný MATLAB, organizaci kódu, ladění, profilování výkonu a osvědčené postupy softwarového inženýrství pro udržovatelné technické kódbáze.

2.1 Strukturované programování a řídicí tok

• Skripty vs. funkce: kdy kterou použít a osvědčené postupy
• li>Logika podmínek: if/else, switch/case a vnořené podmínky
• Smacky: for, while a strategie optimalizace smyček (vektoryzace vs. iterace)
• Řídicí tok v podfunkcích a vnořených funkcích
• Zpracování chyb a techniky ladění: try/catch, assert, dbstop a Debugger MATLABu

2.2 Programování funkcí a organizace kódu

• li>Vytváření funkcí, vstupní/výstupní argumenty a flexibilita varargin/varargout
• Anonymní funkce a odkazy na funkce (function handles): funkcionální programování v MATLABu
• Podfunkce, lokální funkce a vnořené funkce
• Organizace založená na souborech, balíčky (packages) a správa balíčků na úrovni složek
• Předávání hodnotou vs. předávání odkazem (objekty typu handle)

2.3 Objektově orientované programování v MATLABu

• Třídy: definování vlastností (properties), metod a úrovní přístupu (veřejné/soukromé/chráněné)
• Třídy typu handle vs. třídy typu value: sémantika hodnoty vs. sémantika odkazu
• Konstruktory, destruktor a řízení životního cyklu objektu
• dědičnost, přetěžování metod a abstraktní třídy
• Implementace rozhraní a zpracování událostí v třídách MATLABu
• Statické metody, dynamické vlastnosti a validace vlastností

2.4 Profilování, kvalita kódu a testování

• Profiler MATLABu: identifikace zúžených míst a optimalizace náročných výpočtů
• Analýza pokrytí kódu a rámec jednotkového testování MTest
• Integrace verzování: pracovní postup Git a SVN v editoru MATLABu
• Kontinuální integrace (CI/CD) s nástroji Jenkins a MATLAB CI Pipeline
• Upozornění při statické analýze kódu a osvědčené postupy

Kompetence odpovídající trhu práce: Programování a skriptování v MATLABu, Vývoj a optimalizace algoritmů, Objektově orientované programování v MATLABu, Architektura založená na funkcích, Vektoryzace a optimalizace výkonu, Ladění a zpracování chyb v MATLABu, Profilování kódu a ladění výkonu, Jednotkové testování MATLAB (MTest), Analýza pokrytí kódu, Verzování pomocí Gitu, Kontinuální integrace (CI/CD), Profesionální standardy kvality kódu, Softwarové inženýrství pro technické výpočty

Modul 3: Vizualizace dat, reportování a interaktivní aplikace

Pokrývá základy grafického vykreslování až po pokročilou vizualizaci, vytváření interaktivních ovládacích panelů, vývoj GUI s App Designerem, živé skripty pro reprodukovatelné zprávy a automatické generování reportů pro inženýrskou dokumentaci.

3.1 Základní a pokročilé grafické vykreslování

• 2D vykreslování: čárové grafy, scatter ploty, sloupcové grafy, koláčové grafy, plošné grafy a chybové úchyty
• Vykreslování s více osami: hold, subplot, tiledlayout a pozicování os
• 3D vykreslování: surf, mesh, kontury, řezy a vizualizace objemů
• Přizpůsobení grafů: titulky, popisky, legendy, anotace, styl čar, značky a barvy
• Palety barev (colormaps), legendy barev a vizuálně přesné grafy
• Export grafů vysokého rozlišení pro publikace: formáty (PNG, PDF, SVG, EMF)

3.2 Interaktivní vizualizace a ovládací panely

• Přizpůsobení figure s ovládacími prvky UI: posuvníky, tlačítka, rozevírací seznamy a zpětná volání (callbacks)
• MATLAB App Designer: vytváření interaktivních desktopových aplikací pomocí komponent UI tažením a umístěním
• Interakce s grafy: zoom, pan, brushing a výběrová zpětná volání
• Webové aplikace: nasazení vizualizací MATLABu jako online interaktivních ovládacích panelů

3.3 Živé skripty a automatické reportování

• Live Script MATLAB (.mlx): proveditelné sešity kombinující kód, grafy a formátovaný text
• Podpora Markdown a LaTeX v Live skriptech pro matematické rovnice
• Vlastní sekce Live skriptů, vstupní parametry a pracovní postupy sdílení
• Automatické generování reportů: export Live skriptů do formátů PDF, HTML a Word

Kompetence odpovídající trhu práce: Vizualizace dat a grafické vykreslování, MATLAB App Designer, Vývoj GUI, Návrh interaktivních ovládacích panelů, Psaní Live skriptů, Generování technických zpráv, Prezentace vědeckých dat, 3D vizualizace a grafické vykreslování, Grafický systém MATLAB, Inženýrská vizualizace, Návrh grafů na úroveň publikace, Nasazení webových aplikací, Interaktivní vědecké výpočty

Modul 4: Maticová algebra, lineární optimalizace a symbolická matematika

Komplexní pokrytí lineární algebry jako matematického jádra MATLABu, lineárního programování optimalizace a symbolického výpočtu pro analytická řešení. Nezbytné pro inženýrství, výzkum operací a vědecké modelovací aplikace.

4.1 Lineární algebra a operace s maticemi

• Vytváření matic: eye, zeros, ones, rand, randn, diag a speciální matice
• Rozklad matic: LU, QR, Cholesky, SVD a analýza vlastních čísel
• Speciální funkce: det, trace, rank, norm, podmíněnost a pseudoinverze
• Řešení lineárních systémů: levé dělení (\), mldivide a řešení nejmenších čtverců
• Vlastní čísla, vlastní vektory a aplikace funkcí matic (expm, logm, sqrtm)
• Operace s řídkými maticemi a výpočty úsporné paměťově

4.2 Základy optimalizace

• Lineární programování: linprog pro optimalizaci s omezeními
• Nelineární optimalizace: fmincon, fminsearch a fzero
• Ilustrace křivek a odhad parametrů: fit, polyfit a lsqcurvefit
• Základní pracovní postup Toolboxu pro optimalizaci

4.3 Symbolická matematika

• Vytváření symbolických proměnných a manipulace s symbolickými výrazy
• Analytická derivace a integrace pomocí dsolve a int
• Aritmetika proměnné přesnosti (vpa) pro výpočty vysoké přesnosti
• Laplaceovy a Fourierovy transformace v symbolickém módu
• Analytické řešení rovnic: solve a vpasolve

Kompetence odpovídající trhu práce: Lineární algebra a maticové výpočty, Rozklad a analýza matic, Optimalizace a matematické programování, Lineární programování, Nelineární optimalizace, Ilustrace křivek a aproximace dat, Symbolická matematika a analytické výpočty, Laplaceovy transformace, Analýza vlastních čísel a numerická stabilita, Výpočty s řídkými maticemi, Vědecké výpočty a numerická analýza

Modul 5: Zpracování signálů, zpracování obrazu a simulace

Aplikuje standardní toolboxy MATLABu pro analýzu signálů, zpracování obrazu a simulaci systémů. Tento modul pokrývá jádrové toolboxy nejvíce žádané v sektorech telekomunikací, zpracování zvuku, biomedicínského inženýrství a průmyslové inspekce.

5.1 Základy zpracování signálů

• Teorie vzorkování: vzorkovací frekvence, aliazování a Nyquistovo kritérium
• Základní generování signálů: sinusové, kosinusové, obdélníkové, pilovité a chirp signály
• li>Základní generování signálů: sinusové, kosinusové, obdélníkové, pilovité a chirp signály
• Analýza ve frekvenční doméně: FFT, spektrogram a grafy amplitudy/fáze
• Návrh filtrů: nízkopásové, vysokopásové, pásmopropustné, pásmové propustné filtry FIR a IIR
• Spektrální analýza, hustota spektrální energie a aplikace filtrování
• Odšumění signálů, vyhlazování a detekce obálky

5.2 Zpracování obrazu a videa

• Vytváření, čtení, zápis a zobrazení obrazu s MATLAB Image Processing Toolbox
• Zlepšení obrazu: nastavení kontrastu, ekvalizace histogramu a filtrování
• Segmentace obrazu: prahování, detekce hran a vodní dělicí linie (watershed)
• Geometrické transformace a registrace obrazu
• Morfologické operace: dilatace, eroze, otevření a uzavření
• Detekce vlastností: detekce rohů (Harris), detekce skvrn (blob detection) a shoda vzorů

5.3 Úvod do simulinku a modelování systémů

• Prostor simulink: vytváření modelů, knihovna bloků a směrování signálů
• Stavění blokových diagramů: zdroje, terminály, spojité/diskrétní bloky a integrátory
• Parametry simulace: výběr řešitele, velikost kroku a délka simulace
• Podmodely, masky a bloky knihovny pro komponenty znovupoužitelné
• Analýza modelu: scope, diagnostické zprávy a průzkumník modelů
• Úvod do simulink pro řídicí systémy: modelování rostliny (plant modeling) a simulace regulátoru

5.4 Řídicí systémy a dynamické systémy

• Přenosové funkce a blokové diagramy v řídicím toolboxu
• Analýza impulsu, krokové odezvy (step), frekvenční odezvy (Bode) a root locus
• Základy návrhu a ladění regulátoru PID
• Představení stavového prostoru a analýza systému

Kompetence odpovídající trhu práce: Digitální zpracování signálů (DSP), Analýza FFT a filtrování, Zpracování obrazu a počítačové vidění, MATLAB Image Processing Toolbox, Segmentace obrazu a detekce vlastností, Navrhování založené na modelech simulink, Inženýrství řídicích systémů, Analýza přenosových funkcí, Návrh regulátoru PID, Simulace dynamického systému, Spekátrální analýza, Graf Bode a frekvenční odezva, Analýza root locus, Modelování ve stavovém prostoru, Biomedicínské zpracování signálů, Zpracování audio signálů, Průmyslová inspekce a kontrola kvality

Modul 6: strojové učení, hluboké učení a integrace AI

Pokrývá rychle se rozvíjející kapacity AI/ML uvnitř MATLABu, od klasického řízeného/nerízeného učení po hluboké neuronové sítě, předtrénované modely a integraci s Pythonem pro hybridní pracovní postupy AI. Řeší nejvíce žádanou sadu technických dovedností v inženýrství dneska.

6.1 Klasické strojové učení s MATLABem

• Algoritmy klasifikace: KNN, Naive Bayes, SVM, rozhodovací stromy a ensemblové metody
• Algoritmy regrese: lineární regrese, polynomická regrese a regularizovaná regrese
• Nerízené učení: shlukování (k-means, hierarchické), PCA a snižování dimenzionality
• Validace modelu: křížová validace, zmatkové matice (confusion matrices), křivky ROC a metriky přesnosti
• Výběr vlastností, předzpracování dat a rozdělení na trénovací/validační/testovací množiny

6.2 Hluboké učení v MATLABu

• Základy hlubokého učení: architektura neuronových sítí, vrstvy a pracovní postup trénování
• Konvoluční neuronové sítě (CNN) pro klasifikaci obrazu, použití předtrénovaných modelů (ResNet, GoogLeNet, AlexNet)
• Sítě typu sequence-to-sequence pro časové řady a zpracování textu
• Přenosové učení (transfer learning): přizpůsobení předtrénovaných modelů vlastním datovým množinám
• Návrh hluboké sítě: vrstva-po-vrstvě konstrukce pomocí layerPlot a layerGraph
• Správa trénování: velikost mini-batche, harmonogramy učebních rychlostí a zrychlení GPU

6.3 Integrace Pythonu a hybridní pracovní postupy AI

• Volání Pythonu z MATLABu: import tříd, modulů a knihoven Pythonu
• Používání frameworků hlubokého učení Pythonu (TensorFlow, PyTorch) uvnitř pracovních postupů MATLABu
• Používání knihoven ML Pythonu (scikit-learn, pandas) pro předzpracování dat
• Dvoucestná výměna dat mezi poli MATLABu a ndarray Pythonu
• Vytváření hybridních pipelines AI využívajících silné stránky inženýrství MATLABu a ekosystému AI Pythonu

Kompetence odpovídající trhu práce: Strojené učení v MATLABu, Řízené učení, Nerízené učení, Hluboké učení a neuronové sítě, Konvoluční neuronové sítě (CNN), Přenosové učení, ML časových řad, Inženýrství vlastností (Feature Engineering), Validace modelu a hodnocení přesnosti, Interoperabilita Python-MATLAB, Integrace Pythonu pro AI/ML, TensorFlow a PyTorch v MATLABu, Prediktivní analytika, Inženýrská řešení AI, Hybridní pracovní postupy hlubokého učení, Adaptace předtrénovaných modelů, Návrh architektury neuronové sítě

Modul 7: Výpočty na GPU, nasazení a podniková integrace

Pokrývá high-performance výpočty se zrychlením GPU, generování kódu pro produkční nasazení, distribuci aplikací, návrh založený na simulacích a vzory nasazení na úrovni podniku, které jsou nezbytné pro seniorní inženýry MATLABu a vedoucí týmů.

7.1 Zrychlení GPU a paralelní výpočty

• Kontrola dostupnosti GPU a vytváření polí GPU (gpuArray)
• Vestavěné funkce zrychlené GPU: automaticky zrychlená matematika a hluboké učení
• Parallel Computing Toolbox: parfor pro paralelizaci smyček
• SPMD (Single Program Multiple Data) a distribuovaná pole pro HPC
• Klastrové výpočty a MATLAB Parallel Server pro velkoměrné výpočty

7.2 Generování kódu a nasazení

• MATLAB Coder: generování kódu C/C++ z funkcí MATLABu pro vestavěné a produkční systémy
• Zprávy MATLAB Coder: analýza generování kódu, příležitostí pro optimalizaci a kontrol kompatibility
• MATLAB Compiler: balení aplikací MATLABu jako samostatných spustitelných souborů a sdílených knihoven
• Interoperabilita Java a .NET pro podnikovou integraci
• MATLAB Production Server: nasazení kódu MATLABu jako REST webových služeb na podnikové infrastruktuře

7.3 Distribuce a sdílení aplikací MATLAB

• Publikování aplikací MATLAB pro interní distribuenci v organizaci
• Sdílení aplikací MATLAB Online přes MATLAB Drive
• Vytváření vlastních toolboxů pomocí App Builder a App Designer

7.4 Simulink pro návrh založený na modelech (MBD)

• Generování kódu z modelů simulink (Simulink Coder / Embedded Coder)
• Testování Hardware-in-the-loop (HIL) a model-in-the-loop (MIL)
• Simulink pro simulaci systémů automobilového, leteckého a roboticského průmyslu
• Stateflow: modelování stavových automatů pro řídicí logiku a systémy řízené událostmi

7.5 IoT a vestavěné systémy

• li[7>Připojení MATLABu k fyzickému hardwaru: podpora balíčků Arduino, Raspberry Pi a BeagleBone
• Čtení dat ze senzorů v reálném čase: teplota, akcelerometr, gyroskop, ultrazvuk a IMU
• Generování kódu C pro vestavěné procesory ARM a nasazení na mikrokontrolery

Kompetence odpovídající trhu práce: Výpočty zrychlené GPU, Paralelní výpočty, High-Performance Computing (HPC), Klastrové výpočty, MATLAB Coder pro generování kódu C/C++, MATLAB Compiler, Nasazení samostatných aplikací, MATLAB Production Server, Nasazení služeb REST API, Vývoj vestavěných systémů, Testování Hardware-in-the-Loop (HIL), Inženýrství systémů založené na modelech (MBSE), Modelování Stateflow, Generování kódu Simulink, Integrace senzorů IoT, Edge Computing, Akvizice dat v reálném čase, Podniková integrace MATLABu, Nasazení MATLABu v týmu a organizaci, Vývoj pro mikrokontrolery ARM

Modul 8: Domain-specifické aplikace a závěrečný projekt

Aplikuje MATLAB napříč oborovými doménami nejdůležitějšími pro pracovní trh (inženýrství, finance, věda o datech a biomedicína), konče v praktickém závěrečném projektu, který integruje každou dovednost v kompletní řešení technických výpočtů.

8.1 Domain-specifické aplikace MATLABu

• Financní inženýrství s MATLABem: optimalizace portfolia, analýza rizik, simulace Monte Carlo a oceňování opcí (Black-Scholes)
• Biomedicínské zpracování signálů: filtrování signálů ECG/EEG, extrakce vlastností a vizualizace
• Inženýrské simulace: modelování mechanických, elektrických a tepelných systémů
• Statistická analýza a testování hypotéz pro výzkum a zajištění kvality

8.2 Závěrečný projekt: Kompletní řešení MATLABu

• Kompletní scénář z reálného světa: přijetí dat ze senzorů nebo experimentů, jejich vyčištění a analýza, sestavení prediktivního modelu a vygenerování interaktivní aplikace ovládacího panelu
• Implementace řešení založeného na třídách MATLAB pro doménu problému
• Vytvoření modelu simulink studovaného systému
• Použití hlubokého učení pro rozpoznávání vzorů na datové množině
• Vygenerování komplexní technické zprávy z Live skriptu
• Dokumentace pracovního postupu a nasazení řešení do prostředí podobného produkčnímu

8.3 Profesionální postupy vývoje MATLABu

• Standards programování: příručka stylu MATLAB (pojmenování, formátování, konvence komentářů)
• Vytváření a dokumentace toolboxů MATLABu pro znovupoužití týmem
• Správa velkých projektů MATLAB: organizace složek, závislosti a CI/CD

Kompetence odpovídající trhu práce: Dodání řešení závěrečného projektu, Finanční inženýrství a kvantitativní analýza, Biomedicínské zpracování signálů, Analýza rizika portfolia, Simulace Monte Carlo, Oceňování opcí, Testování hypotéz statistikou, Vývoj aplikací MATLAB, Standardy kódování MATLAB, Technická dokumentace a reportování, Profesionální architektura MATLAB, Inženýrské simulace a modelování, Počítačové finance, Analytika zajištění kvality, Nástroje a management pracovních postupů MATLAB, Spolupráce a governance týmu MATLAB, Podniková analytika dat