本课适合哪些人学习：
1、仿真工程师
2、测试工程师
3、数字孪生工程师
4、优化设计工程师
5、高校研究生及科研人员
你会得到什么：
1、学习高效的数据采样和实验设计技术
2、理解灵敏性分析方法
3、学习代理模型的生成过程
4、感受不确定性传递的分析方法
5、体会逆向分析与模型修正
课程介绍：
仿真在各行各业广泛应用所产生的价值不言而喻，但仿真的有效使用仍然面临着挑战，而这个挑战可以通过机器学习（ML）得到帮助，比如，仿真运行时间比较长限制了可执行的分析类型及可探索的输入、场景和设计可能性的数量，针对这种情况，可训练ML模型来预测仿真的结果。其好处是，一旦经过训练，ML模型可以获得比运行仿真本身更短的预测时间，从而消除了对可执行的分析类型和分析深度的限制。同样，ML模型也可用于测试，实验数据或数字孪生，通过使用这些数据训练出ML模型，无需执行测试或实验能就够预测未来测试，实验或数字孪生的结果。
费劲获得的仿真模型和/或测试数据，如何让其发挥最大作用？
如何利用已有数据进行模型校准？
如何更加深层次地利用仿真或测试数据？
如何让仿真快速地驱动决策？
如何通过高效采样获得数字孪生的有效代理模型？
欢迎关注以上问题的技术人员来参加SmartUQ系列讲座，本次系列讲座涵盖典型机器学习ML和UQ工作流所需的工具，包括SmartUQ演示和客户用例示例，主要包括
报告一：仿真/测试和数字孪生的现代实验设计和数据采样（点击进入直播间）
报告二：快速、准确和全面的SmartUQ机器学习模型（点击进入直播间）
报告三：减小仿真与测试差距的机器学习（点击进入直播间）
二、主讲嘉宾
资深应用工程师，负责航空航天、国防、汽车、燃气轮机和其他行业客户的仿真和统计工作，为SmartUQ数字孪生/数字线程计划做出了主要贡献。
Sky Hung博士 SmartUQ高级数据科学家
资深数据科学家，为SmartUQ现代工程应用开发突破性人工智能做出了主要贡献，具有丰富的SmartUQ在工程领域的客户支持经验。
课程相关图片：
