客观的：将数据导入MATLAB并组织数据进行分析，包括处理缺失值。通过提取和操作部分数据来处理原始导入数据。

• 利用MATLAB数据类型存储数据
• 导入的数据存储
• 处理缺少元素的数据
• 处理与高大阵列的大数据

客观的：使用基于一组条件指标无监督学习技术组的观察和发现数据集中的自然形态。

• 找到数据中自然集群
• 进行降维
• 评估和解释数据中的簇

客观的：使用监督学习技术，为分类问题进行预测建模。评估预测模型的准确性。

• 使用分类学习者应用程序进行分类
• 从标签数据训练分类模型
• 验证训练过的分类模型
• 改善与超参数优化性能

客观的：交互探索和数据可视化的信号处理功能。

• 导入、可视化和浏览信号以获得洞察力
• 测量信号
• 比较多个信号在时域和频域
• 进行交互式频谱分析
• 感兴趣的区域提取
• 生成自动化MATLAB脚本

客观的：学会与诸如重新采样，去除异常值，和填充的间隙的操作技术，以干净的信号集。交互生成和排名功能。

• 使用重采样处理非均匀采样信号
• 在均匀采样的信号填充间隙
• 执行重采样，以确保在信号共同的时基
• 使用信号分析仪的应用程序设计和应用滤镜
• 使用文件数据存储乐团以进口数据
• 使用诊断功能设计的应用程序，自动生成和排名功能
• 使用包络谱进行机械诊断
• 定位异常值和具有可接受的样本替换
• 检测changepoints和执行自动信号分割

客观的：浏览数据来识别功能和培训决策模型来预测剩余使用寿命。

• 选择条件指标
• 使用寿命数据，使用生存模型估计剩余的有用寿命
• 使用运行到阈值数据来估算使用退化模型剩余使用寿命
• 使用运行到故障的数据，使用相似模型估计剩余的有用寿命