客观的：将数据带入MATLAB并组织它进行分析，包括处理缺失值。通过提取和操纵数据部分来处理原始导入数据。

• 使用MATLAB数据类型存储数据
• 使用数据存储导入
• 使用缺失元素的处理数据
• 处理高阵列的大数据

客观的：使用无监督的学习技术基于一组条件指示符进行分组观测，并在数据集中发现自然模式。

• 在数据中查找自然群集
• 减少维度
• 评估和解释数据中的群集

客观的：使用监督学习技术来对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
• 从标记数据列车分类模型
• 验证培训的分类模型
• 用Quand参数优化提高性能

客观的：交互式探索和可视化数据中的信号处理功能。

• 导入，可视化并浏览信号以获得洞察力
• 进行信号进行测量
• 比较时间和频率域中的多个信号
• 进行交互式光谱分析
• 提取利息地区
• 生成自动化的MATLAB脚本

客观的：学习使用诸如重采样，删除异常值和填充间隙等操作的清洁信号集的技术。交互式生成和排名特征。

• 使用重采样来处理非均匀采样信号
• 在均匀采样信号中填补空白
• 执行重采样以确保跨信号的常用时基
• 使用信号分析器应用程序设计和应用过滤器
• 使用文件集合数据存储来导入数据
• 使用诊断功能设计器应用程序自动生成和排名功能
• 使用信封谱进行机械诊断
• 定位异常值并用可接受的样品替换
• 检测变换点并执行自动信号分割

客观的：探索数据以识别特征和火车决策模型，以预测剩余的使用寿命。

• 选择条件指示器
• 使用LifeSpan数据使用生存模型来估计剩余的使用寿命
• 使用run-to-threshold数据来估计使用劣化模型来估计剩余的使用寿命
• 使用运行到故障数据来估计使用相似性模型估计剩余的使用寿命