目标：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
• 使用高阵列处理大数据

目标：使用无监督学习技术根据一组条件指标对观察结果进行分组，并发现数据集中的自然模式。

• 在数据中查找自然簇
• 执行降维
• 评估和解释数据中的集群

目标：使用监督学习技术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
• 基于标记数据的列车分类模型
• 验证培训的分类模型
• 通过超参数优化提高性能

目标：以交互方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
• 在时域和频域中比较多个信号
• 进行交互式光谱分析
• 提取感兴趣区域
• 为自动化生成MATLAB脚本

目标：学习使用诸如重采样、删除异常值和填补空白等操作清理信号集的技术。以交互方式生成和排列特征。

• 使用重采样处理非均匀采样信号
• 均匀采样信号中的间隙填充
• 执行重采样，以确保信号之间有共同的时基
• 使用信号分析仪应用程序设计和应用滤波器
• 使用文件集成数据存储导入数据
• 使用诊断功能设计器应用程序自动生成和排列功能
• 使用信封谱进行机械诊断
• 定位异常值并替换为可接受的样本
• 检测变化点并执行自动信号分割

目标：探索数据以识别特征并训练决策模型以预测剩余使用寿命。

• 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
• 使用运行至阈值数据，使用退化模型估计剩余使用寿命
• 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