本教材首先介绍了数据分析的基本概念和方法，然后通过大量实例介绍了如何使用Matlab实现数据分析，并深入浅出地介绍了数据建模过程中的有关方法。本教材共分8章，主要内容包括：数据的基本概念及其应用、Matlab基础、随机模拟、数据预处理、数据探索与分析、多元线性回归模型、聚类分析和分类。
本教材可作为职业院校计算机相关专业的教学用书，也可供相关技术人员参考。

前言
第1章 数据的基本概念及其应用
1.1 数据与数据处理
1.1.1 数据的相关基本概念
1.1.2 数据处理的主要概念
1.1.3 数据处理的流程
1.1.4 数据处理的误区
1.2 数据处理涉及的主要领域
1.2.1 统计学
1.2.2 数据挖掘
1.2.3 云计算
1.3 数据处理的主要方法
1.3.1 数据采集
1.3.2 数据预处理
1.3.3 数据分析
1.3.4 数据挖掘算法
第2章 Matlab基础
2.1 Matlab简介
2.1.1 Matlab的特点
2.1.2 Matlab窗口简介
2.2 数组及其运算
2.2.1 变量和数组
2.2.2 变量的初始化
2.2.3 多维数组
2.2.4 子数组
2.2.5 单元阵列
2.2.6 显示输出数据
2.2.7 数据文件
2.2.8 数组运算和矩阵运算
2.2.9 内置函数
2.3 作图入门
2.3.1 简单的直角坐标系作图
2.3.2 作图的附加特性
2.4 Matlab程序设计
2.4.1 关系运算符和逻辑运算符
2.4.2 选择结构
2.4.3 循环结构
2.5 自定义函数
第3章 随机模拟
3.1 随机数的生成
3.2 蒙特卡罗模拟
3.2.1 蒙特卡罗模拟估计面积
3.2.2 蒙特卡罗模拟寻求近似圆周率
3.2.3 蒙特卡罗模拟解决生日问题
3.3 随机行为的模拟
3.4 蒙特卡罗模拟应用案例：理发店系统研究
第4章 数据预处理
4.1 认识数据
4.1.1 属性
4.1.2 离散属性和连续属性
4.2 数据预处理概述
4.2.1 数据清洗
4.2.2 数据集成
4.2.3 数据归约
4.2.4 数据变换
4.3 Matlab与Excel的数据交互
4.3.1 以交互方式导入数据
4.3.2 读取和写入表
4.3.3 大型文件和大型数据简介
4.3.4 数据的清理、平滑和分组等
第5章 数据探索与分析
5.1 数据的特征统计量
5.1.1 中心度量趋势：均值、中位数、众数
5.1.2 常用的变异程度度量
5.1.3 分布形态
5.2 基本统计描述的可视化
5.2.1 分类型数据频数分布及其可视化
5.2.2 直方图
5.2.3 分位数图和经验累计分布函数
5.2.4 分位数-分位数图——q-q图
5.2.5 箱形图
5.2.6 散点图
5.3 度量数据的相似性和相异性
5.3.1 数据矩阵、相异性矩阵、相似性矩阵
5.3.2 数值属性的相似性：相关系数
5.3.3 数值属性的相异性：距离
5.4 数据降维——主成分分析
第6章 多元线性回归模型
6.1 概述
6.2 一元曲线拟合
6.2.1 案例1——百货商场销售额
6.2.2 确定最优拟合
6.2.3 导出模型到工作空间
6.3 多元线性回归模型
6.3.1 案例2——牙膏的销售量
6.3.2 案例3——自变量含有分类变量的处理
6.4 逐步回归模型
第7章 聚类分析
7.1 简介
7.1.1 聚类分析的类型
7.1.2 聚类分析的依据
7.2 谱系聚类
7.3 k均值聚类
7.3.1 k均值聚类概述
7.3.2 k均值聚类算法的Matlab函数
7.3.3 k均值聚类算法的特点
7.3.4 k均值聚类算法综合应用
7.4 层次聚类
7.4.1 概述
7.4.2 层次聚类算法的Matlab实现
7.4.3 层次聚类算法的特点
7.5 高斯混合模型聚类
7.5.1 简介
7.5.2 高斯混合模型聚类算法的Matlab实现
第8章 分类
8.1 分类算法简介
8.1.1 逻辑回归分类算法
8.1.2 K近邻分类算法
8.1.3 支持向量机分类算法
8.1.4 人工神经网络分类算法
8.1.5 朴素贝叶斯分类算法
8.1.6 判别分析分类算法
8.1.7 决策树分类算法
8.1.8 集成学习分类算法
8.2 分类的评判
8.2.1 评判指标
8.2.2 ROC曲线和AUC
8.3 判别分析分类的具体应用
8.3.1 判别分析的定义、特点和类型
8.3.2 距离判别
8.3.3 贝叶斯判别
8.4 使用Classification Learner App实现分类
参考文献