自本书第1版出版以来，我们的社会已进入大数据时代，数据分析方法越来越受到人们的重视，许多学校选用了本书作为教材，并取得了良好的教学效果。同时分析数据的MATLAB软件也在不断地升级与更新，功能越来越强大、越来越智能化。为了让读者更好地学习与掌握数据分析方法，我们对第1版进行了修订。这次修订仍然保持原教材的基本框架与内容体系，但对部分章节的例题数据进行了更新，涉及软件更新的部分也对原书的程序进行改编与优化，补充了部分更具有现实意义的数据分析例题与习题，力求体现三方面的特点：
第一，通过例题或案例进一步加强数据分析理论与方法的应用，着重培养学生解决实际数据分析问题的能力，提高综合分析问题的素质。
第二，通过对原教材的例题、实验问题与习题进行调整，更新数据和增加不同领域的数据分析问题，使得涉及的问题更贴近实际，从而进一步提高学生的学习兴趣和学习效率。
第三，通过补充、完善原教材的理论与方法内容，以适应软件工具的升级与更新，使得教学更简便、过程更有效，进一步培养学生的创新能力。
这次修订工作仍由吴礼斌、李柏年担任主编，所有例题程序均在MATLAB（2014a）中验证通过，并打包放在华章网站（http://www.hzbook.com）供下载使用。
在教学过程中，一要重视数据分析原理的介绍，二要重视MATLAB程序编写的算法分析，三要重视每章的综合性实验教学。学生应具有计算机高级语言编程基础，学习过高等数学、线性代数、概率论与数理统计等课程。建议总教学时数为54学时，其中综合实验为24学时。建议课堂教学在计算机多媒体机房内完成，实现“讲与练”结合，实验课要求学生提交实验报告。具体各章的教学时数、内容和要求可作如下安排：
第1章 MATLAB基础 （6学时，其中2学时实验）
教学内容：MATLAB与数据分析；MATLAB的基本界面操作；矩阵的基本运算；MATLAB编程与M文件；MATLAB与Excel数据的读写交换。
教学要求：熟练掌握MATLAB的基本界面操作；理解运算符、操作符、基本数学函数命令等的功能与调用格式；掌握矩阵的运算；熟练掌握选择、循环语句的编程；掌握建立M文件的方法；了解MATLAB与Excel数据的读写交换。
教学内容：基本统计量（如均值、方差、分位数等）与数据可视化；数据分布与检验（一元与多元数据）；数据变换（无量纲化、Box-Cox变换等）。
教学要求：熟练掌握利用MATLAB计算基本统计量与数据可视化；掌握jbtest与lillietest关于数据的正态性检验；掌握协方差矩阵相等的检验方法；理解数据变换的意义与方法。
教学内容：一元回归模型（线性与非线性回归模型）；多元线性回归模型；逐步回归分析；残差分析。
教学要求：理解回归分析的原理；熟练掌握MATLAB回归分析的命令；会应用MATLAB回归模型类建立回归模型；掌握非线性回归的基本方法以及MATLAB实现；掌握逐步回归的MATLAB方法；掌握残差分析。
教学内容：距离判别分析；贝叶斯判别分析；判别准则的评价。
教学要求：理解判别分析的原理；熟练掌握MATLAB软件进行距离判别与贝叶斯判别的方法和步骤；掌握判别分析的回代误判率与交叉误判率的计算；掌握解决实际判别问题的建模方法。
第5章 主成分分析与典型相关分析（8学时，其中4学时实验）
教学内容：主成分分析的原理（总体主成分的定义、计算、性质，样本主成分计算方法）；主成分分析的应用（基于主成分分析的综合评价、分类、信号分离等）；典型相关分析（原理，典型相关系数计算、检验，样本数据典型相关变量）；典型相关分析应用实例；时间序列的趋势性与列联表分析。
教学要求：理解主成分与典型相关分析的原理；熟练掌握利用MATLAB进行主成分分析的计算步骤；掌握MATLAB进行典型相关分析的计算步骤；掌握具体实际问题典型相关分析结果的合理解释；了解趋势性与列联表分析。
教学内容：距离聚类分析（向量距离、类间距离）；谱系聚类与K均值聚类；模糊均值聚类（模糊C均值聚类，模糊减法聚类）；聚类的有效性。
教学要求：理解聚类的思想与原理；熟练掌握MATLAB关于各种样品距离与类间距离的计算方法；会作谱系聚类图；掌握应用MATLAB计算各种聚类的命令；掌握聚类效果分析方法及程序的实现。
教学内容：蒙特卡罗方法与应用（思想及应用、MATLAB的伪随机数）；BP神经网络与应用（神经网络的概念、BP神经网络、MATLAB神经网络工具箱、BP神经网络的预测与判别）。
教学要求：理解蒙特卡罗方法；掌握用MATLAB生成伪随机数的方法；掌握伪随机数的应用；理解神经网络的基本思想；掌握MATLAB实现神经网络的预测与判别。
7.1.2 随机数的产生与MATLAB的伪随机数218