前言自本書第1版出版以來，我們的社會已進入大數據時代，數據分析方法越來越受到人們的重視，許多學校選用了本書作為教材，并取得了良好的教學效果。同時分析數據的MATLAB軟件也在不斷地升級與更新，功能越來越強大、越來越智能化。為了讓讀者更好地學習與掌握數據分析方法，我們對第1版進行了修訂。這次修訂仍然保持原教材的基本框架與內容體系，但對部分章節(jié)的例題數據進行了更新，涉及軟件更新的部分也對原書的程序進行改編與優(yōu)化，補充了部分更具有現實意義的數據分析例題與習題，力求體現三方面的特點：
第一，通過例題或案例進一步加強數據分析理論與方法的應用，著重培養(yǎng)學生解決實際數據分析問題的能力，提高綜合分析問題的素質。
第二，通過對原教材的例題、實驗問題與習題進行調整，更新數據和增加不同領域的數據分析問題，使得涉及的問題更貼近實際，從而進一步提高學生的學習興趣和學習效率。
第三，通過補充、完善原教材的理論與方法內容，以適應軟件工具的升級與更新，使得教學更簡便、過程更有效，進一步培養(yǎng)學生的創(chuàng)新能力。
這次修訂工作仍由吳禮斌、李柏年擔任主編，所有例題程序均在MATLAB（2014a）中驗證通過，并打包放在華章網站（http://www.hzbook.com）供下載使用。
編者教學建議在教學過程中，一要重視數據分析原理的介紹，二要重視MATLAB程序編寫的算法分析，三要重視每章的綜合性實驗教學。學生應具有計算機高級語言編程基礎，學習過高等數學、線性代數、概率論與數理統(tǒng)計等課程。建議總教學時數為54學時，其中綜合實驗為24學時。建議課堂教學在計算機多媒體機房內完成，實現講與練結合，實驗課要求學生提交實驗報告。具體各章的教學時數、內容和要求可作如下安排：
第1章　MATLAB基礎 （6學時，其中2學時實驗）教學內容：MATLAB與數據分析；MATLAB的基本界面操作；矩陣的基本運算；MATLAB編程與M文件；MATLAB與Excel數據的讀寫交換。
教學要求：熟練掌握MATLAB的基本界面操作；理解運算符、操作符、基本數學函數命令等的功能與調用格式；掌握矩陣的運算；熟練掌握選擇、循環(huán)語句的編程；掌握建立M文件的方法；了解MATLAB與Excel數據的讀寫交換。
第2章　數據描述性分析（8學時，其中2學時實驗）教學內容：基本統(tǒng)計量（如均值、方差、分位數等）與數據可視化；數據分布與檢驗（一元與多元數據）；數據變換（無量綱化、Box-Cox變換等）。
教學要求：熟練掌握利用MATLAB計算基本統(tǒng)計量與數據可視化；掌握jbtest與lillietest關于數據的正態(tài)性檢驗；掌握協方差矩陣相等的檢驗方法；理解數據變換的意義與方法。
第3章　回歸分析（8學時，其中4學時實驗）教學內容：一元回歸模型（線性與非線性回歸模型）；多元線性回歸模型；逐步回歸分析；殘差分析。
教學要求：理解回歸分析的原理；熟練掌握MATLAB回歸分析的命令；會應用MATLAB回歸模型類建立回歸模型；掌握非線性回歸的基本方法以及MATLAB實現；掌握逐步回歸的MATLAB方法；掌握殘差分析。
第4章　判別分析（8學時，其中4學時實驗）教學內容：距離判別分析；貝葉斯判別分析；判別準則的評價。
教學要求：理解判別分析的原理；熟練掌握MATLAB軟件進行距離判別與貝葉斯判別的方法和步驟；掌握判別分析的回代誤判率與交叉誤判率的計算；掌握解決實際判別問題的建模方法。
第5章　主成分分析與典型相關分析（8學時，其中4學時實驗）教學內容：主成分分析的原理（總體主成分的定義、計算、性質，樣本主成分計算方法）；主成分分析的應用（基于主成分分析的綜合評價、分類、信號分離等）；典型相關分析（原理，典型相關系數計算、檢驗，樣本數據典型相關變量）；典型相關分析應用實例；時間序列的趨勢性與列聯表分析。
教學要求：理解主成分與典型相關分析的原理；熟練掌握利用MATLAB進行主成分分析的計算步驟；掌握MATLAB進行典型相關分析的計算步驟；掌握具體實際問題典型相關分析結果的合理解釋；了解趨勢性與列聯表分析。
第6章　聚類分析（8學時，其中4學時實驗）教學內容：距離聚類分析（向量距離、類間距離）；譜系聚類與K均值聚類；模糊均值聚類（模糊C均值聚類，模糊減法聚類）；聚類的有效性。
教學要求：理解聚類的思想與原理；熟練掌握MATLAB關于各種樣品距離與類間距離的計算方法；會作譜系聚類圖；掌握應用MATLAB計算各種聚類的命令；掌握聚類效果分析方法及程序的實現。
第7章　數值模擬分析（8學時，其中4學時實驗）教學內容：蒙特卡羅方法與應用（思想及應用、MATLAB的偽隨機數）；BP神經網絡與應用（神經網絡的概念、BP神經網絡、MATLAB神經網絡工具箱、BP神經網絡的預測與判別）。
教學要求：理解蒙特卡羅方法；掌握用MATLAB生成偽隨機數的方法；掌握偽隨機數的應用；理解神經網絡的基本思想；掌握MATLAB實現神經網絡的預測與判別。