در این دوره با رویکردی عملگرایانه، بحث را از موضوع پیش‌پردازش و پاکسازی داده‌ها آغاز خواهیم کرد و قبل از هر چیزی سراغ روش‌های مواجهه با مقادیر گمشده، شناسایی و حذف داده‌های پرت، نرمال‌سازی و مقیاس‌بندی داده‌ها و کدگذاری متغیرهای دسته‌ای خواهیم رفت. سپس با مرور مبانی ریاضی بهینه‌سازی، روی روش‌های KKT متمرکز خواهیم شد و با اهمیت شرایط KKT در بهینه‌سازی غیرخطی و همینطور بهینه‌سازی تک‌سطحی و دوسطحی آشنا می‌شویم. در این بخش علاوه بر ریاضیات بهینه‌سازی، با آشنایی با مفاهیمی مثل ماتریس کوواریانس، مقادیر ویژه و بردارهای ویژه توانایی خود برای تحلیل داده گسترش خواهیم داد.

پس از فراگیری مبانی بهینه‌سازی و ریاضیات مورد نیاز به روش‌های یادگیری ماشین می‌رسیم و بر مدل‌های پیش‌بینی متمرکز خواهیم شد. مدل‌های رگرسیون خطی و لجستیک، ماشین بردار پشتیبان (SVM) و مفهوم Kernel و همچنین الگوریتم نزدیک‌ترین k-همسایه (KNN) روش‌ها و مفاهیمی هستند که آن‌ها را با استفاده از ریاضیات بهینه‌سازی و حل‌کننده‌های LP، MILP و NLP فرا خواهیم گرفت. در بخش بعدی، روش‌های K-means و K-medoids در خوشه‌بندی را یاد می‌گیریم و با حل‌کننده‌های LP، MILP و NLP و پیاده‌سازی آن‌ها با استفاده کتابخانه Pyomo در محیط پایتون آشنا می‌شویم.

در نهایت، با تحلیل مؤلفه‌های اصلی (PCA) آشنا خواهیم شد و تاثیر استفاده از آن را در برخی از مسائل قبلی مورد بررسی قرار خواهیم داد. تحلیل مولفه‌های اصلی یک ابزار چندکاره در علوم داده است که در ساده‌سازی داده‌ها، کشف الگوها و بهبود عملکرد مدل‌های تحلیلی در حوزه‌های مختلف نقشی موثر و قابل توجه دارد. توانایی این شیوه در کاهش ابعاد داده بدون از دست دادن قابل توجه اطلاعات، آن را برای متخصصین علوم داده و پژوهشگرانی که با داده‌های بزرگ و پیچیده سروکار دارند، بی‌نهایت ارزشمند می‌سازد. 

در انتهای دوره با انجام پروژه پایانی، آموخته‌های خود در دوره را با دست و پنجه نرم کردن با داده‌های واقعی به کار خواهیم گرفت و آنچه یاد گرفتیم را تثبیت خواهیم کرد. 

این دوره برای تحلیلگران داده، پژوهشگران، دانشجویان و همه علاقه‌مندان به یادگیری ماشین و بهینه‌سازی طراحی شده است و به آن‌ها کمک می‌کند تا مهارت‌ و دانش خود در دنیای علوم داده‌ به صورت ویژه گسترش دهند.