هدف این درس آشنایی با مفاهیم و مبانی نظری علم داده است. این مبانی از جنبه های مختلفی هماند هندسه ابعاد بالا، کاهش بعد داده های با ابعاد بالا، قدم زنی تصادفی و زنجیره مارکوف، گراف های تصادفی همچنین در خصوص جنبه​های مهم ارزیابی و تحلیل این سیستم​ها بحث خواهد شد.

1. مقدمه
2. هندسه با ابعاد بالا
   • هندسه با ابعاد بالا و ویژگی های آن
   • تولید داده در أبعاد بالا
   • توزیع گوسی در ابعاد بالا
   • تخمين توزیع برای داده های با ابعاد بالا
   • تعیین نزدیک ترين همساته برای داده های با ابعاد بالا
3. کاهش بعد برای داده های با ابعاد بالا
   • داده های با ابعاد بالا و مصیبت ابعاد
   • کاهش بعد داده های با ابعاد بالا با کمک روش تحلیل مؤلفه اصلی
   • کاهش بعد داده های با ابعاد بالا با کمک روش تجزيه مقادير تکین
   • شیوه پیاده سازی روش های کاهش بعد برای داده های با ابعاد بالا
4. زنجیره مارکوف و قدم زنی تصادفی
   • زنجیره ماركوف
   • قدم زنی تصادفی و همگرایی آن برای گراف های مختلف
   • قدم زنی تصادفی در فضاء اقلیدسی
   • شبکه وب و زنجیره مارکوف
   • روش های مختلف نمونه برداری
5. گراف تصادفی و تحلیل شبکه های اجتماعی
   • گراف های تصادفی و خواص آنها
   • مدل های مختلف تولید گراف های تصادفی
   • مسایل مختلف در گراف های تصادفی و شیوه حل آنها
   • مدل های مختلف گراف های تصادفی مانند جهان کوچک
6. مسایل همام سازی و هم ترازی
7. مدل سازی موضوعی
8. روش های مختلف تجزیه ماتریس
9. روش های طیفی در خوشه بندی و کاربردهای آن در شبکه های اجتماعی
10. الگوریتم های تحلیل داده های از قبیل جویبارسازی، نمونه برداری و Sketching

• تمرین‌های نظری: ۳ نمره
• آزمون‌‌های میان‌ترم و پایانی: ۱۵ نمره
• آزمونک‌ها: ۲ نمره