Bu ders, matematiksel modelleme perspektifinden veri tabanlı öğrenmenin prensiplerine titiz bir giriş sunmaktadır. Bu dersin temel amacı, istatistiksel modellemenin matematiksel temellerine odaklanarak, keşifsel veri bilimi ile gelişmiş makine öğrenimi arasındaki boşluğu kapatmaktır.

Bu ders, temel veri keşfinden öğrenme mekanizmalarının matematiksel formülasyonuna kapsamlı bir geçiş sağlayarak, temel Veri Bilimi ile ileri Makine Öğrenimi arasında bir köprü görevi görür. Veri temizleme ve Keşifsel Veri Analizi'nin (EDA) ötesine geçerek, Veri Üretim Süreci'nin (DGP) biçimsel temsiline odaklanır. Öğrenciler, gözlemlenen verileri sistematik bir sinyal ve stokastik gürültünün bir kombinasyonu olarak ele alacak ve belirsizliği ve indirgenemez hatayı modellemek için temel dil olarak olasılık teorisini kullanacaklardır. Müfredatın merkezi teması, birincil amacı tanımlanmış bir kayıp fonksiyonunu en aza indiren belirli model parametrelerini bulmak olan bir optimizasyon problemi olarak "öğrenme"nin kavramsallaştırılmasıdır. İstatistiksel çıkarım merceğinden bakarak, ders, anlamlı sinyali çevreleyen gürültüden minimum hata ile çıkararak, fiziksel bir sürecin parametreleri veya bir veri kaynağının "hileli" doğası gibi gizli sistem özelliklerini nasıl belirleyeceğini araştırır. Ayrıca, öğrenciler model karmaşıklığı ve genelleme arasındaki kritik dengeyi değerlendirecek, görünmeyen verilerde sağlam performans sağlamak için yetersiz uyum ve aşırı uyum risklerini teşhis etmeyi ve azaltmayı öğreneceklerdir.