Pri predmetu bomo v teoriji in na praktičnih primerih spoznavali tehnike odkrivanja znanj iz podatkov (angl. data mining). Če bo le možno, pri predmetu sodelujemo na mednarodnem tekmovanju s področja analize podatkov, tipično s portala Kaggle. Za izbrano tekmovanje na predavanjih v teoriji spoznamo ustrezne tehnike strojnega učenja in podatkovne analitike, poznavanje teh učvrstimo z implementacijami v projektnih domačih nalogih, nato pa se v manjših skupinah lotimo naloge iz tekmovanja. Pri tem uporabljamo skriptna orodja v jeziku Python in knjižnice za podatkovno analitiko, kot so numpy, scikit-learn, Orange, in knjižnice za vizualizacijo podatkov, med katerimi so zanimive matplotlib in NetworkX. Če so problemi računsko zahtevni, imamo na voljo strojno opremo za vzporedno izvajanje programske kode.

Med tipičnimi tehnikami, ki smo ji spoznavali pri izvedbah predmeta v preteklih letih, so bile metode za ocenjevanje podobnosti med primeri podatkov, metode razvrščanja v skupine, tehnike za uvrščanje v skupine (logistična regresija, nevronske mreže, gozdovi klasifikacijskih dreves), tehnike izbora značilk, ali pa metode za gradnjo priporočilnih sistemov. Pri predmetu precej programiramo, spoznavamo matematične osnove strojnega učenja, in vsakih štirinajst dni pripravimo poročilo v obliki domače naloge. Delo pri predmetu je intenzivno in sprotno, ocene domačih nalog nadomestijo pisni izpit, ustnega izpita ni. Predavanja skušamo prepletati z vajami, če je le možno, vse skupaj izvedemo v računalniški učilnici in skupaj razvijamo dele programske kode ali pa debatiramo o posledicah sprememb algoritmičnih pristopov in parametrov posameznih metod.