Les algorithmes de science des données utilisent des méthodes informatiques pour extraire directement des informations des données. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues afin de prédire les résultats futurs, et l'apprentissage non supervisé, qui identifie des modèles cachés ou des structures intrinsèques dans les données d'entrée. La plupart des techniques d'analyse non supervisée liées à la réduction dimensionnelle sont développées tout au long de cet ouvrage d'un point de vue méthodologique et pratique, avec des applications via le logiciel R. Les techniques suivantes sont explorées en profondeur : l'analyse en composantes principales, l'analyse factorielle, l'analyse des correspondances simples et l'analyse des correspondances multiples.