Het merendeel van de wetenschappers, van archeologen tot zoölogen, verzamelt enorme hoeveelheden gegevens. Hun databanken bevatten grote hoeveelheden informatie die voor de mens moeilijk te filteren zijn. Met een stevige basis in de statistiek en de computerwetenschappen kunnen we algoritmes ontwikkelen voor het analyseren en identificeren van patronen in big data uit vele specialismen, en deze toepassen om nieuwe inzichten te verkrijgen.

Computational network science

dr. Frank Takes (hoofd)
Het Leidse Computational Network Science Lab (CNS Lab) doet onderzoek naar methoden om kennis te ontdekken uit echte netwerkdata. Met behulp van een combinatie van grafiek-algoritmen en machine learning technieken streven ze ernaar patronen in dynamische complexe netwerken vanuit verschillende toepassingsdomeinen te ontsluieren. Voorbeelden hiervan zijn sociale netwerken, communicatienetwerken, wetenschappelijke netwerken, infrastructuurnetwerken en bedrijfs-/economische/financiële netwerken.
Meer informatie over het CNS lab

Explanatory data analysis

dr. Matthijs van Leeuwen (hoofd)
De Explainatory Data Analysis groep ontwikkelt algoritmes en theorieën die domeinexperts in staat stellen om gegevens te verklaren door het vinden van interpreteerbare patronen en modellen. Hun belangrijkste focus ligt op verkennende data-analyse, vaak in de vorm van het ontdekken van nieuwe en onverwachte patronen die nuttige inzichten kunnen geven. Ze streven naar algoritmen die accuraat zijn, interpreteerbare resultaten opleveren en door de analist kunnen worden begeleid. Hun onderzoek bouwt voort op de stand van de techniek in informatietheoretische datamining, statistische datamining en interactieve dataverkenning en -analyse. 
Meer informatie over de Explanatory Data Analysis groep

Data mining & sport

dr. Arno Knobbe (hoofd)
Het verzamelen van gegevens in de sport is de laatste jaren in belang toegenomen. Camerasystemen kunnen de positie van spelers volgen, er worden sensoren in kleding geïmplementeerd en er zijn veel toepassingen ontworpen om bijvoorbeeld de gezondheid van sporters in de gaten te houden. De Data Mining and Sports groep maakt gebruik van kunstmatige intelligentie, machine learning en data mining om op basis van deze gegevens voorspellingen te doen en nieuwe onderliggende patronen te ontdekken die anders onopgemerkt zouden zijn gebleven. 

Data Science for Social Good

Prof.dr.ir. Wessel Kraaij (hoofd)
DSSG is een groep van data science onderzoekers. De missie van de groep is het onderzoeken en ontwikkelen van methoden en technologie - met name gebaseerd op data science - om initiatieven te ondersteunen die gericht zijn op maatschappelijk welzijn. Recente economische en technologische ontwikkelingen hebben het potentieel aangetoond van het gebruik van data-intensieve methoden voor krachtige digitale diensten en platforms. Deze technologieën zijn door private equity verwelkomd als een effectief middel om de aandeelhouderswaarde te verhogen. Echter, in veel gevallen leidt gerichte aandacht voor meer aandeelhouderswaarde tot meer sociale ongelijkheid en minder solidariteit/vertrouwen, wat een reële bedreiging vormt voor onze democratische samenleving.

Wij geloven dat data science methoden kunnen bijdragen aan social good, dat wil zeggen aan publieke waarde voor burgers en burgerorganisaties. Data science, machine learning en digitale methoden hebben de potentie om bijvoorbeeld burgerinitiatieven te helpen, of lokaal opererende bedrijven met een sociale impact die gemotiveerd zijn om bij te dragen aan de grote maatschappelijke transities waarmee we geconfronteerd worden.
Meer informatie over DSSG

Health Data Science

Prof.dr.ir. Wessel Kraaij (hoofd)
Het gezondheidsonderzoek, de medische praktijk, alsmede de hele bevolking wordt steeds meer beïnvloed door digitalisering, data science en kunstmatige intelligentie. De mogelijkheden om de gezondheidsresultaten op individueel, groeps- en populatieniveau te verbeteren zijn enorm, aangezien meer gegevens beschikbaar komen en steeds vaker worden gecombineerd voor verbeterde risicodetectie, diagnose, behandeling en etiologisch onderzoek. Onze groep houdt zich bezig met het analyseren van gestructureerde en ongestructureerde databronnen (real world data, routine zorg data, omgevingsdata) voor het extraheren van nieuwe kennis of het voorspellen van gezondheidsuitkomsten, door bijvoorbeeld het ontwerpen van digitale biomarkers en het updaten / kalibreren van gepubliceerde modellen (de 'evidence base').
Meer informatie over Health Data Science