Na platformie arXiv pojawił się obszerny podręcznik zatytułowany Mathematics of Data Science, który systematycznie omawiania matematyczne podstawy współczesnej nauki o danych. Książka dzieli się na 16 rozdziałów, od fundamentalnych koncepcji po zaawansowane techniki, tworząc spójną ścieżkę od teorii do praktyki.
Podręcznik rozpoczyna się od wprowadzenia do zjawisk występujących w wysokowymiarowych przestrzeniach, a następnie przechodzi do kluczowych technik algebry liniowej takich jak rozkład wartości osobliwych i analiza głównych składowych. Znaczną część zajmują zagadnienia optymalizacji, klasyfikacji, a także wprowadzenie do matematyki głębokich sieci neuronowych. Szczególnie ważne są rozdziały poświęcone zaawansowanym technikom jak compressive sensing, sparsity oraz recovery macierzy niskorangowych.
Publikacja jest cennym zasobem dla osób chcących zrozumieć teorię stojącą za algorytmami uczenia maszynowego. Zamiast operować wyłącznie na praktycznych implementacjach, podręcznik wyjaśnia matematyczne mechanizmy odpowiadające za działanie tych metod - dlaczego regularyzacja poprawia generalizację, jak wymiary danych wpływają na wydajność algorytmów, czy jakie gwarancje teoretyczne mają konkretne podejścia. To szczególnie ważne dla badaczy pragną pogłębić swoją intuicję matematyczną i inżynierów szukających teoretycznych uzasadnień dla wyborów projektowych.