Hoewel Big Data tegenwoordig in veel domeinen gemeengoed is geworden, zijn de uitdagingen om efficiënte en geautomatiseerde mining van de steeds toenemende datasets door nieuwe generaties datawetenschappers te ontwikkelen, nog steeds groot. Deze uitdagingen omvatten grote delen van de maatschappij, het bedrijfsleven en onderzoek. Astronomen met hun hightech observatoria staan ​​historisch gezien op de voorgrond van dit veld, maar het is duidelijk dat de impact in b.v. commerciële toepassingen, beveiliging, milieumonitoring en experimenteel onderzoek zijn enorm. We willen bijdragen aan deze algemene discussie door een aantal jonge wetenschappers op te leiden op het gebied van informatica en astronomie, waarbij we ons richten op technieken voor geautomatiseerd leren van grote hoeveelheden gegevens om fundamentele vragen te beantwoorden over de evolutie van eigenschappen van sterrenstelsels. Hoewel deze technieken zullen leiden tot grote vooruitgang in ons begrip van de vorming en evolutie van sterrenstelsels, zullen we ook, in samenwerking met de industrie, veel meer algemene toepassingen in de samenleving bevorderen, b.v. in medische beeldvorming of teledetectie. We hebben een team van astronomen en computerwetenschappers samengesteld, van academische en particuliere partners, om technieken te ontwikkelen voor het detecteren en classificeren van ultravage sterrenstelsels en restanten van sterrenstelsels in een diepgaand onderzoek van het Fornax-cluster en de resultaten te gebruiken om te bestuderen hoe sterrenstelsels evolueren in de dichte omgeving van sterrenstelsels. Met een team van jonge onderzoekers zullen we nieuwe computerwetenschapsalgoritmen ontwikkelen die fundamentele onderwerpen in de vorming van sterrenstelsels aanpakken, zoals de enorme fracties van donkere materie die door de theorie zijn afgeleid, en het gebrek aan gedetecteerd hoekmomentum in sterrenstelsels. De samenwerking is uniek - het zal een platform ontwikkelen voor diepe symbiose van twee radicaal verschillende benaderingen: puur datagestuurd machinaal leren en specialistische benaderingen op basis van in de astronomie ontwikkelde technieken. Jonge wetenschappers die met dergelijke vaardigheden zijn opgeleid, worden zowel in onderzoek als in het bedrijfsleven veel gevraagd.