Hoewel Big Data in veel domeinen tegenwoordig gebruikelijk is geworden, zijn de uitdagingen om efficiënte en geautomatiseerde ontginning van de steeds groter wordende gegevenssets door nieuwe generaties data-wetenschappers te ontwikkelen, van eminent belang. Deze uitdagingen omvatten brede delen van de maatschappij, het bedrijfsleven en onderzoek. Astronomen met hun high-tech observatoria zijn historisch gezien een voorloper op dit gebied, maar het is duidelijk dat de impact in b.v. commerciële toepassingen, beveiliging, milieumonitoring en experimenteel onderzoek is immens. We willen een bijdrage leveren aan deze algemene discussie door een aantal jonge wetenschappers op te leiden op het gebied van computerwetenschappen en astronomie, met de nadruk op technieken van geautomatiseerd leren uit grote hoeveelheden gegevens om fundamentele vragen over de evolutie van eigenschappen van sterrenstelsels te beantwoorden. 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 algemenere toepassingen in de maatschappij bevorderen, b. in medische beeldvorming of teledetectie. We hebben een team van astronomen en computerwetenschappers, van partners uit de academische en de privésector, samengebracht om technieken te ontwikkelen voor het detecteren en classificeren van ultra-vage sterrenstelsels en resten van sterrenstelsels in een diep onderzoek van het Fornax-cluster, en de resultaten te gebruiken om te bestuderen hoe sterrenstelsels evolueren in de dichte omgeving van clusters van sterrenstelsels. Met een team jonge onderzoekers zullen we nieuwe computerwetenschappelijke algoritmen ontwikkelen die zich bezighouden met fundamentele onderwerpen in de vorming van sterrenstelsels, zoals de enorme dark matter-fracties afgeleid door theorie, en het gebrek aan gedetecteerd impulsmomentum in sterrenstelsels. De samenwerking is uniek - het zal een platform ontwikkelen voor een diepe symbiose van twee radicaal verschillende benaderingen: puur data-gestuurde machine learning en gespecialiseerde benaderingen gebaseerd op technieken ontwikkeld in de astronomie. Jonge wetenschappers die met dergelijke vaardigheden zijn opgeleid, zijn zeer gevraagd, zowel in onderzoek als in het bedrijfsleven.