L'assignatura s'organitza en tres blocs independents, cadascun impartit per un professor diferent. Mentre que el primer bloc de l'assignatura (10 hores) introdueix conceptes relacionats amb la mineria de dades, generalment aplicats a conjunts de dades de gran dimensió, el segon bloc (18 hores) se centra en els mètodes estadístics i els coneixements necessaris per modelitzar aquest tipus de dades. Es posa un èmfasi especial en els mètodes d'agregació de dades, incloent-hi els estadístics suficients, la metaanàlisi i els mètodes per combinar diferents estimacions, així com en els mètodes estadístics escalables, entre els quals destaquen els mètodes divide-and-conquer, les tècniques de submostreig i els mètodes d'optimització estocàstica, com ara el stochastic gradient descent. Aquests mètodes s'estudiaran mitjançant aplicacions amb dades reals, especialment en el context dels models lineals i dels models lineals generalitzats. Finalment, el tercer bloc de l'assignatura (10 hores) introdueix els estudiants en alguns dels mètodes més rellevants de l'aprenentatge profund (deep learning), amb una atenció especial a les xarxes neuronals i a les seves aplicacions.

En general, cada bloc combina sessions de teoria i introducció de conceptes per part del professor amb sessions pràctiques que poden ser sessions dirigides o bé sessions de treball autònom. Les sessions de teoria es poden acompanyar amb diapositives les quals es compartiran al Moodle del curs, mentre que les sessions de problemes i pràctiques dirigides poden acompanyar-se per exemples pràctics amb R i/o Python, els quals generalment també es podran compartir al Moodle del curs. Els professors, si així ho consideren, podran compartir, mitjançant el Moodle del curs, material addicional el qual s'haurà de treballar per part dels alumnes per aprofundir en els conceptes introduïts a classe.

Sobre l'ús de la IA: En aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) com a part integrant del desenvolupament del treball, sempre que el resultat final reflecteixi una contribució significativa de l'estudiant en l'anàlisi i la reflexió personal. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat.

L'avaluació del curs es fa independentment en cadascun dels blocs descrits. El pes de cada bloc coincideix amb el número d'hores del bloc en relació amb el total d'hores del curs. En general, en cada bloc es plantejaran un conjunt de projectes que es podran treballar de manera individual o en grups, i que en alguns casos, una petita part del projecte requerirà la comunicació de continguts i resultats oralment. Els projectes dels blocs 1 i 3 tenen un pes de l'assignatura d'un 26% cadascun mentre que els projectes del bloc 2 tenen un pes de l'assignatura d'un 48%. 

Per a cada projecte es penjarà al Moodle del curs l'enunciat amb la descripció del que es demana, tot el material necessari per a desenvolupar el projecte (conjunt de dades, fonts addicionals d'informació, etc.), la data i el mecanisme d'entrega del projecte, així com altres detalls que el professor consideri rellevants. Les qualificacions de cada projecte així com les qualificacions finals de cada bloc i del curs es publicaran també al Moodle del curs.