Es habitual clasificar las técnicas de ciencia de datos en técnicas predictivas (técnicas de aprendizaje supervisado), en las que las variables pueden clasificarse inicialmente en dependientes e independientes (similares a las técnicas del análisis de la dependencia o métodos explicativos del análisis multivariante) y técnicas descriptivas (técnicas de aprendizaje no supervisado), en las que todas las variables tienen inicialmente el mismo estatus (similares a las técnicas del análisis de la interdependencia o métodos descriptivos del análisis multivariante).

En este libro se tratan técnicas de análisis supervisado y no supervisado cuta característica fundamental es que involucran variables categóricas. El texto comienza tratando las distribuciones de variables categóricas a través de las tablas de contingencia, contrastes de independencia y medidas de asociación. A continuación se presentan las técnicas de reducción de la dimensión con variables cualitativas entre las que destacan las técnicas de escalamiento óptimo que incluyen componentes principales con variables categóricas, análisis no lineal de correlación canónica y regresión categórica. En los capítulos siguientes se aborda el análisis de correspondencias simples y múltiples y los modelos logartmo lineales. También se dedica una parte importante del contenido al análisis conjunto y a las técnicas de escalamiento multidimensional no métrico. Finalmente se profundiza e los árboles de decisión. Las técnicas se ilustran con ejemplos prácticos y ejercicios resueltos con el software IBM SPSS STATISTICS.