Το μάθημα περιλαμβάνει σειρά θεωρητικών διαλέξεων στα ακόλουθα επιστημονικά αντικείμενα:

• Εισαγωγή σε προγραμματιστικά εργαλεία στατιστικής ανάλυσης (python, MatLab/Octave)
• Συλλογή δεδομένων. Στατιστική ανάλυση. Στατιστικοί έλεγχοι – έλεγχοι υποθέσεων
• Συντελεστές συσχέτισης, Απλή γραμμική παλινδρόμηση, Πολλαπλή γραμμική παλινδρόμηση, Ελάχιστα τετράγωνα για γραμμικές και  μη γραμμικές εξισώσεις
• Principal component Analysis, Singular Value Decomposition, Clustering algorithms
• Ανάλυση χρονοσειρών. Μονομεταβλητή ανάλυση. Στατιστική ανάλυση. Συνάρτηση αυτοσυσχέτισης, Αμοιβαία πληροφορία, Ανάλυση συχνοτήτων-Περιοδόγραμμα
• ARMA, ARIMA, SARIMAX
• Πολυμεταβλητή ανάλυση, συσχετίσεις Pearson, Spearman, cross-correlation, Granger causality
• Εργαλεία από την περιοχή του χάους. Ανακατασκευή χώρου των φάσεων, Εκθέτες Lyapunov, recurrence plots
• Βασικά στοιχεία πολύπλοκων δικτύων. Μετατροπή χρονοσειρών σε πολύπλοκα δίκτυα.
• Προβλέψεις με χρήση Νευρωνικών δικτύων. Μέθοδοι Βαθειάς μάθησης (deep learning)
• Μέθοδοι μηχανικής μάθησης. Support Vector Machines, Random Forest