Αυτό το μάθημα σχεδιάζεται για φοιτητές που έχουν μια ισχυρή βάση στην ανάλυση στατιστικών δεδομένων και θέλουν να βελτιώσουν τις δεξιότητές τους στη στατιστική επιστήμη των δεδομένων. Το μάθημα καλύπτει μια σειρά από προηγμένες υπολογιστικές και στατιστικές μεθόδους για την αντιμετώπιση προκλητικών προβλημάτων ανάλυσης δεδομένων. Επικεντρώνεται στη στατιστική μεθοδολογία, αλγόριθμους και λογισμικά που επηρεάζονται από τα δεδομένα. Τα θέματα που καλύπτονται περιλαμβάνουν Υψηλής Διάστασης Ανάλυση Δεδομένων, Ανάλυση Δεδομένων σε Μεγάλη Κλίμακα, Συνδυαστική Μέθοδο στην Στατιστική, Βελτιστοποίηση, Ευρητικές Μέθοδοι στην Στατιστική, Οικονομετρία, Μέθοδοι Βελτιστοποίησης στη Στατιστική (π.χ. αλγόριθμοι τύπου EM), Στοχαστική βελτιστοποίηση και μέθοδοι bootstrapping, Προσομοίωση Δεδομένων, Παλινδρόμηση Ridge, Πολύπλοκες Δομές Δεδομένων, Μη Κανονικά Δεδομένα
Μέσω μιας συνδυαστικής προσέγγισης, περιλαμβάνοντας διαλέξεις, και εργαστήρια, οι φοιτητές θα αποκτήσουν βαθιά κατανόηση των προηγμένων τεχνικών στην στατιστική επιστήμη δεδομένων και θα αναπτύξουν τις δεξιότητές τους για να εφαρμόζουν αυτές τις τεχνικές στην επίλυση πραγματικών προβλημάτων. Σκοπός αυτού του μαθήματος είναι να παρέχει στους φοιτητές προηγμένες γνώσεις και δεξιότητες στη στατιστική επιστήμη δεδομένων, έτσι ώστε μέχρι το τέλος του μαθήματος, οι φοιτητές θα μπορούν να αναλύουν δύσκολα σύνολα δεδομένων, να αναγνωρίζουν μοτίβα και τάσεις, και να εφαρμόζουν προηγμένα στατιστικά μοντέλα για να λύσουν πραγματικά προβλήματα.

Αυτό το μάθημα καλύπτει βασικούς τομείς στις σύγχρονες υπολογιστικές και αναλυτικές τεχνικές. Στην Επεξεργασία Φυσικής Γλώσσας (NLP), αξιολογεί τα δυνατά και αδύνατα σημεία των τεχνολογιών NLP και διερευνά αναλυτικές τεχνικές όπως η στυλομετρία και η μοντελοποίηση θεμάτων. Τα θέματα Deep Learning περιλαμβάνουν deep reinforcement learning, μεταβλητούς αυτόματους κωδικοποιητές για παραγωγή δεδομένων και μετα-εκμάθηση για γρήγορη προσαρμογή εργασιών. Το Foundations of Large Language Models (LLMs) εστιάζεται στην προτροπή αλυσίδας σκέψης, το εξειδικευμένο υλικό NGPU και την αρχιτεκτονική GPT. Το Scientific and Statistical Computing αντιμετωπίζει μεθόδους για την επίλυση προβλημάτων μη γραμμικής βελτιστοποίησης και τον προσδιορισμό των συνθηκών βελτιστοποίησης. Το μοντέλο προγραμματισμού MapReduce συζητά την κλιμακούμενη επεξεργασία δεδομένων με το Hadoop και το Spark. Τέλος, οι αλγόριθμοι ροής και η θεωρία κωδικοποίησης καλύπτουν τη συμπίεση δεδομένων, τον εντοπισμό σφαλμάτων και την επεξεργασία ροής δεδομένων σε πραγματικό χρόνο με χρήση προηγμένων αλγορίθμων.

Ο σκοπός του μαθήματος είναι η μελέτη των γραμμικών μοντέλων παλινδρόμησης που χρησιμοποιούνται στη Στατιστική και την Οικονομετρία. Η μελέτη αυτών των μοντέλων είναι ιδιαίτερα σημαντική για την αποτελεσματική εφαρμογή της οικονομικής θεωρίας σε πραγματικά οικονομικά προβλήματα. Το μάθημα προορίζεται ειδικά για φοιτητές που ενδιαφέρονται να εμβαθύνουν στη γνώση της υπολογιστικής στατιστικής και οικονομετρίας. Ο όρος υπολογιστική στατιστική αναφέρεται στη χρήση υπολογιστικών μεθόδων για την επίλυση προβλημάτων στη στατιστική και την οικονομετρία. Το μάθημα στοχεύει στην εφαρμογή προηγμένων ποσοτικών μεθόδων χρησιμοποιώντας βασικές υπολογιστικές μεθόδους ή εργαλεία υπολογιστών. Προαπαιτούμενο για το μάθημα είναι η καλή γνώση ποσοτικών μεθόδων.
Η εκτίμηση μοντέλων παλινδρόμησης εφαρμόζεται ευρέως στην ανάλυση οικονομικών μοντέλων. Σημειώνεται ότι οι μέθοδοι που παρέχουν θεωρητικά αποδοτικούς εκτιμητές και στατιστικά συμπεράσματα (στατιστική επαγωγή) για οικονομετρικά μοντέλα είναι στο επίκεντρο των εξελίξεων στη στατιστική κοινότητα. Αυτές οι μέθοδοι αποτελούν ένα κύριο πεδίο έρευνας για την περαιτέρω ανάπτυξη της στατιστικής επιστήμης και της οικονομετρίας. Οι στατιστικές μέθοδοι που αναλύονται σε αυτό το μάθημα έχουν εφαρμογές και σε άλλα αντικείμενα εκτός από την Οικονομική Διοίκηση, όπως η Μηχανική και η Τεχνολογία, οι Επιστήμες της Υγείας, η Γεωτεχνική, τα Πολυμέσα και το Διαδίκτυο.
Ο κύριος στόχος του μαθήματος είναι η μελέτη των αναπτυγμένων ποσοτικών μεθόδων στο πεδίο των στατιστικών και οικονομετρικών εφαρμογών. Επιπλέον, θα δοθεί έμφαση στη στατιστική εκτίμηση γραμμικών μοντέλων παλινδρόμησης και πολυμεταβλητών μοντέλων μεγάλης κλίμακας, στη στατιστική επιλογή μοντέλων και σταθερή στατιστική.

Βασικός στόχος της Πρακτικής Άσκησης είναι να δώσει στους φοιτητές/τριες την ευκαιρία να κατανοήσουν τα προβλήματα και τις τάσεις στον τομέα της επιστήμης δεδομένων, εντάσσοντάς τους σε ένα εργασιακό περιβάλλον με πραγματικές συνθήκες εργασίας. Οι φοιτητές/τριες μπορούν να εκτιμήσουν κατά πόσο το εν λόγω περιβάλλον σχετίζεται με τις ακαδημαϊκές τους σπουδές και να προετοιμαστούν κατάλληλα για την επιτυχημένη ένταξη τους στην αγορά εργασίας, μετά την ολοκλήρωση των σπουδών τους. Κατ’ επέκταση, το Τμήμα επωφελείται από τη συνισταμένη των ενισχυμένων σχέσεων με την εγχώρια βιομηχανία και με άλλους οργανισμούς/φορείς.

Το μάθημα έχει σχεδιαστεί για να παρέχει στους φοιτητές γνώσεις σχετικά με τον ορισμό των γραμμικών μοντέλων και τη θεωρητική προσέγγιση της εκτίμησης των ελαχίστων τετραγώνων χρησιμοποιώντας την αποσύνθεση QR για στατιστικά συμπεράσματα. Επίσης το μάθημα αυτό θα παρέχει γνώσεις στους φοιτητές σχετικά με τον ορισμό των γενικευμένων γραμμικών μοντέλων και τη θεωρητική αντιμετώπιση της εκτίμησης μέγιστης πιθανότητας. Το μάθημα παράλληλα στοχεύει στην παρουσίαση των διαδικασιών προσαρμογής του μοντέλου, συμπεριλαμβανομένης της διάγνωσης του μοντέλου, της σταδιακής κατασκευής μοντέλου και της ερμηνείας των αποτελεσμάτων. Τέλος, θα δώσει τα κατάλληλα εφόδια στους φοιτητές να χρησιμοποιούν τα «lm», «glm» και σχετικές συναρτήσεις στην R για να είναι σε θέση να κατανοούν τις υπολογιστικές πτυχές της προσαρμογής του μοντέλου. Στα πλαίσια του μαθήματος προσφέρεται στους φοιτητές μια σύντομη εισαγωγή στις ποινικοποιημένες  μεθόδους ελαχίστων τετραγώνων για το χειρισμό «μεγάλων δεδομένων».

Γενικά, μιια στοχαστική ή τυχαία διαδικασία είναι κάθε μετρήσιμο φαινόμενο που αναπτύσσεται τυχαία στο χρόνο. Στο μάθημα αυτό θα ληφθούν υπόψη μόνο τα απλούστερα μοντέλα, δηλαδή εκείνα όπου η διαδικασία κινείται με μια ακολουθία πηδημάτων σε διακριτά χρονικά βήματα. Θα γίνει συζήτηση για: Αλυσίδες Markov, οι οποίες χρησιμοποιούν την ιδέα της υπό όρους πιθανότητας για να παρέχουν μια ευέλικτη και ευρέως εφαρμόσιμη οικογένεια τυχαίων διαδικασιών. τυχαίους περιπάτους, οι οποίοι χρησιμεύουν ως θεμελιώδεις δομικοί λίθοι για την κατασκευή άλλων διαδικασιών, που είναι σημαντικές και από μόνες τους· και τη θεωρία της ανανέωσης, η οποία μελετά διαδικασίες που περιστασιακά «ξεκινούν από την αρχή». Τέτοιες διαδικασίες είναι κοινά εργαλεία στην οικονομία, τη βιολογία, την ψυχολογία και την επιχειρησιακή έρευνα, επομένως είναι πολύ χρήσιμες καθώς και ελκυστικές και ενδιαφέρουσες θεωρίες.
Οι στόχοι αυτής της ενότητας είναι να εισαγάγει την ιδέα μιας στοχαστικής διαδικασίας και να δείξει πόσο απλή θεωρία πιθανοτήτων και πινάκων μπορούν να χρησιμοποιηθούν για την οικοδόμηση αυτής της έννοιας σε ένα όμορφο και χρήσιμο κομμάτι εφαρμοσμένων μαθηματικών.

Η στατιστική μηχανική μάθηση είναι μια ολοένα και πιο σημαντική προσέγγιση για την εξαγωγή πολύτιμων πληροφοριών από δεδομένα. Ειδικότερα, όταν χρησιμοποιείται κατάλληλα, επιτρέπει μια προσέγγιση βάσει των δεδομένων για την επίλυση διαφόρων προβλημάτων που δεν θα μπορούσαν να επιλυθούν μόνο από τις πρώτες αρχές/θεωρίες. Το μάθημα έχει σχεδιαστεί για να αναπτύξει θεωρητικά και πρακτικά μια επιλογή θεμελιωδών προβλημάτων μηχανικής μάθησης και λύσεων που χρησιμοποιούνται συνήθως.

Ο στόχος ενός μαθήματος εξόρυξης κειμένου και δεδομένων είναι να διδάξει στους μαθητές πώς να εξάγουν χρήσιμες πληροφορίες από μεγάλα σύνολα μη δομημένων δεδομένων κειμένου. Αυτό περιλαμβάνει την εκμάθηση του τρόπου προεπεξεργασίας δεδομένων κειμένου, την αναπαράστασή τους με τρόπο που μπορεί να αναλυθεί από αλγόριθμους μηχανικής μάθησης και την εφαρμογή διαφόρων τεχνικών όπως η ταξινόμηση, η ομαδοποίηση και η εξόρυξη κανόνων συσχέτισης για την εξαγωγή πληροφοριών από τα δεδομένα. Το μάθημα μπορεί επίσης να καλύπτει θέματα όπως η ανάλυση συναισθημάτων, η μοντελοποίηση θεμάτων, η απόξεση ιστού (web scraping) και η εξόρυξη μέσων κοινωνικής δικτύωσης.

Στόχος του μαθήματος είναι να εφοδιάσει τους φοιτητές με τις απαραίτητες γνώσεις έτσι ώστε να είναι ικανοί να σχεδιάσουν βάσεις δεδομένων και  συστήματα βάσεων δεδομένων και να υλοποιήσουν βάσεις δεδομένων με χρήση γλώσσας SQL.

Τα πολυμεταβλητά στατιστικά μοντέλα και οι πολυμεταβλητές μέθοδοι είναι απαραίτητα για την ανάλυση σύνθετων δομημένων και ενδεχομένως ανάλυση υψηλών διαστάσεων δεδομένων από οποιονδήποτε τομέα της επιστήμης και της βιομηχανίας, όπως τη βιολογία, την ιατρική, τη γενετική όπως επίσης τα χρηματοοικονομικά και την κοινωνιολογία. Η στατιστική πολλαπλών μεταβλητών παρέχει επίσης τη βάση πολλών αλγορίθμων μηχανικής και στατιστικής μάθησης. Σκοπός του μαθήματος είναι η εξοικείωση των φοιτητών με τη μεθοδολογία της πολυμεταβλητής στατιστικής και της στατιστικής μάθησης για φοιτητές με ειδίκευση στην επιστήμη δεδομένων, καθώς και με την πρακτική εφαρμογή τους με τη χρήση της γλώσσας στατιστικού προγραμματισμού R.