Εκπαιδευτική Ύλη
1.    Απαραίτητες Δεξιότητες
•    Αποτελεσματική επικοινωνία και παρουσίαση 
•    Διαχείριση αλλαγών
•    Ομαδική εργασία 
•    Καθορισμός στόχου
•    Δημιουργική σκέψη 
2.    Εισαγωγή στην Εφαρμοσμένη Μηχανική Μάθηση
•    Ιστορική αναδρομή και εργασίες Μηχανικής Μάθησης 
•    Αρχές Μηχανικής Μάθησης 
•    Διαδικασίες και στόχοι Μηχανικής Μάθησης
•    Περιγραφή βασικών ρόλων στη Μηχανική Μάθηση 
•    Κατηγορίες μάθησης: βασικές κατηγορίες, εκμάθηση χαρακτηριστικών, εκμάθηση κανόνων σύνδεσης 
•    Επεξεργασία δεδομένων: Προ- επεξεργασία, ανισόρροπα δεδομένα 
•    Επιβλεπόμενη μάθηση: αφελείς ταξινομητές 
•    Μη επιβλεπόμενη μάθηση
•    Ημι Επιβλεπόμενη μάθηση
•    Ενισχυτική Μάθηση
•    Παλινδρόμηση
•    Αξιολόγηση και συστήματα της μηχανικής μάθησης
•    Εργαλεία μάθησης και πλαίσια στη μηχανική μάθηση
•    Πρόσθετοι αλγόριθμοι
•    Μέθοδοι εκπαίδευσης 
•    Βελτιστοποιητές
•    Συνολική μάθηση
•    Χρονοσειρές και εντοπισμός ανωμαλιών
3.    Η γλώσσα προγραμματισμού Python στην Επιστήμη των Δεδομένων
•    Βασικά χαρακτηριστικά της γλώσσας προγραμματισμού Python 
•    Βασικές βιβλιοθήκες της Python 
•    Η εγκατάσταση της Python 
•    Εισαγωγή: χρήση του Jupyter Notebook, κώδικας γραφής 
•    Μεταβλητές
•    Τύποι ενσωματωμένων δεδομένων
•    Δηλώσεις
•    Λειτουργίες
•    Τάξεις και αντικείμενα
•    Δομοστοιχεία
•    Διαχείριση αρχείων
•    Οι βιβλιοθήκες στην επιστήμη των δεδομένων στην Python
•    Το πακέτο NumPy
•    Η βιβλιοθήκη Pandas για την ανάλυση δεδομένων
•    Η βιβλιοθήκη Matplotlib για την οπτικοποίηση δεδομένων
•    Ανάλυση χρονοσειρών
•    Η βιβλιοθήκη Scikit- Learn της Python για τη Μηχανική Μάθηση
4.    Αποθήκευση και ανάκτηση δεδομένων
•    Μεγάλα δεδομένα και Hadoop
•    Πλαίσιο Hadoop
•    Το σενάριο του Data Lake
•    Συμπλέγματα Hadoop
•    Αρχιτεκτονική δομή και διαφορές 
•    Σύστημα διαμοιρασμού αρχείων στο Hadoop
•    Λειτουργικό σύστημα Hadoop
•    Περιοχές- Κλειδιά στη διαχείριση αρχείων του Hadoop
•    Τρέχουσες εφαρμογές- Το πλαίσιο του MapReduce 
•    Τρέχουσες εφαρμογές- Το πλαίσιο του Spark
•    Apache Hive και Apache Pig 
•    Η ασφάλεια στο Hadoop
5.    Ο ρόλος της στατιστικής στην Επιστήμη των Δεδομένων
•    Η στατιστική ως ένα μεγάλο μέρος της Επιστήμης των Δεδομένων
•    Λόγοι χρήσης γλώσσας R στην Επιστήμη των Δεδομένων
•    Εγκατάσταση R και RStudio σε Windows και Linux 
•    Μεταβλητές
•    Ενσωματωμένοι τύποι δεδομένων και αντικείμενα
•    Έλεγχος δομών
•    Λειτουργίες και Ορίσματα
•    Χρήση της γλώσσας R για τον υπολογισμό και την οπτικοποίηση στην περιγραφική στατιστική
•    Η κατανομή πιθανοτήτων που υποστηρίζεται από την R
•    Εισάγοντας δεδομένα στην R
•    Λειτουργίες της R και βιβλιοθήκες για την αναφορική στατιστική
•    Οπτικοποίηση δεδομένων με την R
•    Τα πακέτα R για την Μηχανική Μάθηση
6.    Εισαγωγή στην οπτικοποίηση των πληροφοριών 
•    Έννοιες- Κλειδιά
•    Θεμελιώδεις αρχές της οπτικής πληροφορίας
•    Μεθοδολογίες και αποτελεσματικοί τρόποι κωδικοποίησης πληροφοριών σε γραφικές παραστάσεις
•    Βασικές γραφικές παραστάσεις και διαγράμματα που χρησιμοποιούνται στην οπτικοποίηση δεδομένων
•    Εργαλεία Λογισμικού και προγράμματα για οπτικοποίηση δεδομένων
•    Χαρακτηριστικά διεπαφής στο δημόσιο Tableu 
•    Ανάλυση δεδομένων 
•    Δυναμικός χειρισμός δεδομένων και οπτικοποίηση