Ενότητα 1: SQL & Σχεσιακές Βάσεις Δεδομένων

1. Τι είναι σχεσιακή βάση δεδομένων (Relational Database) και πώς δομείται
2. Σχήμα πίνακα (table schema), πεδία, τύποι δεδομένων, περιορισμοί (constraints)
3. Δημιουργία και διαχείριση πινάκων με CREATE, ALTER, DROP
4. Βασικές εντολές SQL: SELECT, WHERE, ORDER BY, DISTINCT, TOP/LIMIT
5. Συναθροιστικές συναρτήσεις και ομαδοποίηση (GROUP BY, HAVING) – εξαγωγή KPIs
6. Συνενώσεις πινάκων (INNER JOIN, LEFT JOIN κ.ά.)
7. Υποερωτήματα (IN, EXISTS, ANY, ALL)
8. Εικονικοί πίνακες (Views) για reporting
9. Πρακτική χρήση του SQL Server Management Studio (SSMS)

Ενότητα 2: Οικονομετρικά Εργαλεία για Πρακτικές Εφαρμογές

1. Τι είναι παλινδρόμηση και ποια η χρήση της στην οικονομική ανάλυση
2. Εκτίμηση απλής και πολλαπλής γραμμικής παλινδρόμησης
3. Έλεγχοι υποθέσεων και ερμηνεία αποτελεσμάτων (p-values, R², t-tests, διαστήματα εμπιστοσύνης)
4. Προβλήματα και διαγνωστικοί έλεγχοι: πολυσυγγραμμικότητα, ετεροσκεδαστικότητα, αυτοσυσχέτιση
5. Εφαρμογή οικονομετρικών μοντέλων σε χρηματοοικονομικά δεδομένα
6. Από την οικονομετρία στο Machine Learning: η γραμμική παλινδρόμηση ως βάση των μοντέλων πρόβλεψης

Ενότητα 3: Ανάλυση Δεδομένων με R και Business Intelligence

1. Χρήση του RStudio για στατιστική και οικονομετρική ανάλυση
2. Διασύνδεση της R με SQL Server (μέσω DBI και odbc) και ανάκτηση δεδομένων απευθείας από πίνακες SQL
3. Επεξεργασία δεδομένων με dplyr: filter(), select(), mutate(), summarise()
4. Οπτικοποίηση δεδομένων με ggplot2 (ιστογράμματα, γραμμικά διαγράμματα, διαγράμματα διασποράς)
5. Εισαγωγή στο Power BI: σύνδεση με SQL Server και δημιουργία δυναμικών dashboards
6. Excel για επιχειρηματική ανάλυση: pivot tables, XLOOKUP, SUMIFS, COUNTIFS
7. Εκτίμηση και ερμηνεία μοντέλων παλινδρόμησης με lm()
8. Συνδυασμός SQL + R για end-to-end ανάλυση: από τη βάση SQL στην R, στην ανάλυση και στα οικονομετρικά συμπεράσματα – παρουσιάσεις projects