(Felhasznált irodalom: Horvai György (szerk.): Sokváltozós adatelemzés. (Kemometria). Nemzeti Tankönyvkiadó, Budapest, 2001)
1 Matematikai statisztikai alapismeretek
1.1
Valószínűségi eloszlások és jellemzésük
1.2 Hely- és skálaparaméter-becslés, bizonytalanság jellemzése
1.3 Hibaterjedés
2 Vektor-, mátrix- és tenzoraritmetika
3 Többváltozós adatok előkészítése, hiányzó adatok kezelése (Data pre-treatment, Treatment of missing data)
4 Többszörös lineáris regresszió (Multiple Linear Regression, MLR)
5 Multikollinearitás (Multicollinearity)
6 Szinguláris értékek szerinti felbontás (Singular Value Decomposition, SVD)
7 Főkomponens-elemzés (Principal Component Analysis, PCA)
8 Főkomponens regresszió (Principal Component Regression, PCR)
9 Részleges legkisebb négyzetek módszere (Partial Least Squares Regression, PLSR)
10 Párhuzamos faktorelemzés (PARAllel FACtor analysis, PARAFAC)
11 Tucker-féle adattömb felbontások (Tucker Decompositions)
12 Multilineáris PLS (N-way PLS, N-PLS)
13 Többutas súlyozott kovariancia regresszió (Multiway Principal Covariate Regression, PCovR)
14 Modellek érvényesítése, ellenőrzése, minősítése (Model validation)
15 Változók és esetek kiválasztásának módszerei (Variable and/or Case Selection)