1. Bevezetés, okság definíciója a filozófiában, statisztika alapozás, függvény forma vizsgálatából levezethető okság. 
2. Minták, események vizsgálata, randomizált kísérlet és confounder fogalma. Bayes-i inferencia, megfigyeléses tanulmányok és kezelés hatásának erőssége fejezetek a Causal Inference: What If? könyvből.
3. Grafikus valószínűségi modellek, confounder és collider fogalma kauzális gráfokban. A d-szeparáció elmélete, a kauzalitás Judea Pearl féle definíciója.
4. Kauzális gráfok inferenciája: irányított aciklikus kauzális gráfok kinyerése a PC-algoritmus és kiterjesztései segítségével. Kauzális gráfok ekvivalenciaosztályai, eldönthetetlen esetek.
5. Kauzalitás sztochasztikus idősorokon, vektor autoregresszív folyamatok. Granger-féle kauzalitás, transzfer entrópia módszerek.
6. Kauzalitás sztochasztikus idősorokon a feltételes Grangerféle kauzalitás és spektrális Granger-féle kauzalitás módszerekkel.
7. Kauzalitás sztochasztikus idősorokon a Markov-tulajdonság alkalmazásával, szignifikancia mérése és surrogate készítés.
8. Kauzalitás dinamikai rendszerekben: káosz és ergodicitás definíciók, Takens beágyazási tétele.
9. A konvergens keresztleképezés, konvergens keresztrendezés és rekurrencia térképek módszerei.
10. A dimenziós kauzalitás módszer és néhány mesterséges neurális hálón alapuló módszer.
11. Anomália fogalma statisztikában és idősorokon, anomáliadetekció klasszikus gépi tanulási módszerekkel (egyosztályos SVM, izolációs erdő, helyi kiszóró faktor, időbeli kiszóró faktor) és mély neurális hálós módszerekkel (autoenkóder, BiGAN, LSTM).
12. Önállóan feldolgozott cikkek és projektfeladatok (gyakorlati alkalmazások) ismertetése, hallgatók értékelése.

1. Introduction, definition of causality in philosophy, foundamentals in statistics, causal deductions from the function form.
2. Examination of samples, events, concepts of randomized experiments and confounders. Bayesian inference, observational studies and treament effect from the book Causal Inference: What If?
3. Graphical models, confounder and collider in causal graphs. Theory of d-separation, Judea Pearl's definition of causality.
4. Inference of causal graphs: extracting directed acyclic graphs with the PC algorithm and its extensions. Equivalence classes of causal graphs, undecidable cases.
5. Causality of stochastic time series, vector autoregressive processes. Granger causality and transfer entropy.
6. Causality of stochastic time series using conditional Granger causality and spectral Granger causality.
7. Causality on stochastic time series using the Markov property. Measuring significance and generating surrogate data.
8. Causality in dynamical systems: definitions of chaos and ergodicity, Takens' embedding theorem.
9. Convergent cross-mapping, convergent cross-sorting, recurrence maps. 10. The dimensional causality method and some methods based in artificial neural networks.
11. Concept of anomaly in statistics and time series, anomaly detection using classical machine learning methods (one-class SVM, isolation forest, local outlier factor, temporal outlier factor) and deep neural network methods (autoencoder, BiGAN, LSTM).
12. Presentation of independently processed articles and student projects (applications), student evaluation.