Această carte a fost concepută în ideea de a veni în sprijinul tuturor celor care doresc să-și aprofundeze cunoștintele teoretice și practice referitoare la știința macroeconomică.

Aplicațiile rezolvate au fost concepute în scopul de a explica mecanismele macroeconomice și, totodată, pentru înțelegerea în profunzime a noțiunilor și a fenomenelor la nivelul comportamentului componentelor macroeconomice.

Scopul principal al analizei avansate la nivel macroeconomic este acela de a asigura o mai bună înţelegere a structurii şi mecanismelor la nivelul economiei naţionale, printr-o abordare în profunzime a acestora din urmă.
Astfel, se prezintă: comportamentele celor doi agenţi economici importanţi (firma/gospodăria) şi bancă; aspectele fundamentale de luat în considerare în analiza la nivel macroeconomic; modelele economico-matematice de analiză a unei economii deschise mici; ajustarea şi stabilizarea dinamică a echilibrului la nivel macroeconomic din perspectiva economico-matematică.

Lucrarea este concepută în ideea de a veni în sprijinul tuturor celor care doresc să cunoască aspecte mai mult sau mai puţin analitice referitoare la ştiinţa micro- şi macroeconomică, din perspectiva aplicării calculului neuronal.

Data Science (DS) este un domeniu multidisciplinar care include statistica, informatica, învățarea automată (ML-Machine Learning) și expertiza în domeniu, pentru a obține cunoștințe și informații din date deja existente.
Lucrarea Data Science utilizând mediul R. Teorie şi aplicaţii  este concepută în ideea de a veni în sprijinul tuturor celor care doresc să cunoască aspecte mai mult sau mai puţin analitice referitoare la știința datelor.

Prin inteligenţă artificială (AI-Artificial Intelicence) se înțelege orice tehnică care permite calculatoarelor să imite comportamentul uman, inclusiv învăţarea maşinii, procesarea limbajului natural (NLP), sinteza limbajului, „viziunea” computerului (programarea computerului pentru a„vedea”), robotica, analiza senzorilor, optimizarea şi simularea.
În acest context, Machine Learning (ML – învăţarea automată) constituie un subset de tehnici de AI care permite sistemelor informatice să „înveţe” din experienţa anterioară (adică din observaţiile de date), având ca efect îmbunătăţirea operaţiunilor pentru o anumită sarcină. Tehnicile ML includ Support Vector Machines (SVM), arbori de decizie, învăţare Bayes, k-means clustering, reguli de asociere, regresie, reţele neuronale şi multe altele.