Придбаний [[Нетологія] Дослідіть в R. 2020 (Анастасія Барейша)

[Gadzhi]

Переглянути вкладення 50683
​

Ми живемо в епоху цифровізації, коли кожен процес можна автоматизувати і спростити свою роботу. Мовою R можна написати код, який звільнить вам час для нових проектів.

найбільш універсальна область застосування R-аналітика.використовуючи R, ви можете провести статистичні тести і перевірити гіпотези, побудувати графіки і зробити прогноз.

1. Легко збирайте дані з різних систем з R
2. Прокачайтеся до рівня middle в прогнозуванні і візуалізації в R-Studio
3. Автоматизуйте свої рутинні завдання після проходження курсу

можливості після навчання

1. збирати
   Дані з більшості аналітичних систем
2. перетворювати
   R-скрипти для переробки одержуваних даних в залежності від завдань
3. аналізувати
   Рутинні процеси за допомогою скриптів і показувати результати на графіках

досягнення та ключові навички після навчання
Досягнуті результати

1. Складено прогноз продажів в залежності від погоди
2. Зібрані кілька наборів даних в один
3. Проведено аналіз продажів інтернет-маркетингу
4. Проведено аналіз споживчих звичок регіонів Росії
5. Складено прогноз ціни квартири на основі характеристик

Ключові навички

1. Збір даних з більшості веб-аналітичних систем
2. Перетворення даних за допомогою R-скриптів
3. Робота з клієнт-серверними, хмарними та локальними базами даних мовою r
4. Розробка скриптів для розсилки листів і створення наочних графіків

Спойлер: інформація

програма навчання:
Зміст Модуль 1-базові принципи програмування на R
Розглянемо базові можливості мови R, навчимося налаштовувати R-Studio і почнемо використовувати для простих операцій.

1. R і R-Studio
2. Змінні їх типи
3. Оголошення змінних в R
4. Арифметичні операції
5. Логічні змінні та операції
6. Розгалуження
7. Цикли

зміст Модуль 2-відмінності R від традиційного програмування
Познайомимося з векторами і техніками програмування в R.

1. Поняття вектора, векторні операції
2. Використання функцій
3. Огляд основних функцій і пакетів r

зміст Модуль 3-Робота з наборами даних
Навчимося імпортувати дані в R, познайомимося з фреймами даних, освоїмо базові операції (перегляд, звернення до даних, перетворення, з'єднання, фільтрація).

1. DataFrame-що це і для чого
2. Імпорт DataFrame в R
3. Найпростіше дослідження DataFrame
4. Доступ до змінних DataFrame (знак $)
5. Базові операції з DataFrame
6. Фільтрація DataFrame

зміст Модуль 4-візуалізація в R
Познайомимося зі способами візуалізації даних в R, навчимося застосовувати візуалізацію в залежності від даних, інтерпретувати графіки. Навчимося оцінювати розподіл, описові статистики для двох і більше змінних, дізнаємося про кореляції і регресії.

1. Основи візуалізації в R
2. Побудова гістограм-функція hist
3. Побудова boxplot
4. Побудова графіків залежностей двох змінних

зміст Модуль 5-Просунута візуалізація в R
Познайомимося з просунутими способами візуалізації даних в R, навчимося працювати зі складними наборами даних і інтерпретувати їх.

1. Базовий шаблон ggplot
2. Геометричні типи і перетворення
3. Управління графічними параметрами
4. Групування даних
5. Системи координат
6. Осі, легенди, підписи
7. Поділ графіків за фасетами
8. Інтерактивна візуалізація в Shiny

зміст Модуль 6-дослідницький аналіз даних в R
Навчимося готувати дані до подальшої роботи, аналізу структури, класифікації без навчання (кластерний аналіз).

1. Стандартизація даних
2. Ієрархічна кластеризація
3. Метод k-середніх (kmeans)
4. Основи мультиваріативного аналізу в R

зміст Модуль 7-основи прогнозування в R
Дізнаємося про основні моделі прогнозування, познайомимося з лінійною регресією і навчимося її побудові, оцінці та використанню.

1. Моделі прогнозування
2. Лінійна регресія
3. Побудова моделі лінійної регресії в R
4. Оцінка моделі лінійної регресії та її використання

зміст Модуль 8-створення і використання моделей в R
Дізнаємося більше про різні моделі прогнозування та їх використання в польових умовах, навчимося їх будувати і валідувати. Познайомимося з роботою з передбаченням категорії і з незбалансованими даними.

1. логістична регресія
2. основні моделі, засновані на деревах рішень
3. валідація моделі
4. дилема зміщення-дисперсії
5. Робота з передбаченням категорії
6. Робота з незбалансованими даними
7. імплементація моделі в роботу компанії

https://privatelink.de/?https://netology.ru/programs/r-analysis