[Нетология] Исследуйте в R. 2020 (Анастасия Борейша)

[Moderator]

Мы живём в эпоху цифровизации, когда каждый процесс можно автоматизировать и упростить свою работу. На языке R можно написать код, который освободит вам время для новых проектов. Самая универсальная область применения R — аналитика. Используя R, вы можете провести статистические тесты и проверить гипотезы, построить графики и сделать прогноз. 1. Легко собирайте данные из различных систем с R 2. Прокачайтесь до уровня middle в прогнозировании и визуализации в R-Studio 3. Автоматизируйте свои рутинные задачи после прохождения курса Возможности после обучения Собирать Данные из большинства аналитических систем Преобразовывать R-скрипты для переработки получаемых данных в зависимости от задач Анализировать Рутинные процессы с помощью скриптов и показывать результаты на графиках Достижения и ключевые навыки после обучения Достигнутые результаты 1. Составлен прогноз продаж в зависимости от погоды 2. Собраны несколько наборов данных в один 3. Проведён анализ продаж интернет-маркетинга 4. Проведён анализ потребительских привычек регионов России 5. Составлен прогноз цены квартиры на основе характеристик Ключевые навыки 1. Сбор данных из большинства веб-аналитических систем 2. Преобразование данных с помощью R-скриптов 3. Работа с клиент-серверными, облачными и локальными базами данных на языке R 4. Разработка скриптов для рассылки писем и создания наглядных графиков Программа курса: Программа обучения: Содержание Модуль 1 - Базовые принципы программирования на R Рассмотрим базовые возможности языка R, научимся настраивать R-Studio и начнём использовать для простых операций. 1. R и R-Studio 2. Переменные их типы 3. Объявление переменных в R 4. Арифметические операции 5. Логические переменные и операции 6. Ветвление 7. Циклы Содержание Модуль 2 - Отличия R от традиционного программирования Познакомимся с векторами и техниками программирования в R. 1. Понятие вектора, векторные операции 2. Использование функций 3. Обзор основных функций и пакетов R Содержание Модуль 3 - Работа с наборами данных Научимся импортировать данные в R, познакомимся с фреймами данных, освоим базовые операции (просмотр, обращение к данным, преобразование, соединение, фильтрация). 1. DataFrame — что это и для чего 2. Импорт DataFrame в R 3. Простейшее исследование DataFrame 4. Доступ к переменным DataFrame (знак $) 5. Базовые операции с DataFrame 6. Фильтрация DataFrame Содержание Модуль 4 - Визуализация в R Познакомимся со способами визуализации данных в R, научимся применять визуализацию в зависимости от данных, интерпретировать графики. Научимся оценивать распределение, описательные статистики для двух и более переменных, узнаем о корреляции и регрессии. 1. Основы визуализации в R 2. Построение гистограмм — функция hist 3. Построение boxplot 4. Построение графиков зависимостей двух переменных Содержание Модуль 5 - Продвинутая визуализация в R Познакомимся с продвинутыми способами визуализации данных в R, научимся работать со сложными наборами данных и интерпретировать их. 1. Базовый шаблон ggplot 2. Геометрические типы и преобразования 3. Управление графическими параметрами 4. Группировка данных 5. Системы координат 6. Оси, легенды, подписи 7. Разделение графиков по фасетам 8. Интерактивная визуализация в Shiny Содержание Модуль 6 - Исследовательский анализ данных в R Научимся подготавливать данные к дальнейшей работе, анализу структуры, классификации без обучения (кластерный анализ). 1. Стандартизация данных 2. Иерархическая кластеризация 3. Метод k-средних (kmeans) 4. Основы мультивариативного анализа в R Содержание Модуль 7 - Основы прогнозирования в R Узнаем про основные модели прогнозирования, познакомимся с линейной регрессией и научимся её построению, оценке и использованию. 1. Модели прогнозирования 2. Линейная регрессия 3. Построение модели линейной регрессии в R 4. Оценка модели линейной регрессии и её использование Содержание Модуль 8 - Создание и использование моделей в R Узнаем больше о различных моделях прогнозирования и их использовании в полевых условиях, научимся их строить и валидировать. Познакомимся с работой с предсказанием категории и с несбалансированными данными. Логистическая регрессия Основные модели, основанные на деревьях решений Валидация модели Дилемма смещения-дисперсии Работа с предсказанием категории Работа с несбалансированными данными Имплементация модели в работу компании ​