ارتقا مهارت های خود را به عنوان یک متخصص زبان برنامه نویسی R - Advance Your Skills as an R Expert

آیا می خواهید مهارت های مهندسی داده R خود را آزمایش کرده و توسعه دهید؟ در این دوره Code Challenges با مربی Mark Niemann-Ross بپیوندید زیرا او چالش های کوتاه و کوچکی را ارائه می دهد که می توانید برای تمرین برنامه نویسی R استفاده کنید. هر ویدئو کمتر از چهار دقیقه و مستقل است، بنابراین می توانید به هر ترتیب فیلم ها را دور بزنید و تماشا کنید. مارک راه حل های خود را برای هر مشکلی به اشتراک می گذارد، که اکثر آنها دارای کمتر از 10 خط کد هستند. این که آیا شما یک برنامه نویس جدید هستید که به دنبال تمرین است، یا یک توسعه دهنده با تجربه که می خواهد روی برخی چالش ها کار کند، این دوره کوتاه به شما فرصتی می دهد تا مهارت های خود را تقویت کنید.

R یک زبان برنامه نویسی فوق العاده قدرتمند و پرکاربرد برای تجزیه و تحلیل آماری و علم داده است. "tidyverse" برخی از همه کاره ترین بسته های R را جمع آوری می کند: ggplot2، dplyr، tidyr، reader، purrr، و tibble. بسته ها برای پاکسازی، پردازش، مدل سازی و تجسم داده ها هماهنگ کار می کنند. این دوره مفاهیم اصلی tidyverse را در مقایسه با پایه سنتی R معرفی می کند. این دوره بر روی کاربر تازه کار و کسانی که با اپراتور لوله (%>%) آشنا نیستند، تمرکز می کند. مربی مارتین هدلی پس از پوشش دادن این مبانی R به وارد کردن و فیلتر کردن داده‌ها از فایل‌های Excel، CSV، و SPSS و خلاصه‌سازی و جدول‌بندی داده‌ها در Tidyverse می‌پردازد. سپس یاد بگیرید که چگونه داده ها را خیلی وسیع یا طولانی تشخیص دهید و در صورت لزوم آن را تبدیل کنید و ارزیابی غیر استاندارد انجام دهید. تا پایان دوره، شما باید بتوانید Tidyverse را در گردش کار R خود ادغام کنید و از انواع ابزارهای جدید برای وارد کردن، فیلتر کردن، تجسم و مدل سازی داده های تحقیق و آماری استفاده کنید. اهداف یادگیری درک عملگر لوله (%>%) وارد کردن فایل‌های xlsx. و csv فیلتر کردن و خلاصه کردن مجموعه داده ها استفاده از tidyr برای تبدیل مجموعه داده های گسترده و طولانی ارزیابی و برنامه نویسی غیر استاندارد با tidyverse

در شرایطی که مشاغل مجبورند با حجم بیشتری از داده ها دست و پنجه نرم کنند، نیاز به کاهش داده ها در سال های اخیر تشدید شده است. برای درک بیش از حد اطلاعات، می توانید از تجزیه خوشه ای استفاده کنید - که به شما امکان می دهد به جای کل جمعیت افراد، درباره تعداد انگشت شماری از گروه ها استنباط کنید - و همچنین تجزیه و تحلیل اجزای اصلی، که متغیرهای نهفته را آشکار می کند. در این دوره، کنراد کارلبرگ نحوه انجام تجزیه و تحلیل خوشه ای و تجزیه و تحلیل اجزای اصلی با استفاده از Microsoft Excel را توضیح می دهد، که تمایل دارد به وضوح بیشتر آنچه را که در تحلیل اتفاق می افتد نشان دهد. سپس نحوه انجام تجزیه و تحلیل مشابه با استفاده از R، نرم افزار محاسبات آماری منبع باز را توضیح می دهد، که از نظر تجزیه و تحلیل سریعتر و غنی تر از Excel است. علاوه بر این، او نحوه ادغام نتایج تجزیه و تحلیل خوشه ای و تجزیه و تحلیل عوامل را توضیح می دهد تا به شما در تجزیه چند عامل اساسی با توجه به عضویت افراد در چند خوشه کمک کند. اهداف یادگیری بررسی مشکلات ایجاد شده در اثر فراوانی داده ها درک منطق خوشه بندی و تجزیه و تحلیل اجزای اصلی استفاده از Excel برای استخراج اجزای اصلی استفاده از R برای استخراج اجزای اصلی استفاده از R برای تجزیه و تحلیل خوشه ای استفاده از Excel برای تجزیه و تحلیل خوشه ای تنظیم جداول گیج کننده در Excel استفاده از تجزیه خوشه ای و تحلیل عاملی به صورت هماهنگ

تجزیه و تحلیل کلان داده عالی است، اما اگر نتوانید نتایج خود را به اشتراک بگذارید، نه. در این دوره، مارتین هدلی نشان می‌دهد که چگونه می‌توان ارائه‌های تعاملی مجموعه‌های داده بزرگ را با R، RStudio، و Shiny، یک ابزار مبتنی بر R برای تولید تجسم داده‌های تعاملی و آماده وب ایجاد کرد. بیاموزید که چرا این ابزارها برای دانشمندان داده مهم هستند، چگونه آنها را پیکربندی و نصب کنند، و چگونه از آنها برای واضح تر و جذاب تر کردن یافته های خود استفاده کنید. انواع مختلفی از ارائه‌هایی را که می‌توانید با قالب‌های R Markdown درست کنید (که مستقیماً در RStudio ساخته شده است) و نحوه سفارشی‌سازی قالب‌ها با CSS را کشف کنید. بیاموزید که چگونه برای RPubs ثبت نام کنید تا ارائه های RStudio را برای اشتراک گذاری به اشتراک بگذارید، و سپس با Shiny فراتر از اصول اولیه بروید—افزایش تعامل و ایجاد داشبوردهای قابل جاسازی بدون نیاز به HTML یا جاوا اسکریپت. این یک دوره هیجان انگیز برای تحلیلگرانی است که می خواهند ارتباط و دیده شدن کار خود را افزایش دهند. اطمینان حاصل کنید که بررسی های دانش در پایان هر فصل را تماشا کنید تا مهارت های جدید خود را آزمایش کنید. اهداف یادگیری مزایای مرتبط با RStudio را توضیح دهید. گزینه های ایجاد ارائه های HTML R Markdown را فهرست کنید. از RPubs برای انتشار و اشتراک گذاری ارائه ها از طریق توییتر، +Google و فیس بوک استفاده کنید. یک برنامه تعاملی را با Shiny آماده و به اشتراک بگذارید. سه گزینه چیدمان مختلف موجود با برنامه Shiny را نام ببرید. حساب های مختلف Shinyapps.io را با هم مقایسه کنید تا مشخص کنید کدام یک با نیازهای شما مطابقت دارد.

با استفاده از زبان R تقریباً به طور انحصاری، ابزارک‌های html به شما امکان می‌دهند همان نقشه‌ها، نمودارها و نمودارهای تعاملی را که در سایت‌های معروف روزنامه‌نگاری داده‌ها و داشبوردهای BI می‌بینید ایجاد کنید. می‌توانید R را به کتابخانه‌های محبوب جاوا اسکریپت - مانند Plotly و Leaflet - با بسته‌های htmlwidget متصل کنید. تجسم‌های تعاملی که ایجاد می‌کنید می‌توانند در گزارش‌ها و ارائه‌های R Markdown استفاده شوند، و حتی در برنامه‌های کاربردی درخشان و پاسخ‌گوی غنی ادغام شوند. این دوره شما را با مهارت های اساسی مورد نیاز برای افزودن ابزارک های html به گردش کار R خود آشنا می کند. با یادگیری مدیریت بسته ها و داده های ساختاری برای تجسم با tidyverse و اپراتور لوله شروع کنید. سپس یک سوال مهم وجود دارد: کدام کتابخانه را باید انتخاب کنید؟ این دوره پنج گزینه محبوب را معرفی می کند: Leaflet، Plotly، Highcharter، visNetwork و DataTables (DT). مربی مارتین هدلی نحوه استفاده از این کتابخانه‌ها را برای ایجاد نقشه‌های پراکنده، choropleth و geolines نشان می‌دهد. نمودارهای میله ای انباشته، نمودارهای پراکنده، نمودارهای حباب، و نقشه های حرارتی. نقشه درختی و نمودارهای سری زمانی؛ شبکه های تعاملی و نمودارها؛ و جداول داده های تعاملی و پاسخگو. به‌علاوه، یاد بگیرید که چگونه تجسم‌های خود را با افسانه‌ها و نکات ابزار سفارشی کنید و اطلاعات کلیک را برای برنامه‌های براق استخراج کنید. اهداف یادگیری نصب ابزارک های html انتخاب بهترین ابزارک html ایجاد نقشه های تعاملی با Leaflet ایجاد نمودارهای تعاملی با Plotly و Highcharter ایجاد شبکه های تعاملی با visNetwork ایجاد جداول تعاملی با DT

کشف کنید که چگونه با استفاده از ggplot2، بسته تجسمی پیشرو برای R، تصاویر آموزنده و بصری جذاب ایجاد کنید. در این دوره، مایک چاپل نحوه کار با ggplot2 برای ایجاد تجسم های اساسی، نحوه زیباسازی آن تجسم ها با اعمال زیبایی شناسی های مختلف، و نحوه کار را نشان می دهد. تجسم داده ها با نقشه ها در طول دوره، مایک همچنین مفاهیم کلیدی مانند گرامر گرافیک و نحوه اعمال هندسه های مختلف برای تجسم داده ها را پوشش می دهد. برای جمع بندی، او یک مطالعه موردی را به اشتراک می گذارد که زمینه ای عملی را به مفاهیم تحت پوشش در دوره می دهد. اهداف یادگیری ساخت تجسم ها استفاده از هندسه های مختلف برای تجسم داده ها به کارگیری نگاشت های زیبایی شناختی در هندسه ها زیباسازی تجسم ها برای آماده سازی آنها برای انتشار تجسم داده ها با نقشه ها حاشیه نویسی یک تجسم ترسیم نقاط روی نقشه ایجاد نقشه choropleth