تبدیل شدن به استاد زبان برنامه نویسی R برای علوم داده - Master R for Data Science

اگر می خواهید در انقلاب داده ها شرکت کنید، به ابزار و مهارت های مناسب نیاز دارید. R یک زبان رایگان و منبع باز برای علم داده است که از محبوب ترین پلتفرم ها برای تحلیلگران حرفه ای است. در این دوره با پروفسور و دانشمند داده بارتون پولسون، اصول اولیه R را بیاموزید و شروع به یافتن بینش از داده های خود کنید. دروس نحوه شروع کار با R را توضیح می دهند، از جمله نصب R، RStudio و بسته های کد که قدرت R را افزایش می دهند. همچنین نحوه استفاده از R و RStudio برای مدل سازی داده های سطح مبتدی، تجسم و تجزیه و تحلیل آماری را به صورت مستقیم مشاهده می کنید. در پایان دوره، شما با قدرت و انعطاف پذیری R آشنایی کاملی خواهید داشت و نحوه استفاده از این ابزار را برای کشف و تجزیه و تحلیل طیف گسترده ای از داده ها درک خواهید کرد. اهداف یادگیری نصب R و RStudio حرکت در محیط RStudio وارد کردن داده ها از صفحه گسترده کار با tidyverse دستورات لوله گذاری با٪>٪ تجسم داده ها با گرافیک پایه R و ggplot2 تجسم خوشه های سلسله مراتبی انتخاب موارد و زیرگروه ها رمزگذاری متغیرها محاسبه فرکانس محاسبه توصیفی محاسبه همبستگی ها محاسبه رگرسیون خطی

برنامه نویسان موفق، بیشتر از چگونگی کد کردن، می دانند. آنها همچنین می دانند که چگونه در مورد حل مشکلات فکر کنند. کد کلینیک، مجموعه ای از دوره هایی است که مدرسان ما مشکلات مشابه را با استفاده از زبان های برنامه نویسی مختلف، حل می کنند. در این جا، مدرس Mark Niemann-Ross با R کار میکند. در طول دوره، او چالش ها را معرفی می کند و سپس یک مرور کلی از راه حل هایش را در R ارائه می دهد. چالش ها شامل موضوعاتی نظیر تحلیل آماری و دسترسی به دستگاه های جانبی هستند. مراجعه به دوره های دیگر در این سری به بررسی چگونگی حل چالش های مشابه در زبان های #C++، C، JavaScript، PHP، Python، Ruby، Go و Swift می پردازد. اهداف یادگیری زمان استفاده از مدل بردار را مشخص کنید. نحوه ذخیره کارآمد نتایج را توضیح دهید. عملکرد TCL/TK را ارائه می دهد. راه حل های داشبورد را خلاصه کنید. به نقش سرور براق اشاره کنید. نام بسته ای که شامل فاصله های زمانی است را بگذارید.

قالب مرتب یک روش استاندارد برای سازماندهی مقادیر داده در یک مجموعه داده فراهم می کند. با بهره گیری از اصول منظم داده ها، آمار شناسان ، تحلیل گران و دانشمندان داده می توانند زمان کمتری را برای تمیز کردن داده ها و زمان بیشتری را برای حل جنبه های جذاب تر تجزیه و تحلیل داده ها صرف کنند. در این دوره، با اصول مرتب داده ها آشنا شوید، نحوه ایجاد و دستکاری tibbles داده را کشف کنید، و نحوه استفاده از tibbles را در وارد کردن، تبدیل و تمیز کردن اطلاعات خود بیابید. مربی Mike Chapple از R و بسته های مرتب و متنوع برای آموزش مفهوم درگیری داده ها - وظایف تمیز کردن داده ها و تبدیل داده ها که بخش قابل توجهی از وقت تحلیلگران را مصرف می کند، استفاده می کند. وی با سه مورد موردی عملی همراه است که اصول و روشهای مربوط به درگیری داده ها را در این دوره تقویت می کند.

تجزیه و تحلیل شبکه های اجتماعی با استفاده از R به تحلیلگران می آموزد که چگونه داده های یک شبکه اجتماعی مانند توییتر یا فیس بوک را با زبان آماری مبتنی بر متن تجسم و تجزیه و تحلیل کنند. نحوه عملکرد ماژول های R sna و igraph و نحوه قالب بندی داده ها برای تجزیه و تحلیل، ایجاد نمودار، تجزیه و تحلیل نمودارهای شبکه و تجسم شبکه ها. به مربی Curt Frye بپیوندید و بیاموزید که چگونه روابط و روندهای بین شبکه ها را به روشهای جدید و هیجان انگیز بررسی کنید و اطلاعاتی در مورد نحوه تعامل افراد در یک سازمان کشف کنید. اهداف یادگیری قالب بندی داده ها ایجاد نمودارهای شبکه اندازه گیری پیوند و بین نقاط محاسبه تراکم شبکه توصیف اجزای شبکه تجسم یک شبکه نوشتن توضیحات شبکه بر روی یک فایل متنی

R قدرتمند است، اما بصری نیست. یک اکوسیستم R قوی و متنوع وجود دارد و انتظار می رود دانشمندان داده ها را از نسخه ها و بسته های مختلف ترکیب کرده و با هم مطابقت دهند. قبل از شروع برنامه نویسی، باید R را انتخاب، نصب و راه اندازی کنید تا برای شما کار کند. در این دوره، Mark Niemann-Ross مقدمه ای مستقیم و کارآمد برای بسیاری از طعم های زبان برنامه نویسی R از جمله base R، tidyverse R، R Open از مایکروسافت و Bioconductor R. ارائه می دهد. او همچنین برنامه نویسی با R را بصورت تعاملی ارائه می دهد. و از طریق خط فرمان، و چند بسته مفید برای کار با SQL، گرافیک سه بعدی، داده ها و خوشه ها در R. در پایان این دوره کوتاه، شما یک نسخه R به همراه چند کتابخانه اصلی و یک IDE بهینه شده اهداف یادگیری توضیح دهید که چرا B R یک زبان برنامه نویسی منحصر به فرد است. نحوه نصب R برای مکینتاش، ویندوز، لینوکس یا یونیکس را خلاصه کنید. IDE را که از R پشتیبانی نمی کند نام ببرید. دو راه برای تنظیم R Tools برای ویژوال استودیو توضیح دهید. سه روش اجرای برنامه های R را مشخص کنید. دو توابع را که sqldf به پایگاه R اضافه می کند لیست کنید.

R به عنوان یکی از قوی ترین راه حل های محاسباتی آماری موجود شناخته می شود. Tableau - یک پلتفرم پیشرو در زمینه هوش تجاری - قابلیت تجسم و اکتشاف داده های عالی را ارائه می دهد. هنگامی که Tableau و R با هم ترکیب می شوند، یکی از قدرتمندترین و کاملترین راه حل های تجزیه و تحلیل داده ها در صنعت امروز را ارائه می دهند و به کسب و کارها توانایی های بی نظیری برای مشاهده و درک داده های خود ارائه می دهند. در این دوره، نحوه ادغام این دو سیستم عامل و همچنین نحوه تعیین زمان انتخاب هر یک را بیاموزید. مربی بن سالینز نحوه اتصال Tableau به R را توضیح می دهد، و شامل جغرافیایی، اجرای مدلهای رگرسیون خطی، خوشه بندی و موارد دیگر می شود. اهداف یادگیری جایی که تابلو می درخشد وقتی R بهترین گزینه است نصب Tableau، R و Rserve اجرای Rserve و اتصال Tableau اسکریپت نویسی اولیه در R وارد کردن داده ها به Tableau رگرسیون خطی خوشه بندی راه اندازی R در Tableau Server انتشار آثار خود ویرایش محاسبات

دانشمندان داده‌ که از اکسل استفاده می‌کنند، می‌دانند که R به عنوان استاندارد جدید برای حل و فصل آماری (به ویژه برای مجموعه‌های بزرگتر داده) در حال ظهور است. این دوره به عنوان یک پل مناسب برای بسیاری از تحلیلگران داده‌های وابسته به اکسل و کاربران تجاری است که باید با یادگیری R. مهارت‌های اطلاعات داده‌های خود را به روز کنند. بیشتر این دوره بر چگونگی انجام کارها و عملکردهای مهم آماری در R - غالبا با بسته DescTools — مطابق توابع Excel و افزودنی تجزیه و تحلیل داده‌ها، و سپس مقیاس از آنجا، نشان دادن ویژگی‌های قدرتمند R. Conrad Carlberg به شما کمک می‌کند تا به طور موثر بین هر دو برنامه جابجا شوید، داده‌ها را به جلو و عقب برگردانید تا بتوانید بهترین از هر دو را داشته باشید. درباره محاسبه آمار توصیفی، انجام تحلیلهای دو متغیره و موارد دیگر اطلاعات کسب کنید. اهداف یادگیری نصب R و DescTools آمار توصیفی در Excel و DescTools انتقال داده ها بین R و Excel اجرای تابع Desc تجزیه و تحلیل دو متغیره در R و Excel

تصمیمات تجاری اغلب دوتایی هستند: این پروژه را به عهده بگیرید یا آن را برای یک سال به تعویق بیندازید. اعتباری به این مشتری و یا اصرار بر پول نقد ؛ یک فروشگاه خرده فروشی جدید در یک مکان خاص باز کنید یا مکان دیگری پیدا کنید. وقتی نتیجه یک متغیر پیوسته مانند درآمد است، رگرسیون معمولی اغلب یک تکنیک خوب است، اما وقتی فقط دو نتیجه وجود دارد، رگرسیون لجستیک معمولاً ابزارهای بهتری را ارائه می دهد. با نحوه استفاده از R و Excel برای تجزیه و تحلیل داده ها در این دوره با کنراد کارلبرگ آشنا شوید. او شما را از طریق رگرسیون لجستیک پیشرفته، با شانس و لگاریتم شروع می کند و سپس به توزیع دو جمله ای می رود و شانس پیش بینی شده را به احتمالات برمی گرداند. پس از ایجاد این بنیاد، او تمرکز خود را بر روی آمار استنباطی، نسبت های احتمال و رگرسیون چند جمله ای تغییر می دهد. پوشش جامع کنراد در مورد نحوه انجام رگرسیون لجستیک شامل پرداختن به مشکلات رایج، توضیح روابط، مرور نتایج و تفسیر نتایج است. اهداف یادگیری تشخیص مشکلات مربوط به رگرسیون معمولی در یک نتیجه دوتایی تعیین خطاهای پیش بینی مدیریت شیب های مختلف پیش بینی شانس به جای احتمالات محدود کردن احتمالات در صعودی و نزولی کار با نماها و پایه ها پیش بینی logit کار با داده ها و ضرایب اصلی ایجاد احتمال ورود به سیستم تفسیر -2LL یا انحراف ایجاد یک قاب داده با XLGetRange با استفاده از توابع R mlogit یا و glm درک اشکال طولانی در مقابل گسترده در مجموعه داده ها