Язык R для аналитики (2020) - 8 Октября 2020 - Графика и дизайн. Все для Вашего творчества.

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
1. Собирать
Данные из большинства аналитических систем
2. Преобразовывать
R-скрипты для переработки получаемых данных в зависимости от задач
3. 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 обучения:

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

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

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

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

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

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

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

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.
1. Логистическая регрессия
2. Основные модели, основанные на деревьях решений
3. Валидация модели
4. Дилемма смещения-дисперсии
5. Работа с предсказанием категории
6. Работа с несбалансированными данными
7. Имплементация модели в работу компании