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

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