Struttura del corso
Giorno 1: Concetti di base del linguaggio
- Introduzione al corso
-
Nozioni fondamentali sulla scienza dei dati
- Definizione di scienza dei dati
- Processo attuato nella scienza dei dati
- Presentazione del linguaggio R
- Variabili e tipi di dati
- Strutture di controllo (cicli / condizioni)
-
Scalari, vettori e matrici in R
- Come definire i vettori in R
- Le matrici
-
Manipolazione di stringhe e testi
- Il tipo di dato carattere
- Operazioni di input/output su file
- Le liste
-
Funzioni in R
- Introduzione alle funzioni
- Le funzioni chiuse (closures)
- Utilizzo delle funzioni lapply e sapply
- I DataFrame
- Esercitazioni pratiche per ogni argomento trattato
Giorno 2: Programmazione intermedia in R
- Uso dei DataFrame e operazioni di input/output su file
- Lettura dati da file
- Preparazione dei dati per l’analisi
- I set di dati predefiniti in R
-
Visualizzazione dei dati
- Il pacchetto grafico base di R
- Utilizzo delle funzioni plot(), barplot(), hist(), boxplot() e dei grafici a dispersione
- Creazione di mappe termiche (heat maps)
- Il pacchetto ggplot2 (funzioni qplot() e ggplot())
- Analisi esplorativa con il pacchetto Dplyr
- Esercitazioni pratiche per ogni argomento trattato
Giorno 3: Programmazione avanzata in R
-
Modellazione statistica con R
- Funzioni statistiche disponibili in R
- Gestione dei valori mancanti (NA)
- Distribuzioni comuni: binomiale, di Poisson e normale
-
Analisi di regressione
- Introduzione alla regressione lineare
- Tecniche di raccomandazione basate sui dati
- Elaborazione del testo: utilizzo del pacchetto tm e della generazione di nuvole di parole
-
Algoritmi di clustering
- Nozioni introduttive sul clustering
- L’algoritmo KMeans
-
Classificazione dei dati
- Concetti base della classificazione
- Il modello Naive Bayes
- Alberi decisionali
- Addestramento dei modelli tramite il pacchetto caret
- Valutazione delle prestazioni degli algoritmi
-
R e l’analisi di Big Data
- Connessione di R ai database
- L’ecosistema del Big Data
- Esercitazioni pratiche per ogni argomento trattato
Requisiti
- È consigliabile avere una conoscenza di base della programmazione
Configurazione necessaria
- Un laptop moderno
- La versione più recente di R Studio e l'ambiente R installati
Recensioni (7)
Le applicazioni nella vita reale utilizzando Statcan e CER come esempi.
Matthew - Natural Resources Canada
Corso - Data Analytics With R
Traduzione automatica
Le sue conoscenze e il codice erano già stati scritti nei file, quindi potevo studiare dopo le lezioni e praticare da solo.
GLORIA ADANNE - Natural Resources Canada
Corso - Data Analytics With R
Traduzione automatica
Fornito molto codice R e buoni esempi
Kasia - Natural Resources Canada
Corso - Data Analytics With R
Traduzione automatica
Lingua estesa e ben sviluppata. Inoltre, c'è un ricco corpus di informazioni di supporto disponibili online.
Michel - Natural Resources Canada
Corso - Data Analytics With R
Traduzione automatica
Mi è piaciuto che l'istruttore si assicurasse che tutti noi capissimo e seguissimo le lezioni. Se avevamo un problema, lui si fermava e ci aiutava a risolverlo.
Cesar - AMERICAN EXPRESS COMPANY MEXICO
Corso - Data Analytics With R
Traduzione automatica
The tool was interesting and I see the use. I would like to learn about more about it.
- Teleperformance
Corso - Data Analytics With R
Traduzione automatica
New tool which is “R” and I find it interesting to know the existence of such tool for data analysis.
Michael Lopez - Teleperformance
Corso - Data Analytics With R
Traduzione automatica