آموزش تحلیل داده ها بوسیله زبان برنامه نویسی R

در این دوره آموزشی تحلیل توصیفی داده ها را بوسیله زبان برنامه نویسی R یاد گرفته و همراه با مدرس دوره در پروژه های واقعی تمرین و تجربه خواهید کرد.

عنوان اصلی : Exploratory Data Analysis with R

سرفصل ها :

تنظیم مرحله: چگونه منطقه کاری EDA خود را سازماندهی کنید:
بررسی اجمالی دوره
راه اندازی پروژه RStudio
سازماندهی ساختار پروژه (برای اطمینان از تکرارپذیری)
بهترین روش کدنویسی (انتخاب های درست برای نتایج بهتر)
استفاده از Git برای جلوگیری از بهم ریختن تجزیه و تحلیل شما
نکته حرفه ای – گزینه های پروژه RStudio را برای اجبار تکرارپذیری بهینه کنید
ساختار داده های خود را بررسی کنید:
داده های خود را وارد کنید
ساختار داده های خود را با تابع str() و glimpse() کشف کنید
نگاهی به داده ها با head()، tail() و top_n() بیندازید.
نکات حرفه ای – اهمیت انواع متغیر
روی تخم مرغ ها قدم نگذارید: قبل از استفاده از آنها کیفیت داده های خود را بررسی کنید:
تعریف کیفیت داده های مورد نیاز
تشخیص ارزش های گمشده
مدیریت ارزش های گمشده
کشف سوابق نامنسجم
تشخیص نقاط پرت در داده های شما
مدیریت سوابق نامنسجم با استفاده از تست های بویایی
اعمال سانسور و طبقه بندی برای داده های شما
جمع بندی نهایی: مشکلات کیفیت داده و اقدامات اصلاحی قابل اجرا
خلاصه کردن داده ها و بررسی توزیع ها:
توزیع و آمار خلاصه
آمار خلاصه برای متغیرهای طبقه بندی شده
تجسم توزیع برای داده های طبقه بندی شده
آمار خلاصه برای متغیرهای عددی
تجسم توزیع برای متغیرهای عددی
بررسی روابط و الگوهای بین متغیرها:
آمار خلاصه برای همبستگی
رابطه بصری بین داده ها
الگوهای مربوط به زمان در داده ها
یافتن گسست های ساختاری در داده ها
نکته حرفه ای - همبستگی دلالت بر علیت ندارد
مفروضات مدل تست:
نیاز به مفروضات مدل
آزمایش نماینده بودن نمونه (متداول ترین فرض)
استفاده از رگرسیون خطی
استفاده از رگرسیون لجستیک
Building Quick EDA Lean Report:
استفاده از نوت بوک R Markdown
تعریف پیام کلیدی و در نتیجه تنظیم گزارش
اطمینان از اصل و نسب داده در گزارش شما
گزارش خود را به اشتراک بگذارید
نکته حرفه ای – استفاده از PaletteR برای ساخت سریع پالت های رنگی