- Leren door doen
- Trainers met praktijkervaring
- Klassikale trainingen
- Gedetailleerd cursusmateriaal
- Duidelijke inhoudsbeschrijving
- Maatwerk inhoud mogelijk
- Trainingen die doorgaan
- Kleine groepen
In de cursus Data Analyse met R leert u programmeren in de taal R en hoe u R kunt gebruiken voor data analyse en visualisatie. R is uitgegroeid tot een standaard platform voor data analyse en het maken van grafieken en kan een enorme reeks statistische procedures uitvoeren. In de cursus Data Analyse met R wordt gebruikt gemaakt van een reeks samenhangende R packages die bekend staan onder de naam de tidyverse. Deze packages hebben een onderliggende design filosofie, grammatica en data structuren gemeen en zijn speciaal geschikt voor data science.
De cursus Data Analyse met R biedt een uitgebreide introductie in de wereld van data-analyse met de programmeertaal R. We beginnen met de installatie van R en de R Studio ontwikkelomgeving. Vervolgens bespreken we de basis syntax van R en de installatie van R packages, zodat u goed voorbereid bent om aan de slag te gaan.
U leert hoe u met het ggplot2 package door middel van grafieken snel inzicht kunt krijgen in uw data. Hierbij komen verschillende plot types, themes en layouts aan de orde, wat u helpt om uw analyses visueel aantrekkelijk te presenteren.
Een belangrijk onderdeel van de cursus is het werken met het dplyr package. Hiermee leert u veel voorkomende datatransformatieproblemen op te lossen, zoals filteren, sorteren, sommeren en groeperen, zodat u uw data effectief kunt manipuleren.
In de cursus Data Analyse met R besteden we ook aandacht aan het presenteren van data met het rmarkdown package. U leert hoe u ruwe data netjes kunt structureren met behulp van het tidyr package, waarbij kolommen variabelen en rijen observaties worden.
In veel datasets komen tijdreeksen voor. We behandelen de verwerking hiervan met het lubridate package, dat beschikt over vele handige functies voor het omgaan met datums en tijden, wat essentieel is voor nauwkeurige analyses.
Een ander belangrijk aspect van de cursus is het importeren van data uit CSV-bestanden en andere formaten van statistische pakketten zoals SPSS of SAS. Ook het lezen uit en schrijven naar databases komt aan bod, wat cruciaal is voor het werken met grote datasets.
Tenslotte behandelt de cursus Data Analyse met R verschillende statistische analysemethoden, zoals lineaire en niet-lineaire modellen, variabele transformaties en regressies. Dit alles wordt ondersteund met praktijkvoorbeelden en kan toegepast worden op cases die door de cursisten worden meegenomen. Voor meer informatie over R, kunt u de officiële R project website bezoeken. Voor meer cursussen in data-analyse kunt u ook kijken naar Data Analyse met Python en Machine Learning met Python.
De cursus Data Analyse met R is bestemd voor Big Data analisten en wetenschappers die R willen gebruiken om hun data te analyseren en voor het maken van statische analyses.
Ervaring met programmeren is bevorderlijk voor een goede begripsvorming maar is niet vereist.
De theorie wordt behandeld aan de hand van presentaties en voorbeelden. De concepten worden toegelicht met demo's. Daarna is er tijd om er zelf mee te oefenen. R-Studio wordt gebruikt als ontwikkelomgeving. De cursustijden zijn van 9.30 tot 16.30
De deelnemers krijgen na het goed doorlopen van de cursus een officieel certificaat R Programmeren.
Module 1 : Intro R |
Module 2 : Graphics and Plots |
Module 3 : Transformations |
|
Overview of R History of R Installing R The R Community R Development R Studio R Console R Style Using R Packages Cheatsheets R Syntax R Objects |
ggplot2 Graphics Devices and Colors High-Level Graphics Functions Low-Level Graphics Functions Graphical Parameters Controlling the Layout Changing Plot Types Quick Plots and Basic Control Aesthetics Changing Plot Types Labels Themes and Layout |
dplyr R Functions Functions for Numeric Data Scoping Rules mutate arrange group by summarize select filter joining dataframe |
Module 4 : Presentation |
Module 5 : Data Cleaning |
Module 6 : Date Times |
|
rmarkdown Reproducible research Reporting Sharing results Repetitive Tasks Family of apply Functions apply Function lapply Function sapply Function tapply Function |
tidyr spread gather seperate unite Logical Data Missing Data Character Data Duplicate Values NA’s |
Time and Date Variables lubridate Setting a datetime Getting values from a datetime strftime Command strptime Command as.Date function Datetimes Calculations difftime Command Time Series Analysis |
Module 7 : Data Import |
Module 8 : Linear Models |
Module 8 : Non-Linear Models |
|
R Datasets Data.Frames Importing CSV Files Import from Text Files Import from Excel Import from Spss or SAS Connecting to a database Connecting to a cluster Databases and ODBC dbplyr |
What is a model? Statistical Models in R How to evaluate a model? How to use a model? Simple Linear Models logistic regression linear regression R squared p values confidence intervals |
Decision Trees random forest boosting overfitting Optional material : Interactive dashboards with Shiny Web Scraping Writing packages Spark Functional programming |
Deze bedrijven en instanties waren u al voor:
Deze bedrijven waren u voor:
