Course Outline

Εισαγωγή και προκαταρκτικά

    Κάνοντας το R πιο φιλικό, R και διαθέσιμα GUI Rstudio Σχετικό λογισμικό και τεκμηρίωση R και στατιστικά Διαδραστική χρήση του R Μια εισαγωγική συνεδρία Λήψη βοήθειας με λειτουργίες και δυνατότητες Εντολές R, ευαισθησία πεζών-κεφαλαίων κ.λπ. Ανάκληση και διόρθωση προηγούμενων εντολών Εκτέλεση εντολών από ή εκτροπή εξόδου σε ένα αρχείο Μονιμότητα δεδομένων και αφαίρεση αντικειμένων

Απλοί χειρισμοί. αριθμοί και διανύσματα

    Διανύσματα και ανάθεση Αριθμητική διανυσμάτων Δημιουργία κανονικών ακολουθιών Λογικά διανύσματα Λείπουν τιμές Διανύσματα χαρακτήρων Διανύσματα ευρετηρίου; επιλογή και τροποποίηση υποσυνόλων ενός συνόλου δεδομένων Άλλοι τύποι αντικειμένων

Τα αντικείμενα, οι τρόποι και τα χαρακτηριστικά τους

    Εγγενή χαρακτηριστικά: λειτουργία και μήκος Αλλαγή του μήκους ενός αντικειμένου Λήψη και ρύθμιση χαρακτηριστικών Η κλάση ενός αντικειμένου

Πίνακες και πίνακες

    Πίνακες Ευρετηρίαση πίνακα. Υποτμήματα πίνακα Πίνακες ευρετηρίου Η συνάρτηση array() Το εξωτερικό γινόμενο δύο πινάκων Γενικευμένη μετατόπιση ενός πίνακα Matrix εγκαταστάσεις Matrix πολλαπλασιασμός Γραμμικές εξισώσεις και αντιστροφή Ιδιοτιμές και ιδιοδιανύσματα Αποσύνθεση και ορίζουσες μοναδικές τιμές Ταίριασμα ελάχιστων τετραγώνων και αποσύνθεση QR
Σχηματισμός διαμερισμένων πινάκων, cbind() και rbind()
  • Η συνάρτηση συνένωσης, (), με πίνακες
  • Πίνακες συχνοτήτων από παράγοντες
  • Λίστες και πλαίσια δεδομένων
  • Λίστες Κατασκευή και τροποποίηση λιστών Συνένωση λιστών

      Πλαίσια δεδομένων Κατασκευή πλαισίων δεδομένων
    attach() και detach()
  • Εργασία με πλαίσια δεδομένων
  • Επισύναψη αυθαίρετων λιστών
  • Διαχείριση της διαδρομής αναζήτησης
  • ΧΕΙΡΑΓΩΓΗΣΗ ΔΕΔΟΜΕΝΩΝ
  • Επιλογή, υποσύνολο παρατηρήσεων και μεταβλητών Φιλτράρισμα, ομαδοποίηση Ανακωδικοποίηση, μετασχηματισμοί Συνάθροιση, συνδυασμός συνόλων δεδομένων Χειρισμός χαρακτήρων, πακέτο stringr
  • Ανάγνωση δεδομένων

      Αρχεία Txt Αρχεία CSV XLS, αρχεία XLSX SPSS, SAS, Stata,… και άλλες μορφές δεδομένων Εξαγωγή δεδομένων σε txt, csv και άλλες μορφές Πρόσβαση σε δεδομένα από βάσεις δεδομένων με χρήση γλώσσας SQL

    Κατανομές πιθανοτήτων

      R ως σύνολο στατιστικών πινάκων Εξέταση της κατανομής ενός συνόλου δεδομένων Δοκιμές ενός και δύο δειγμάτων

    Ομαδοποίηση, βρόχοι και εκτέλεση υπό όρους

      Ομαδοποιημένες εκφράσεις Δηλώσεις ελέγχου Εκτέλεση υπό όρους: if εντολές Επαναληπτική εκτέλεση: για βρόχους, επανάληψη και ενώ

    Γράφοντας τις δικές σας λειτουργίες

      Απλά παραδείγματα Ορισμός νέων δυαδικών τελεστών Ονομασμένα ορίσματα και προεπιλογές Το όρισμα «...» Εκχωρήσεις εντός συναρτήσεων Πιο προηγμένα παραδείγματα Συντελεστές απόδοσης σε σχέδια μπλοκ Απόθεση όλων των ονομάτων σε έναν τυπωμένο πίνακα Αναδρομική αριθμητική ολοκλήρωση

    Πεδίο εφαρμογής

      Προσαρμογή του περιβάλλοντος
    Κλάσεις, γενικές συναρτήσεις και προσανατολισμός αντικειμένων
  • Γραφικές διαδικασίες
  • Εντολές σχεδίασης υψηλού επιπέδου Η συνάρτηση plot() Εμφάνιση δεδομένων πολλαπλών μεταβλητών Εμφάνιση γραφικών Ορίσματα για συναρτήσεις σχεδίασης υψηλού επιπέδου
  • Βασικά γραφήματα οπτικοποίησης
  • Πολυμεταβλητές σχέσεις με πλέγμα και πακέτο ggplot

      Χρήση παραμέτρων γραφικών
    Λίστα παραμέτρων γραφικών
  • Χρονικές σειρές Forecasting
  • Εποχιακή προσαρμογή Κινητός μέσος όρος Εκθετική εξομάλυνση Παρέκταση Γραμμική πρόβλεψη Εκτίμηση τάσης Σταθερότητα και μοντελοποίηση ARIMA
  • Οικονομετρικές μέθοδοι (περιστασιακές μέθοδοι)
  • Ανάλυση παλινδρόμησης Πολλαπλή γραμμική παλινδρόμηση Πολλαπλή μη γραμμική παλινδρόμηση Επικύρωση παλινδρόμησης Forecasting από παλινδρόμηση
  •   21 Hours
     

    Number of participants


    Starts

    Ends


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Testimonials (2)

    Related Courses

    Introduction to Data Visualization with Tidyverse and R

      7 Hours

    Big Data Business Intelligence for Telecom and Communication Service Providers

      35 Hours

    From Data to Decision with Big Data and Predictive Analytics

      21 Hours

    Matlab for Predictive Analytics

      21 Hours

    Big Data Business Intelligence for Criminal Intelligence Analysis

      35 Hours

    RapidMiner for Machine Learning and Predictive Analytics

      14 Hours

    Related Categories