Course Outline

Dag één: Taalbasis

    Cursusintroductie Over Data Science Data Science Definitie Proces van doen Data Science.
Even voorstellen R Language
  • Variabelen en typen
  • Controlestructuren (lussen / voorwaardelijke)
  • R Scalars, vectoren en matrices die R-vectoren definiëren
  • Matrijzen
  • Tekenreeks- en tekstmanipulatie Tekengegevenstype
  • IO-bestanden
  • Lijsten
  • Functies Introductie van functies
  • Sluitingen
  • lapply/sapply-functies
  • Gegevensframes
  • Labs voor alle secties
  • Dag twee: gemiddeld R Programming
  • DataFrames en bestands-I/O Gegevens uit bestanden lezen Gegevensvoorbereiding Ingebouwde gegevenssets Visualisatie Grafisch pakket plot() / barplot() / hist() / boxplot() / scatterplot Heat Map ggplot2-pakket (qplot(), ggplot())
  • Verkenning met Dplyr
  • Labs voor alle secties
  • Dag drie: Gevorderd Programming Met R

      Statistische modellering met R-statistische functies Omgaan met NA-verdelingen (binomiaal, Poisson, normaal)
    Regressie Introductie van lineaire regressies
  • Aanbevelingen
  • Tekstverwerking (tm-pakket / Wordclouds)
  • Clustering Inleiding tot clustering

      KBetekent
    Classificatie Inleiding tot classificatie
  • Naïeve Bayes
  • Beslissingsbomen
  • Trainen met behulp van het caret-pakket
  • Algoritmen evalueren
  • R en Big Data R verbinden met databases
  • Big Data Ecosysteem
  • Labs voor alle secties

    Requirements

    • Een basis programmeerachtergrond heeft de voorkeur

    Opgericht

    • Een moderne laptop
    • Nieuwste R-studio en R-omgeving geïnstalleerd
     21 Hours

    Getuigenissen (5)

    Related Courses

    Related Categories