Data Analyse met R

R Intro

De cursus Data Analyse met R gaat van start met de installatie van R en de R Studio ontwikkelomgeving. Ook wordt ingegaan op de basis syntax van R en de installatie van R packages.

Plotting in R

Vervolgens leert hoe u met het ggplot2 package door middel van grafieken snel inzicht kunt krijgen in de data. Hierbij komen de verschillende plot types, themes en layouts aan de orde.

Transformaties

Dan is het tijd voor het dplyr package waarmee veel voorkomende data transformatie problemen zoals filteren, sorteren, sommeren en groeperen, kunnen worden opgelost.

Data Cleaning

Ook het presenteren van data met het rmarkdown package wordt behandeld. Evenals het in een nette vorm brengen van ruwe data met het tidyr package, waarbij kolommen variabelen en rijen observaties worden.

Date en Times

In veel data sets komen tijd reeksen voor. Op de verwerking daarvan wordt ingegaan met het lubridate package dat beschikt over vele handige functies voor de verwerking van datums en tijd.

Data Import

Onderdeel van het programma van de cursus is ook het importeren van data uit csv files en file formaten van andere statistische pakketten zoals SPSS of SAS. Het lezen uit en schrijven naar databases passeert ook de revue.

Statistische Analyses

Tenslotte behandelt de cursus Data Analyse met R statistische analyse modellen zoals lineaire en niet-lineaire modellen, variable transformaties en regressies. Dit alles wordt ondersteund met veel voorbeelden uit de praktijk en kan ook toegepast worden op cases die door de cursisten worden meegenomen.

Doelgroep Cursus Data Analyse met R

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.

Voorkennis Data Analyse met R

Ervaring met programmeren is bevorderlijk voor een goede begripsvorming maar is niet vereist.

Uitvoering Training Data Analyse met R

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

Certificering Cursus Data Analyse met R

De deelnemers krijgen na het goed doorlopen van de cursus een officieel certificaat R Programmeren.

Modules

Module 1 : Intro R

• 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

Module 2 : Graphics and Plots

• 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

Module 3 : Transformations

• dplyr
• R Functions
• Functions for Numeric Data
• Scoping Rules
• mutate
• arrange
• group by
• summarize
• select
• filter
• joining
• dataframe

Module 4 : Presentation

• rmarkdown
• Reproducible research
• Reporting
• Sharing results
• Repetitive Tasks
• Family of apply Functions
• apply Function
• lapply Function
• sapply Function
• tapply Function

Module 5 : Data Cleaning

• tidyr
• spread
• gather
• seperate
• unite
• Logical Data
• Missing Data
• Character Data
• Duplicate Values
• NA’s

Module 6 : Date Times

• 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

• 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

Module 8 : Linear Models

• 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

Module 8 : Non-Linear Models

• Decision Trees
• random forest
• boosting
• overfitting
• Optional material :
• Interactive dashboards with Shiny
• Web Scraping
• Writing packages
• Spark
• Functional programming