Kurz R a Python

Lekce 1 • Instalace R a RStudio

Nainstalujte základní R a IDE RStudio ve Windows, macOS a Linuxu. Vytvoří základní pracovní prostředí R používané v celém kurzu.

Lekce 2 • Správa balíčků a knihoven

Instalujte a aktualizujte balíčky pomocí CRAN v R a pip/conda v Pythonu. Zajistí, aby studenti mohli obě prostředí rozšiřovat o nástroje třetích stran.

Lekce 3 • Instalace Pythonu a Anacondy

Nainstalujte Python prostřednictvím distribuce Anaconda a nakonfigurujte Jupyter Notebook. Poskytne pracovní prostor v Pythonu, který zrcadlí nastavení R pro souběžné učení.

Lekce 1 • Řídící struktury toku

Pište příkazy if/else, cykly for a cykly while v obou jazycích. Umožní podmíněnou logiku a iteraci nezbytnou pro skripty pro zpracování dat.

Lekce 2 • Ošetření chyb a ladění

Použijte tryCatch v R a try/except v Pythonu k elegantnímu zpracování běhových chyb. Buduje návyky defenzivního programování kritické pro skripty v produkční kvalitě.

Lekce 3 • Psaní a volání funkcí

Definujte znovupoužitelné funkce s parametry, výchozími hodnotami a příkazy return. Podporuje modulární návrh kódu aplikovaný v každé následující kapitole.

Lekce 4 • Proměnné a datové typy

Deklarujte proměnné a pracujte s numerickými, znakovými, logickými a komplexními typy v obou jazycích. Buduje povědomí o typech potřebné pro veškerou následnou manipulaci s daty.

Lekce 1 • Seznamy a n-tice

Ukládejte heterogenní data do seznamů v R a seznamů a n-tic v Pythonu. Zahrnuje vnořené struktury a vzory přístupu k prvkům používané v komplexních datových pipelinech.

Lekce 2 • Vektory a pole

Vytvářejte a indexujte jednorozměrné vektory v R a pole NumPy v Pythonu. Zavádí atomický datový kontejner používaný ve všech numerických výpočtech.

Lekce 3 • Slovníky a množiny v Pythonu

Používejte slovníky v Pythonu pro ukládání klíč-hodnota a množiny pro kolekce jedinečných prvků. Poskytuje nástroje pro vyhledávání a deduplikaci potřebné v pracovních postupech čištění dat.

Lekce 4 • Pandas DataFrames v Pythonu

Vytvářejte a manipulujte s Pandas DataFrames jako primární tabulkovou strukturou Pythonu. Zrcadlí sekci datových rámců v R a umožňuje přímé srovnání napříč jazyky.

Lekce 1 • Práce s chybějícími daty

Detekujte, odstraňujte a dopočítávejte chybějící hodnoty pomocí metod základního R a Pandas. Zajistí kvalitu dat před modelováním nebo vizualizací.

Lekce 2 • Seskupování a agregace dat

Sumarizujte data podle skupin pomocí group_by/summarize v R a groupby/agg v Pythonu. Poskytuje souhrnné statistiky požadované pro reportování a vizualizaci.

Lekce 3 • Přetváření dat: široký a dlouhý formát

Převádějte data mezi širokým a dlouhým formátem pomocí tidyr a Pandas melt/pivot. Připraví data ve tvaru požadovaném vizualizačními a modelovacími knihovnami.

Lekce 4 • Import a export dat

Načítejte soubory CSV, Excel a JSON do R a Pythonu a zapisujte výsledky zpět na disk. Vytváří pipeline pro příjem dat, která napájí všechny transformační kroky.

Lekce 1 • Statistická vizualizace s Seaborn

Vytvářejte grafy rozdělení, kategoriální a relační grafy pomocí vysokoúrovňového API knihovny Seaborn. Rozšiřuje Matplotlib o vestavěné statistické souhrny a atraktivní výchozí nastavení.

Lekce 2 • Kreslení grafů s Matplotlib v Pythonu

Vytvářejte obrázky a osy pomocí objektově orientovaného API Matplotlibu. Poskytuje základní vykreslovací vrstvu Pythonu, na které Seaborn a Pandas stavějí.

Lekce 3 • Přizpůsobení a export grafů

Aplikujte konzistentní stylování, anotace a nastavení exportu napříč grafy v R a Pythonu. Zajistí, že vizuály splňují standardy odborného reportování a publikace.

Lekce 4 • Principy vizualizace a výběr grafu

Aplikujte principy vizuálního kódování pro výběr správného grafu pro každý datový typ. Ukotvuje veškerou následnou práci s grafy v osvědčených postupech návrhu.

Lekce 1 • Testování hypotéz

Provádějte t-testy, chí-kvadrát testy a ANOVA pomocí R a scipy.stats v Pythonu. Umožní formální porovnání skupin a vztahů v datech.

Lekce 2 • Rozdělení pravděpodobnosti

Generujte a vyhodnocujte normální, binomické a Poissonovo rozdělení v R a Pythonu. Buduje pravděpodobnostní základy potřebné pro testování hypotéz a modelování.

Lekce 3 • Korelace a jednoduchá regrese

Měřte lineární vztahy pomocí korelačních koeficientů a prokládejte modely jednoduché lineární regrese. Připravuje studenty na následující kompletní kapitolu o strojovém učení.

Lekce 4 • Intervaly spolehlivosti a výběrová šetření

Sestavujte intervaly spolehlivosti a porozumějte variabilitě výběru v obou jazycích. Propojuje teorii pravděpodobnosti s praktickou inferencí na skutečných datových sadách.

Lekce 1 • Ladění a validace modelů

Optimalizujte hyperparametry pomocí grid search a křížové validace v obou jazycích. Zajistí, že modely zobecňují za trénovací data před nasazením.

Lekce 2 • Regresní modely

Trénujte modely lineární a polynomiální regrese a vyhodnoťte jejich vhodnost pomocí křížové validace. Rozšiřuje jednoduchou regresi z kapitoly 6 o regularizované a nelineární formy.

Lekce 3 • Klasifikační modely

Trénujte logistickou regresi, rozhodovací stromy a náhodné lesy pro klasifikační úlohy. Pokrývá nejpoužívanější klasifikátory v odborných pracovních postupech strojového učení.

Lekce 4 • Přehled pracovního postupu strojového učení

Zarámujte celou ML pipeline od definice problému po vyhodnocení modelu. Poskytuje koncepční mapu, která organizuje všechny následující modelovací sekce.

Lekce 1 • R Markdown pro dynamické reporty

Kombinujte kód R, narativní text a výstup v jediném dokumentu R Markdown. Umožní analytikům dodávat reprodukovatelné reporty ve formátech HTML, PDF a Word.

Lekce 2 • Propojení R a Pythonu v jednom pracovním postupu

Volejte Python z R pomocí balíčku reticulate a předejte objekty mezi relacemi. Odemyká hybridní pracovní postupy, které využívají silné stránky obou jazyků.

Lekce 3 • Organizace projektu a osvědčené postupy

Strukturujte projekty v R a Pythonu s konzistentním rozvržením složek, konvencemi pojmenovávání a README soubory. Zajistí dlouhodobou udržovatelnost a týmovou spolupráci.

Lekce 4 • Jupyter Notebooky pro reporty v Pythonu

Strukturujte analýzu v Jupyter Notebooku pomocí markdown buněk, kódových buněk a bohatého výstupu. Poskytuje ekvivalent R Markdownu v Pythonu pro sdílené analytické dokumenty.