Dedika è una piattaforma per imparare facendo: preparare una proposta commerciale, diventare manicure o imparare a usare un nuovo strumento, per esempio. Qualunque sia il tuo obiettivo, i migliori contenuti sull’argomento esistono già. Il problema è che spesso sono in un’altra lingua, costano caro, sono sparsi in giro, non offrono esercizi pratici o fanno parte di corsi troppo lunghi per chi ha una vita frenetica. Per questo Dedika ha un metodo tutto suo: cerchiamo questi materiali ovunque si trovino, selezioniamo ciò che è utile per il tuo obiettivo, li rivediamo con il supporto di esperti sempre disponibili per chiarire dubbi e creiamo attività pratiche per farti imparare facendo. Tu sei la persona più importante nel tuo percorso e nessuno lo conosce meglio di te: scegli i contenuti e la durata del corso, se vuoi imparare online o offline e in quale formato. Può essere in video, testo, audio o riassunto. A modo tuo, solo con ciò che ha senso per te. Qui, ogni momento dedicato vale di più e arrivi più velocemente a ciò che conta davvero.

I nostri corsi includono un riassunto alla fine di ogni capitolo, dal quale puoi scaricare un PDF e stamparlo.

Più di 2 milioni di studenti in tutto il mondo

Il corso è disponibile in più di 180 paesi in tutto il mondo

Certificato valido nel tuo paese

Pagina principale

...

Corso di statistica con R

Tutti i corsi

Scienze Naturali e Ricerca

Statistica

Corso di statistica con R

Per tutti i livelli

Corso di statistica con R

4,4

Padroneggi R partendo dalle basi e acquisisca le competenze statistiche che i datori di lavoro cercano in realtà. Questo corso La conduce dalla scrittura del Suo primo script alla costruzione di modelli di regressione, dashboard interattive e pipeline di ricerca riproducibili. Sia che lavori nell'analisi dei dati, nella ricerca o nella business intelligence, se ne andrà con un insieme di strumenti che produce risultati.

Dedika per aziende

Cosa imparerai:

Imparerà a configurare un ambiente di lavoro R professionale e a scrivere codice pulito ed efficiente utilizzando gli strumenti fondamentali del tidyverse. Il corso tratta l'importazione di dati da fonti CSV, Excel, SQL e JSON, seguita da tecniche approfondite di pulizia e trasformazione. Condurrà analisi esplorative dei dati, realizzerà visualizzazioni di qualità editoriale e applicherà metodi di inferenza statistica, tra cui test t, ANOVA e test chi-quadrato. La modellazione di regressione copre sia l'approccio lineare che quello logistico, con diagnostica completa e validazione incrociata. Gli argomenti avanzati includono l'analisi delle serie temporali, il clustering e il text mining. Costruirà inoltre dashboard interattive con Shiny e automatizzerà la reportistica riproducibile con R Markdown e il pacchetto targets.

Come studi in modo pratico Corso di statistica con R

Come metti in pratica Corso di statistica con R

Per te che sei un'azienda e vuoi formare il tuo team

Su Dedika per aziende, il corso include esercizi ed esempi personalizzati sul tuo business e secondo le esigenze della tua azienda.

Clicca qui

Contenuto del corso

8 Capitoli • 40 LezioniDurata tra 4 e 360 ore (decidi tu)

Capitolo 1Vedi dettagli

Ambiente R e sintassi fondamentale

Lezione 1 • Installazione e configurazione di R e RStudio
Tratta l'installazione di R e RStudio, la disposizione dei pannelli e le opzioni globali. Stabilisce lo spazio di lavoro da cui dipende ogni capitolo successivo.
Lezione 2 • Sintassi di base e operatori in R
Introduce gli operatori di assegnazione, aritmetici, logici e di confronto. Fornisce le basi sintattiche per tutte le attività di scripting successive.
Lezione 3 • Flusso di controllo e funzioni
Insegna l'uso di if-else, cicli for, cicli while e la creazione di funzioni personalizzate. Consente agli studenti di scrivere blocchi di codice riutilizzabili e guidati dalla logica.
Lezione 4 • Tipi di dati e strutture in R
Spiega vettori, matrici, liste e data frame con le regole di coercizione dei tipi. Gli studenti acquisiscono il vocabolario strutturale necessario per l'analisi dei dati.
Lezione 5 • Organizzazione degli script e debugging
Tratta la strutturazione degli script, i messaggi di errore, gli avvisi e gli strumenti di debugging. Prepara gli studenti a mantenere file di codice puliti e riproducibili.

Capitolo 2Vedi dettagli

Importazione, pulizia e trasformazione dei dati

Lezione 1 • Rimodellare i dati con tidyr
Tratta pivot_longer, pivot_wider, separate e unite per il rimodellamento strutturale. Abilita i principi dei dati ordinati essenziali per la modellazione e la visualizzazione.
Lezione 2 • Importare dati da fonti multiple
Tratta l'importazione da CSV, Excel, JSON e database utilizzando R base e i pacchetti tidyverse. Collega l'accesso ai dati grezzi ai flussi di lavoro di pulizia a valle.
Lezione 3 • Data Wrangling con dplyr
Applica i verbi filter, select, mutate, group_by e summarize per trasformare i dati. Costruisce l'insieme di competenze fondamentale per la manipolazione con tidyverse.
Lezione 4 • Gestire dati mancanti e incoerenti
Insegna il rilevamento dei NA, le strategie di imputazione e la rimozione dei duplicati. Riduce direttamente i problemi di qualità dei dati prima che l'analisi abbia inizio.
Lezione 5 • Unire e combinare dataset
Insegna inner join, left join, right join, full join e anti join usando dplyr. Prepara gli studenti a integrare dati da più fonti relazionali.

Capitolo 3Vedi dettagli

Analisi esplorativa dei dati

Lezione 1 • EDA con R base e anteprime ggplot2
Utilizza hist(), boxplot() e chiamate ggplot2 di base per visualizzare rapidamente le distribuzioni. Collega i risultati dell'EDA al capitolo completo sulla visualizzazione successivo.
Lezione 2 • Analisi della distribuzione univariata
Esamina la tendenza centrale, la dispersione e la forma per singole variabili. Stabilisce una comprensione di base di ciascuna variabile prima del lavoro multivariato.
Lezione 3 • Rilevamento e trattamento dei valori anomali
Applica metodi basati su IQR, punteggio z e metodi robusti per identificare e trattare i valori anomali. Impedisce ai valori estremi di distorcere i modelli statistici successivi.
Lezione 4 • Relazioni bivariate e multivariate
Esplora correlazioni, tabulazioni incrociate e covarianza tra coppie di variabili. Identifica i predittori candidati per i capitoli di modellazione successivi.
Lezione 5 • Strutturare e comunicare i risultati dell'EDA
Organizza i risultati dell'EDA in un report riproducibile utilizzando R Markdown. Insegna agli studenti a tradurre l'esplorazione grezza in narrazioni analitiche chiare.

Capitolo 4Vedi dettagli

Visualizzazione dei dati con ggplot2

Lezione 1 • Fondamenti della grammatica dei grafici
Spiega estetiche, geometrie e layer come elementi costitutivi di ggplot2. Fornisce il modello concettuale alla base di ogni grafico in questo capitolo.
Lezione 2 • Esportare e incorporare visualizzazioni
Salva i grafici in formati raster e vettoriali e li incorpora nei report. Garantisce che i grafici siano riproducibili e pronti per la pubblicazione o la presentazione.
Lezione 3 • Tipi di grafici comuni e casi d'uso
Tratta grafici a barre, a linee, di dispersione, istogrammi e boxplot con contesti di dati appropriati. Fornisce agli studenti gli strumenti per selezionare il grafico giusto per ogni domanda analitica.
Lezione 4 • Temi, colori e annotazioni
Personalizza l'aspetto dei grafici con temi, palette di colori e annotazioni testuali. Produce grafici che soddisfano gli standard professionali e di accessibilità.
Lezione 5 • Faceting e layout a pannelli multipli
Applica facet_wrap e facet_grid per visualizzare confronti tra gruppi su più pannelli. Consente una visualizzazione efficiente delle suddivisioni per categoria.

Capitolo 5Vedi dettagli

Probabilità e inferenza statistica

Lezione 1 • Distribuzioni di probabilità in R
Tratta le distribuzioni normale, binomiale, di Poisson e t utilizzando le funzioni d, p, q, r. Costruisce le basi probabilistiche necessarie per tutti i metodi inferenziali.
Lezione 2 • Quadro di riferimento per la verifica delle ipotesi
Stabilisce ipotesi nulla e alternativa, p-value ed errori di I e II tipo. Fornisce la logica decisionale applicata in ogni test successivo.
Lezione 3 • Campionamento, stima e intervalli di confidenza
Spiega le distribuzioni campionarie, l'errore standard e la costruzione degli intervalli di confidenza. Collega la probabilità teorica alla stima pratica dei parametri della popolazione.
Lezione 4 • Test parametrici: test t e ANOVA
Applica test t per un campione, due campioni e appaiati e ANOVA a una via in R. Tratta la verifica delle assunzioni e i confronti post-hoc per differenze tra gruppi.
Lezione 5 • Test non parametrici e test chi-quadrato
Tratta i test di Wilcoxon, Kruskal-Wallis e chi-quadrato per dati non normali o categorici. Amplia il toolkit inferenziale oltre le assunzioni parametriche.

Capitolo 6Vedi dettagli

Modellazione di regressione e previsione

Lezione 1 • Confronto e validazione del modello
Utilizza suddivisioni in train-test, validazione incrociata k-fold e metriche RMSE/MAE per validare i modelli. Costruisce abitudini di valutazione rigorose per la modellazione predittiva.
Lezione 2 • Regressione logistica per esiti binari
Adatta modelli logistici con glm(), interpreta gli odds ratio e valuta le prestazioni di classificazione. Estende le competenze di regressione a variabili risposta categoriche.
Lezione 3 • Selezione delle variabili e regolarizzazione
Applica la selezione stepwise, i criteri AIC/BIC, la regolarizzazione ridge e lasso. Riduce l'overfitting e identifica insiemi parsimoniosi di predittori.
Lezione 4 • Regressione lineare semplice e multipla
Adatta modelli di regressione OLS con uno e più predittori utilizzando lm(). Stabilisce il flusso di lavoro di modellazione di base utilizzato in tutto questo capitolo.
Lezione 5 • Diagnostica della regressione e assunzioni
Verifica la linearità, l'omoschedasticità, la normalità dei residui e la multicollinearità. Garantisce la validità del modello prima di trarre conclusioni inferenziali.

Capitolo 7Vedi dettagli

Metodi statistici avanzati

Lezione 1 • Analisi delle componenti principali e analisi fattoriale
Applica PCA e analisi fattoriale esplorativa per ridurre la dimensionalità e identificare la struttura latente. Prepara i dati ad alta dimensionalità per la modellazione e l'interpretazione.
Lezione 2 • Tecniche di analisi dei cluster
Implementa il clustering k-means, gerarchico e basato sulla densità per segmentare le osservazioni. Consente la scoperta non supervisionata di pattern in dataset non etichettati.
Lezione 3 • Estensioni dell'analisi della varianza
Tratta ANOVA a due vie, effetti di interazione e ANOVA a misure ripetute. Estende le competenze di confronto tra gruppi a disegni fattoriali e longitudinali.
Lezione 4 • Analisi delle serie temporali
Tratta la decomposizione, la verifica della stazionarietà, la modellazione ARIMA e la previsione in R. Affronta strutture di dati temporali distinte dall'analisi trasversale.
Lezione 5 • Fondamenti di analisi di sopravvivenza
Applica le curve di Kaplan-Meier, i test log-rank e i modelli dei rischi proporzionali di Cox. Gestisce dati di tempo all'evento censurati, comuni nella ricerca clinica e operativa.

Capitolo 8Vedi dettagli

Ricerca riproducibile e automazione del flusso di lavoro

Lezione 1 • Struttura del progetto e gestione dei pacchetti
Organizza i progetti R con strutture di cartelle coerenti e renv per il blocco delle dipendenze. Garantisce portabilità e riproducibilità tra ambienti di calcolo.
Lezione 2 • Controllo di versione con Git e GitHub
Applica commit Git, branch e pull request alla gestione di progetti R. Consente uno sviluppo collaborativo e tracciabile del codice analitico.
Lezione 3 • Condividere e pubblicare risultati analitici
Distribuisce report e dashboard tramite Quarto, Shiny e piattaforme di hosting pubbliche. Completa la pipeline dai dati grezzi a risultati accessibili e condivisibili.
Lezione 4 • Automazione del flusso di lavoro con targets
Costruisce pipeline consapevoli delle dipendenze utilizzando il pacchetto targets per saltare i passaggi già aggiornati. Riduce il tempo di ricalcolo in flussi di lavoro analitici ampi e multi-step.
Lezione 5 • R Markdown per reportistica dinamica
Costruisce documenti R Markdown parametrizzati che combinano codice, output e narrazione. Produce report che si aggiornano automaticamente quando i dati sottostanti cambiano.

Certificazione

Il tuo certificato valido di completamento

Questo corso è per te:

Biologo: deve analizzare i dati sperimentali senza cambiare software.
Analista aziendale: vuole superare i fogli di calcolo e passare a flussi di lavoro dati basati su script.
Ricercatore in psicologia: deve eseguire test inferenziali e riportare i risultati in modo rigoroso.
Professionista in fase di transizione: sta passando a ruoli nei dati e necessita di una solida base tecnica.
Economista: gestisce grandi insiemi di dati e desidera pipeline analitiche riproducibili e verificabili.
Professionista della sanità pubblica: lavora con dati di sondaggi o clinici che richiedono modellizzazione statistica.

Cosa dicono i nostri studenti

Le sue lezioni sono perfette. Ho acquistato il pacchetto annuale e finalmente ho l'opportunità di seguire diversi argomenti di mio interesse senza dover cambiare piattaforma... vi ringrazio per tutto quello che fate, vi ho già raccomandati ad altre persone...