Kursus Statistik R

Pelajaran 1 • Memasang dan Mengkonfigurasi R dan RStudio

Merangkumi pemasangan R dan RStudio, susun atur panel, dan pilihan global. Mewujudkan ruang kerja yang menjadi asas kepada setiap bab seterusnya.

Pelajaran 2 • Sintaks dan Pengendali Teras R

Memperkenalkan pengendali tugasan, aritmetik, logik, dan perbandingan. Menyediakan asas sintaks untuk semua tugas penulisan skrip di hadapan.

Pelajaran 3 • Aliran Kawalan dan Fungsi

Mengajar if-else, gelung for, gelung while, dan penciptaan fungsi tersuai. Membolehkan pelajar menulis blok kod yang boleh diguna semula dan dipacu logik.

Pelajaran 4 • Jenis dan Struktur Data R

Menerangkan vektor, matriks, senarai, dan bingkai data dengan peraturan paksaan jenis. Pelajar memperoleh perbendaharaan kata struktur yang diperlukan untuk analisis data.

Pelajaran 1 • Membentuk Semula Data dengan tidyr

Merangkumi pivot_longer, pivot_wider, separate, dan unite untuk pembentukan semula struktur. Membolehkan prinsip data kemas yang penting untuk pemodelan dan visualisasi.

Pelajaran 2 • Mengimport Data daripada Pelbagai Sumber

Merangkumi import CSV, Excel, JSON, dan pangkalan data menggunakan pakej R asas dan tidyverse. Menghubungkan akses data mentah kepada aliran kerja pembersihan hiliran.

Pelajaran 3 • Pengolahan Data dengan dplyr

Mengaplikasikan kata kerja filter, select, mutate, group_by, dan summarize untuk mengubah data. Membina set kemahiran manipulasi teras tidyverse.

Pelajaran 4 • Mengendalikan Data Hilang dan Tidak Konsisten

Mengajar pengesanan NA, strategi imputasi, dan penyingkiran pendua. Langsung mengurangkan isu kualiti data sebelum analisis bermula.

Pelajaran 1 • EDA dengan R Asas dan Pratawalan ggplot2

Menggunakan hist(), boxplot(), dan panggilan ggplot2 asas untuk menggambarkan taburan dengan pantas. Merapatkan penemuan EDA kepada bab visualisasi penuh di hadapan.

Pelajaran 2 • Analisis Taburan Univariat

Meneliti kecenderungan memusat, sebaran, dan bentuk untuk pemboleh ubah tunggal. Mewujudkan pemahaman asas setiap pemboleh ubah sebelum kerja multivariat.

Pelajaran 3 • Pengesanan dan Rawatan Nilai Terpencil

Mengaplikasikan kaedah IQR, skor-z, dan kaedah mantap untuk mengenal pasti dan mengendalikan nilai terpencil. Menghalang nilai ekstrem daripada memesongkan model statistik seterusnya.

Pelajaran 4 • Hubungan Dwivariat dan Multivariat

Meneroka korelasi, jadual silang, dan kovarians antara pasangan pemboleh ubah. Mengenal pasti peramal calon untuk bab pemodelan kemudian.

Pelajaran 1 • Asas Tatabahasa Grafik

Menerangkan estetika, geometri, dan lapisan sebagai blok binaan ggplot2. Menyediakan model konsep yang mendasari setiap carta dalam bab ini.

Pelajaran 2 • Mengeksport dan Membenamkan Visualisasi

Menyimpan plot dalam format raster dan vektor serta membenamkannya dalam laporan. Memastikan carta boleh ulang hasil dan sedia untuk penerbitan atau pembentangan.

Pelajaran 3 • Jenis Carta Lazim dan Kes Penggunaan

Merangkumi carta bar, garis, serakan, histogram, dan plot kotak dengan konteks data yang sesuai. Melengkapkan pelajar untuk memilih carta yang tepat bagi setiap soalan analitikal.

Pelajaran 4 • Tema, Warna, dan Anotasi

Menyesuaikan rupa plot dengan tema, palet warna, dan anotasi teks. Menghasilkan carta yang memenuhi piawaian profesional dan kebolehcapaian.

Pelajaran 1 • Taburan Kebarangkalian dalam R

Merangkumi taburan normal, binomial, Poisson, dan t menggunakan fungsi d, p, q, r. Membina asas kebarangkalian yang diperlukan untuk semua kaedah inferens.

Pelajaran 2 • Rangka Kerja Pengujian Hipotesis

Mewujudkan hipotesis nul dan alternatif, nilai-p, dan ralat Jenis I/II. Menyediakan logik membuat keputusan yang digunakan dalam setiap ujian seterusnya.

Pelajaran 3 • Pensampelan, Penganggaran, dan Selang Keyakinan

Menerangkan taburan pensampelan, ralat piawai, dan pembinaan selang keyakinan. Menghubungkan kebarangkalian teori kepada penganggaran praktikal parameter populasi.

Pelajaran 4 • Ujian Parametrik: Ujian-t dan ANOVA

Mengaplikasikan ujian-t satu sampel, dua sampel, dan berpasangan serta ANOVA satu hala dalam R. Merangkumi pemeriksaan andaian dan perbandingan pasca-hoc untuk perbezaan kumpulan.

Pelajaran 1 • Perbandingan dan Pengesahan Model

Menggunakan pecahan latihan-ujian, pengesahan silang k-fold, dan metrik RMSE/MAE untuk mengesahkan model. Membina tabiat penilaian yang teliti untuk pemodelan ramalan.

Pelajaran 2 • Regresi Logistik untuk Hasil Binari

Memasang model logistik dengan glm(), mentafsir nisbah odds, dan menilai prestasi klasifikasi. Memperluas kemahiran regresi kepada pemboleh ubah respons kategorikal.

Pelajaran 3 • Pemilihan Pemboleh Ubah dan Regularisasi

Mengaplikasikan pemilihan langkah demi langkah, kriteria AIC/BIC, regularisasi ridge, dan lasso. Mengurangkan pemasangan berlebihan dan mengenal pasti set peramal yang ringkas.

Pelajaran 4 • Regresi Linear Mudah dan Berbilang

Memasang model regresi OLS dengan satu dan berbilang peramal menggunakan lm(). Mewujudkan aliran kerja pemodelan teras yang digunakan sepanjang bab ini.

Pelajaran 1 • Analisis Komponen Utama dan Faktor

Mengaplikasikan PCA dan analisis faktor penerokaan untuk mengurangkan dimensi dan mengenal pasti struktur terpendam. Menyediakan data berdimensi tinggi untuk pemodelan dan tafsiran.

Pelajaran 2 • Teknik Analisis Kluster

Melaksana pengklusteran k-means, hierarki, dan berasaskan ketumpatan untuk menyegmenkan pemerhatian. Membolehkan penemuan corak tanpa penyeliaan dalam set data tidak berlabel.

Pelajaran 3 • Lanjutan Analisis Varians

Merangkumi ANOVA dua hala, kesan interaksi, dan ANOVA ukuran berulang. Memperluas kemahiran perbandingan kumpulan kepada reka bentuk faktorial dan longitudinal.

Pelajaran 4 • Analisis Siri Masa

Merangkumi penguraian, pengujian kepegunan, pemodelan ARIMA, dan ramalan dalam R. Menangani struktur data temporal yang berbeza daripada analisis keratan rentas.

Pelajaran 1 • Struktur Projek dan Pengurusan Pakej

Menyusun projek R dengan struktur folder yang konsisten dan renv untuk penguncian kebergantungan. Memastikan mudah alih dan boleh ulang hasil merentas persekitaran pengkomputeran.

Pelajaran 2 • Kawalan Versi dengan Git dan GitHub

Mengaplikasikan komit Git, cawangan, dan permintaan tarik kepada pengurusan projek R. Membolehkan pembangunan kod analitikal secara kolaboratif dan boleh dijejak.

Pelajaran 3 • Berkongsi dan Menerbitkan Output Analitikal

Menyebarkan laporan dan papan pemuka melalui Quarto, Shiny, dan platform pengehosan awam. Melengkapkan saluran paip daripada data mentah kepada hasil kerja yang boleh diakses dan boleh dikongsi.

Pelajaran 4 • Automasi Aliran Kerja dengan targets

Membina saluran paip sedar kebergantungan menggunakan pakej targets untuk melangkau langkah yang terkini. Mengurangkan masa pengiraan semula dalam aliran kerja analitikal berbilang langkah yang besar.