R Programmeercursus

Les 1 • R-scripts schrijven en uitvoeren

Leert scriptcreatie, aanroepen en console-interactie. Verbindt syntaxis-kennis met reproduceerbare, bestandsgebaseerde workflows.

Les 2 • Hulp en documentatie verkrijgen

Demonstreert help(), ? en online bronnen voor zelfgestuurd leren. Stelt studenten in staat om zelfstandig problemen op te lossen tijdens de cursus.

Les 3 • R installeren en configureren

R en RStudio instellen op grote besturingssystemen. Legt de technische basis waar elk volgend hoofdstuk op voortbouwt.

Les 4 • Kern-R-syntaxis en operatoren

Behandelt toewijzings-, rekenkundige, logische en vergelijkingsoperatoren. Biedt de syntactische woordenschat die in elke R-expressie wordt gebruikt.

Les 1 • Matrices en arrays

Bouwt twee- en multidimensionale structuren met matrix() en array(). Bereidt studenten voor op numeriek rekenen en tabelbewerkingen.

Les 2 • Data frames: de kerntabelstructuur

Leert data.frame()-creatie, kolomtoegang en rijfiltering. Data frames zijn het standaardformaat voor alle data-analyseworkflows.

Les 3 • Lijsten en geneste structuren

Introduceert heterogene containers via list() en geneste indexering. Lijsten zijn essentieel voor het opslaan van outputs van gemengde typen en modelresultaten.

Les 4 • Factoren en geordende categorieën

Legt factor() uit voor categorische data en geordende factoren voor ordinale variabelen. Correct factorgebruik is cruciaal voor modelleren en plotten.

Les 1 • Conditionele statements

Behandelt if, else if, else en ifelse() voor vertakkingslogica. Conditionele control is de basis van alle beslissingsgestuurde R-programma's.

Les 2 • Aangepaste functies schrijven

Definieert functies met argumenten, standaardwaarden en retourwaarden. Aangepaste functies zijn het voornaamste hulpmiddel voor herbruikbare, testbare code.

Les 3 • Scope en omgevingen

Legt lokale vs. globale scope en de R-omgevingshiërarchie uit. Inzicht in scope voorkomt subtiele bugs in functie-intensieve scripts.

Les 4 • Loops: for, while en repeat

Leert iteratiepatronen en loopcontrole met next en break. Loops automatiseren repetitieve bewerkingen op datastructuren.

Les 1 • Ontbrekende en inconsistente data verwerken

Leert NA-detectie, imputatiestrategieën en het verwijderen van duplicaten. Schone data is een voorwaarde voor geldige statistische en visuele outputs.

Les 2 • Resultaten exporteren en opslaan

Demonstreert write.csv(), saveRDS() en export naar Excel. Correct exporteren zorgt voor reproduceerbaarheid en deelbaarheid van analytische outputs.

Les 3 • Gegevenstypeconversie en -validatie

Behandelt as.numeric(), as.Date() en invoervalidatiepatronen. Type-mismatches zijn een veelvoorkomende oorzaak van stille fouten in R-pijplijnen.

Les 4 • Verbinding maken met databases en API's

Introduceert DBI, RODBC en httr voor database- en webdatatoegang. Breidt databronnen uit van lokale bestanden naar live systemen.

Les 1 • Tekstmanipulatie met stringr

Introduceert str_detect(), str_replace() en str_extract() voor tekstkolommen. Tekstopschoning is een veelvoorkomende vereiste in real-world datasets.

Les 2 • Data groeperen en samenvatten

Behandelt group_by() en summarize() voor geaggregeerde statistieken. Gegroepeerde samenvattingen vormen de ruggengraat van exploratieve en rapportageworkflows.

Les 3 • Data hervormen met tidyr

Behandelt pivot_longer(), pivot_wider() en separate(). Hervormen converteert data tussen breed en lang formaat, zoals vereist door verschillende functies.

Les 4 • Kern-dplyr-werkwoorden

Leert filter(), select(), mutate(), arrange() en rename(). Deze vijf werkwoorden behandelen de meeste rij- en kolomtransformaties.

Les 1 • ggplot2-grammatica en esthetiek

Legt de ggplot()-aanroep, aes()-toewijzingen en het laagmodel uit. Kennis van de grammatica is vereist voordat u een specifiek grafiektype bouwt.

Les 2 • Facetteren en meerpaneelgrafieken

Introduceert facet_wrap() en facet_grid() voor small-multiple displays. Facetteren onthult groepsniveaupatronen die enkele grafieken verbergen.

Les 3 • Veelvoorkomende grafiektypen

Behandelt spreidings-, staaf-, histogram-, box- en lijngrafieken. Elke geom wordt gekoppeld aan het datatype en de analytische vraag die het het beste beantwoordt.

Les 4 • Schalen, assen en coördinatensystemen

Leert scale_*()-functies, aslabels en coord_flip(). Correcte schaling zorgt voor een nauwkeurige visuele codering van kwantitatieve informatie.

Les 1 • Kansverdelingen

Behandelt d-, p-, q-, r-functies voor de normale, binomiale en andere verdelingen. Verdelingsfuncties vormen de basis van simulatie, toetsing en modellering.

Les 2 • Lineaire regressie

Bouwt en interpreteert eenvoudige en meervoudige lineaire modellen met lm(). Regressie is de meest gebruikte voorspellende en verklarende techniek.

Les 3 • Hypothesetoetsen

Leert t-toetsen, chi-kwadraattoetsen en ANOVA met basis-R-functies. Hypothesetoetsen bieden op bewijs gebaseerde antwoorden op analytische vragen.

Les 4 • Beschrijvende statistiek

Berekent centrale tendentie, spreiding en verdelingsvorm met basis-R. Beschrijvende samenvattingen zijn de eerste stap in elke analytische workflow.

Les 1 • Een eenvoudig R-pakket bouwen

Doorloopt devtools, DESCRIPTION en roxygen2-documentatie. Het verpakken van code maakt hergebruik, testen en distributie binnen teams mogelijk.

Les 2 • Projectorganisatie en best practices

Behandelt RStudio-projecten, mapstructuur en naamgevingsconventies. Consistente organisatie maakt code navigeerbaar voor samenwerkers en je toekomstige zelf.

Les 3 • Versiebeheer met Git en GitHub

Integreert Git commits, vertakkingen en pull requests in R-workflows. Versiebeheer is de industriestandaard voor samenwerkbare en controleerbare code.

Les 4 • Pakketbeheer en renv

Leert library(), install.packages() en renv voor afhankelijkheidsvergrendeling. Reproduceerbare omgevingen zorgen ervoor dat code identiek wordt uitgevoerd op verschillende machines.