Kurs R i Python

Lekcja 1 • Instalacja R i RStudio

Zainstaluj bazę R i środowisko IDE RStudio na Windows, macOS i Linux. Ustanawia podstawową przestrzeń roboczą R wykorzystywaną w całym kursie.

Lekcja 2 • Zarządzanie pakietami i bibliotekami

Instaluj i aktualizuj pakiety za pomocą CRAN w R oraz pip/conda w Pythonie. Zapewnia, że uczestnicy mogą rozszerzać oba środowiska o narzędzia firm trzecich.

Lekcja 3 • Instalacja Pythona i Anacondy

Zainstaluj Pythona za pomocą dystrybucji Anaconda i skonfiguruj Jupyter Notebook. Zapewnia przestrzeń roboczą Pythona, która odzwierciedla konfigurację R dla równoległego uczenia się.

Lekcja 1 • Struktury przepływu sterowania

Pisz instrukcje if/else, pętle for i pętle while w obu językach. Umożliwia stosowanie logiki warunkowej i iteracji niezbędnych w skryptach do przetwarzania danych.

Lekcja 2 • Obsługa błędów i debugowanie

Użyj tryCatch w R i try/except w Pythonie do eleganckiej obsługi błędów wykonania. Buduje nawyki obronnego kodowania, kluczowe dla skryptów produkcyjnych.

Lekcja 3 • Pisanie i wywoływanie funkcji

Definiuj funkcje wielokrotnego użytku z parametrami, wartościami domyślnymi i instrukcjami zwracania. Promuje modularny projekt kodu stosowany w każdym kolejnym rozdziale.

Lekcja 4 • Zmienne i typy danych

Deklaruj zmienne i pracuj z typami numerycznymi, znakowymi, logicznymi i zespolonymi w obu językach. Buduje świadomość typów niezbędną do dalszego manipulowania danymi.

Lekcja 1 • Listy i krotki

Przechowuj heterogeniczne dane w listach R oraz listach i krotkach Pythona. Obejmuje struktury zagnieżdżone i wzorce dostępu do elementów używane w złożonych potokach danych.

Lekcja 2 • Wektory i tablice

Twórz i indeksuj jednowymiarowe wektory w R oraz tablice NumPy w Pythonie. Ustanawia atomowy kontener danych używany we wszystkich obliczeniach numerycznych.

Lekcja 3 • Słowniki i zbiory w Pythonie

Używaj słowników Pythona do przechowywania par klucz-wartość i zbiorów do kolekcji unikalnych elementów. Zapewnia narzędzia do wyszukiwania i deduplikacji potrzebne w przepływach pracy związanych z czyszczeniem danych.

Lekcja 4 • Pandas DataFrames w Pythonie

Twórz i manipuluj ramkami danych Pandas jako podstawową strukturą tabelaryczną Pythona. Odzwierciedla sekcję ramek danych R, umożliwiając bezpośrednie porównanie między językami.

Lekcja 1 • Obsługa brakujących danych

Wykrywaj, usuwaj i uzupełniaj brakujące wartości za pomocą metod bazowych R i Pandas. Zapewnia jakość danych przed etapem modelowania lub wizualizacji.

Lekcja 2 • Grupowanie i agregacja danych

Podsumowuj dane według grup za pomocą group_by/summarize w R i groupby/agg w Pythonie. Tworzy statystyki podsumowujące wymagane do raportowania i wizualizacji.

Lekcja 3 • Przekształcanie danych: formaty szerokie i długie

Przekształcaj dane między formatami szerokim i długim za pomocą tidyr i melt/pivot Pandas. Przygotowuje dane w kształcie wymaganym przez biblioteki do wizualizacji i modelowania.

Lekcja 4 • Importowanie i eksportowanie danych

Wczytuj pliki CSV, Excel i JSON do R i Pythona i zapisuj wyniki z powrotem na dysk. Ustanawia potok pozyskiwania danych, który zasila wszystkie etapy transformacji.

Lekcja 1 • Wizualizacja statystyczna z Seaborn

Generuj wykresy rozkładów, kategoryczne i relacyjne za pomocą wysokopoziomowego API Seaborn. Rozszerza Matplotlib o wbudowane podsumowania statystyczne i atrakcyjne domyślne ustawienia.

Lekcja 2 • Tworzenie wykresów z Matplotlib w Pythonie

Twórz figury i osie za pomocą obiektowego API Matplotlib. Zapewnia podstawową warstwę kreślenia w Pythonie, na której opierają się Seaborn i Pandas.

Lekcja 3 • Dostosowywanie i eksportowanie wykresów

Stosuj spójne style, adnotacje i ustawienia eksportu dla wykresów w R i Pythonie. Zapewnia, że wizualizacje spełniają standardy profesjonalnego raportowania i publikacji.

Lekcja 4 • Zasady wizualizacji i wybór wykresu

Zastosuj zasady kodowania wizualnego, aby wybrać odpowiedni wykres dla każdego typu danych. Ugruntowuje całą późniejszą pracę nad wykresami w najlepszych praktykach projektowych.

Lekcja 1 • Testowanie hipotez

Przeprowadzaj testy t, testy chi-kwadrat i ANOVA za pomocą R i scipy.stats w Pythonie. Umożliwia formalne porównanie grup i zależności w danych.

Lekcja 2 • Rozkłady prawdopodobieństwa

Pobieraj próbki z i oceniaj rozkłady normalne, dwumianowe i Poissona w R i Pythonie. Buduje probabilistyczne podstawy wymagane do testowania hipotez i modelowania.

Lekcja 3 • Korelacja i prosta regresja

Mierz liniowe zależności za pomocą współczynników korelacji i dopasowuj proste modele regresji liniowej. Przygotowuje uczestników do pełnego rozdziału o uczeniu maszynowym, który następuje.

Lekcja 4 • Przedziały ufności i próbkowanie

Konstruuj przedziały ufności i rozumiej zmienność próbkowania w obu językach. Łączy teorię prawdopodobieństwa z praktycznym wnioskowaniem na rzeczywistych zbiorach danych.

Lekcja 1 • Dostrajanie i walidacja modeli

Optymalizuj hiperparametry za pomocą przeszukiwania siatki i walidacji krzyżowej w obu językach. Zapewnia, że modele generalizują się poza danymi treningowymi przed wdrożeniem.

Lekcja 2 • Modele regresji

Trenuj modele regresji liniowej i wielomianowej oraz oceniaj dopasowanie za pomocą walidacji krzyżowej. Rozszerza prostą regresję z rozdziału 6 na formy regularyzowane i nieliniowe.

Lekcja 3 • Modele klasyfikacji

Trenuj regresję logistyczną, drzewa decyzyjne i lasy losowe do zadań klasyfikacji. Obejmuje najczęściej używane klasyfikatory w profesjonalnych przepływach pracy ML.

Lekcja 4 • Przegląd procesu uczenia maszynowego

Ramowy pełny potok ML od definicji problemu do oceny modelu. Zapewnia mapę koncepcyjną porządkującą wszystkie kolejne sekcje dotyczące modelowania.

Lekcja 1 • R Markdown dla raportów dynamicznych

Połącz kod R, tekst narracyjny i wyniki w jednym dokumencie R Markdown. Umożliwia analitykom dostarczanie odtwarzalnych raportów HTML, PDF i Word.

Lekcja 2 • Łączenie R i Pythona w jednym przepływie pracy

Wywołuj Pythona z R za pomocą pakietu reticulate i przekazuj obiekty między sesjami. Odblokowuje hybrydowe przepływy pracy wykorzystujące mocne strony obu języków.

Lekcja 3 • Organizacja projektu i najlepsze praktyki

Strukturyzuj projekty R i Python z spójnym układem folderów, konwencjami nazewnictwa i plikami README. Zapewnia długoterminową utrzymywalność i współpracę zespołową.

Lekcja 4 • Jupyter Notebooki dla raportów w Pythonie

Strukturyzuj analizę w Jupyter Notebookach z komórkami markdown, komórkami kodu i bogatym wyjściem. Zapewnia odpowiednik R Markdown w Pythonie dla udostępnianych dokumentów analitycznych.