Curs programare Python și R

Lecția 1 • Instalarea R și RStudio

Instalează R base și IDE-ul RStudio pe Windows, macOS și Linux. Stabilește spațiul de lucru fundamental R utilizat pe parcursul cursului.

Lecția 2 • Gestionarea pachetelor și bibliotecilor

Instalează și actualizează pachete folosind CRAN în R și pip/conda în Python. Asigură că studenții pot extinde ambele medii cu instrumente terțe.

Lecția 3 • Instalarea Python și Anaconda

Instalează Python prin distribuția Anaconda și configurează Jupyter Notebook. Oferă spațiul de lucru Python care oglindește configurarea R pentru învățare paralelă.

Lecția 1 • Structuri de control al fluxului

Scrie instrucțiuni if/else, bucle for și bucle while în ambele limbi. Permite logica condițională și iterația esențiale pentru scripturile de procesare a datelor.

Lecția 2 • Gestionarea erorilor și depanarea

Folosește tryCatch în R și try/except în Python pentru a gestiona erorile de execuție cu eleganță. Construiește obiceiuri de programare defensivă esențiale pentru scripturi de calitate de producție.

Lecția 3 • Scrierea și apelarea funcțiilor

Definește funcții reutilizabile cu parametri, valori implicite și instrucțiuni return. Promovează proiectarea modulară a codului aplicată în fiecare capitol ulterior.

Lecția 4 • Variabile și tipuri de date

Declară variabile și lucrează cu tipuri numerice, text, logice și complexe în ambele limbi. Construiește conștientizarea tipurilor necesară pentru toată manipularea ulterioară a datelor.

Lecția 1 • Liste și tupluri

Stochează date eterogene în liste R și liste și tupluri Python. Acoperă structurile imbricate și modelele de acces la elemente utilizate în pipeline-uri complexe de date.

Lecția 2 • Vectori și tablouri

Creează și indexează vectori unidimensionali în R și tablouri NumPy în Python. Stabilește containerul atomic de date utilizat în toate calculele numerice.

Lecția 3 • Dicționare și seturi în Python

Folosește dicționarele Python pentru stocare cheie-valoare și seturile pentru colecții de elemente unice. Oferă instrumentele de căutare și deduplicare necesare în fluxurile de lucru de curățare a datelor.

Lecția 4 • Pandas DataFrames în Python

Construiește și manipulează Pandas DataFrames ca structură tabelară principală în Python. Oglindește secțiunea despre data frame-uri R pentru a permite compararea directă între limbaje.

Lecția 1 • Gestionarea datelor lipsă

Detectează, elimină și impută valorile lipsă folosind metode din R de bază și Pandas. Asigură calitatea datelor înainte de pașii de modelare sau vizualizare.

Lecția 2 • Gruparea și agregarea datelor

Rezumă datele pe grupuri folosind group_by/summarize în R și groupby/agg în Python. Produce statisticile sumare necesare pentru raportare și vizualizare.

Lecția 3 • Remodelarea datelor: formate late și lungi

Realizează pivotarea datelor între formate late și lungi folosind tidyr și Pandas melt/pivot. Pregătește datele în forma cerută de bibliotecile de vizualizare și modelare.

Lecția 4 • Importarea și exportarea datelor

Citește fișiere CSV, Excel și JSON în R și Python și scrie rezultatele înapoi pe disc. Stabilește pipeline-ul de ingestie a datelor care alimentează toți pașii de transformare.

Lecția 1 • Vizualizare statistică cu Seaborn

Generează grafice de distribuție, categorice și relaționale folosind API-ul de nivel înalt al Seaborn. Extinde Matplotlib cu sumare statistice încorporate și setări implicite atractive.

Lecția 2 • Grafică cu Matplotlib în Python

Creează figuri și axe folosind API-ul orientat pe obiecte al Matplotlib. Oferă stratul fundamental de grafică Python pe care se bazează Seaborn și Pandas.

Lecția 3 • Personalizarea și exportarea graficelor

Aplică stilizare consecventă, adnotări și setări de export în graficele R și Python. Asigură că vizualizările îndeplinesc standardele profesionale de raportare și publicare.

Lecția 4 • Principii de vizualizare și selecție a graficelor

Aplică principiile de codare vizuală pentru a alege graficul potrivit pentru fiecare tip de date. Fundamentează toată munca ulterioară de grafică în cele mai bune practici de design.

Lecția 1 • Testarea ipotezelor

Rulează teste t, teste chi-pătrat și ANOVA folosind R și scipy.stats în Python. Permite compararea formală a grupurilor și relațiilor în date.

Lecția 2 • Distribuții de probabilitate

Eșantionează și evaluează distribuțiile normală, binomială și Poisson în R și Python. Construiește fundația probabilistică necesară pentru testarea ipotezelor și modelare.

Lecția 3 • Corelație și regresie simplă

Măsoară relațiile liniare cu coeficienți de corelație și potrivește modele simple de regresie liniară. Pregătește studenții pentru capitolul complet de învățare automată care urmează.

Lecția 4 • Intervale de încredere și eșantionare

Construiește intervale de încredere și înțelege variabilitatea eșantionării în ambele limbi. Conectează teoria probabilităților cu inferența practică pe seturi de date reale.

Lecția 1 • Ajustare și validare a modelelor

Optimizează hiperparametrii folosind căutare în grilă și validare încrucișată în ambele limbi. Asigură că modelele generalizează dincolo de datele de antrenament înainte de implementare.

Lecția 2 • Modele de regresie

Antrenează modele de regresie liniară și polinomială și evaluează potrivirea folosind validare încrucișată. Extinde regresia simplă din Capitolul 6 la forme regularizate și neliniare.

Lecția 3 • Modele de clasificare

Antrenează regresia logistică, arbori de decizie și păduri aleatoare pentru sarcini de clasificare. Acoperă cei mai utilizați clasificatori în fluxurile de lucru profesionale de ML.

Lecția 4 • Privire de ansamblu asupra fluxului de lucru ML

Încadrează pipeline-ul complet de ML, de la definirea problemei până la evaluarea modelului. Oferă harta conceptuală care organizează toate secțiunile ulterioare de modelare.

Lecția 1 • R Markdown pentru rapoarte dinamice

Combină cod R, text narativ și rezultate într-un singur document R Markdown. Permite analiștilor să livreze rapoarte reproductibile în HTML, PDF și Word.

Lecția 2 • Conectarea R și Python într-un singur flux de lucru

Apelează Python din R folosind pachetul reticulate și transferă obiecte între sesiuni. Deblochează fluxuri de lucru hibride care valorifică punctele forte ale ambelor limbaje.

Lecția 3 • Organizarea proiectelor și cele mai bune practici

Structurează proiectele R și Python cu aranjamente consistente de foldere, convenții de denumire și fișiere README. Asigură întreținerea pe termen lung și colaborarea în echipă.

Lecția 4 • Jupyter Notebooks pentru rapoarte Python

Structurează analiza în Jupyter Notebooks cu celule markdown, celule de cod și rezultate bogate. Oferă echivalentul Python pentru R Markdown pentru documente analitice partajabile.