R och Python-kurs

Lektion 1 • Installera R och RStudio

Installera R-bas och RStudio IDE på Windows, macOS och Linux. Etablerar den grundläggande R-arbetsyta som används genom hela kursen.

Lektion 2 • Hantera paket och bibliotek

Installera och uppdatera paket med CRAN i R och pip/conda i Python. Säkerställer att deltagarna kan utöka båda miljöerna med tredjepartsverktyg.

Lektion 3 • Installera Python och Anaconda

Installera Python via Anaconda-distributionen och konfigurera Jupyter Notebook. Tillhandahåller den Python-arbetsyta som speglar R-installationen för parallell inlärning.

Lektion 1 • Kontrollflödesstrukturer

Skriv if/else-satser, for-loopar och while-loopar i båda språken. Möjliggör villkorslogik och iteration som är avgörande för databearbetningsskript.

Lektion 2 • Felhantering och felsökning

Använd tryCatch i R och try/except i Python för att hantera körtidsfel på ett elegant sätt. Bygger defensiva kodningsvanor som är avgörande för skript av produktionskvalitet.

Lektion 3 • Skriva och anropa funktioner

Definiera återanvändbara funktioner med parametrar, standardvärden och returvärden. Främjar modulär koddesign som tillämpas i varje efterföljande kapitel.

Lektion 4 • Variabler och datatyper

Deklarera variabler och arbeta med numeriska, tecken-, logiska och komplexa typer i båda språken. Bygger den typmedvetenhet som behövs för all efterföljande datamanipulation.

Lektion 1 • Listor och tupler

Lagra heterogena data i R-listor och Python-listor och -tupler. Täcker nästlade strukturer och elementåtkomstmönster som används i komplexa datapipelines.

Lektion 2 • Vektorer och arrayer

Skapa och indexera endimensionella vektorer i R och NumPy-arrayer i Python. Etablerar den atomära databehållare som används i all numerisk beräkning.

Lektion 3 • Dictionaries och sets i Python

Använd Python-dictionaries för nyckel-värde-lagring och sets för samlingar av unika element. Tillhandahåller de uppslags- och dedupliceringsverktyg som behövs i arbetsflöden för datarengöring.

Lektion 4 • Pandas DataFrames i Python

Bygg och manipulera Pandas DataFrames som Pythons primära tabellstruktur. Speglar R:s data frame-avsnitt för att möjliggöra direkt jämförelse mellan språken.

Lektion 1 • Hantera saknade data

Upptäck, ta bort och imputera saknade värden med bas-R och Pandas-metoder. Säkerställer datakvalitet före modellerings- eller visualiseringssteg.

Lektion 2 • Gruppera och aggregera data

Sammanfatta data efter grupper med group_by/summarize i R och groupby/agg i Python. Producerar den sammanfattande statistik som krävs för rapportering och visualisering.

Lektion 3 • Omforma data: breda och långa format

Pivotera data mellan breda och långa format med tidyr och Pandas melt/pivot. Förbereder data i den form som krävs av visualiserings- och modelleringsbibliotek.

Lektion 4 • Importera och exportera data

Läs CSV-, Excel- och JSON-filer till R och Python och skriv resultat tillbaka till disk. Etablerar den dataintagspipeline som matar alla transformationssteg.

Lektion 1 • Statistisk visualisering med Seaborn

Generera fördelnings-, kategoriska och relationsdiagram med Seaborns högnivå-API. Utökar Matplotlib med inbyggda statistiska sammanfattningar och tilltalande standardinställningar.

Lektion 2 • Plotta med Matplotlib i Python

Skapa figurer och axlar med Matplotlibs objektorienterade API. Tillhandahåller det grundläggande Python-plotningslager som Seaborn och Pandas bygger på.

Lektion 3 • Anpassa och exportera diagram

Tillämpa konsekvent styling, annoteringar och exportinställningar i R- och Python-diagram. Säkerställer att visualiseringar uppfyller professionella rapporterings- och publiceringsstandarder.

Lektion 4 • Visualiseringsprinciper och diagramval

Tillämpa visuella kodningsprinciper för att välja rätt diagram för varje datatyp. Grundar allt efterföljande plottningsarbete i bästa designpraxis.

Lektion 1 • Hypotesprövning

Kör t-test, chi-två-test och ANOVA med R och scipy.stats i Python. Möjliggör formell jämförelse av grupper och samband i data.

Lektion 2 • Sannolikhetsfördelningar

Dra sampel från och utvärdera normal-, binomial- och Poissonfördelningar i R och Python. Bygger den sannolikhetsgrund som krävs för hypotestestning och modellering.

Lektion 3 • Korrelation och enkel regression

Mät linjära samband med korrelationskoefficienter och anpassa enkla linjära regressionsmodeller. Förbereder deltagarna för det fullständiga maskininlärningskapitlet som följer.

Lektion 4 • Konfidensintervall och sampling

Konstruera konfidensintervall och förstå samplingsvariabilitet i båda språken. Kopplar sannolikhetsteori till praktisk inferens på verkliga dataset.

Lektion 1 • Modelltrimning och validering

Optimera hyperparametrar med rutnätssökning och korsvalidering i båda språken. Säkerställer att modeller generaliserar bortom träningsdata före driftsättning.

Lektion 2 • Regressionsmodeller

Träna linjära och polynomregressionsmodeller och bedöm anpassning med korsvalidering. Utökar den enkla regressionen från kapitel 6 till regulariserade och olinjära former.

Lektion 3 • Klassificeringsmodeller

Träna logistisk regression, beslutsträd och random forests för klassificeringsuppgifter. Täcker de mest använda klassificerarna i professionella ML-arbetsflöden.

Lektion 4 • Översikt över maskininlärningsarbetsflöde

Rama in den fullständiga ML-pipelinen från problemdefinition till modellutvärdering. Tillhandahåller den konceptuella karta som organiserar alla efterföljande modelleringsavsnitt.

Lektion 1 • R Markdown för dynamiska rapporter

Kombinera R-kod, berättande text och utdata i ett enda R Markdown-dokument. Möjliggör för analytiker att leverera reproducerbara HTML-, PDF- och Word-rapporter.

Lektion 2 • Koppla samman R och Python i ett arbetsflöde

Anropa Python från R med paketet reticulate och skicka objekt mellan sessioner. Låser upp hybridarbetsflöden som utnyttjar styrkorna i båda språken.

Lektion 3 • Projektorganisation och bästa praxis

Strukturera R- och Python-projekt med konsekventa mapplayouter, namnkonventioner och README-filer. Säkerställer långsiktig underhållbarhet och teamsamarbete.

Lektion 4 • Jupyter Notebooks för Python-rapporter

Strukturera analys i Jupyter Notebooks med markdown-celler, kodceller och rik output. Tillhandahåller Python-motsvarigheten till R Markdown för delbara analytiska dokument.