آموزش برنامه نویسی R: تجزیه و تحلیل پیشرفته در R برای علم داده

R Programming: Advanced Analytics In R For Data Science

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مهارت های استودیو R & R خود را به سطح بعدی ببرید. تجزیه و تحلیل داده، علم داده، تجزیه و تحلیل آماری در کسب و کار، GGPlot2 انجام آماده سازی داده ها در R شناسایی سوابق مفقود در قاب های داده پیدا کردن داده های گم شده در قاب های داده خود استفاده از روش Imputation میانه برای جایگزینی رکوردهای از دست رفته استفاده از روش تجزیه و تحلیل واقعی برای جایگزینی سوابق از دست رفته درک نحوه استفاده تابع which() نحوه بازنشانی فهرست قاب داده را بدانید کار با توابع gsub() و sub() برای جایگزینی رشته ها توضیح دهید که چرا NA نوع سوم ثابت منطقی است پرداختن به date-times در R تبدیل date-time به زمان POSIXct فرمت ایجاد، استفاده، الحاق، تغییر، تغییر نام، دسترسی و زیرمجموعه لیست‌ها در R درک زمان استفاده از [] و زمان استفاده از [[]] یا علامت $ هنگام کار با فهرست‌ها ایجاد نمودار سری زمانی در R درک نحوه استفاده از خانواده Apply از توابع کار می کند یک دستور application را با حلقه for() ایجاد کنید از apply() هنگام کار با ماتریس استفاده از lapply() و sapply() هنگام کار با لیست ها و بردارها اضافه کردن توابع خود به دستورات application Nest app توابع ly(), lapply() و sapply() درون یکدیگر استفاده از توابع which.max() and which.min() پیش نیازها:دانش اولیه R دانش پکیج GGPlot2 توصیه می شود دانش دیتافریم دانش بردارها و عملیات برداری

آماده اید مهارت های برنامه نویسی R خود را به سطح بعدی ببرید؟

می‌خواهید با R واقعاً در Data Science و Analytics مهارت کسب کنید؟

این دوره برای شما مناسب است!

آموزش حرفه ای R Video، مجموعه داده های منحصر به فرد طراحی شده با سال ها تجربه در صنعت، تمرین های جذاب که هم سرگرم کننده هستند و هم به شما طعم تجزیه و تحلیل دنیای واقعی را می دهند.

در این دوره، یاد خواهید گرفت:

  • نحوه آماده سازی داده ها برای تجزیه و تحلیل در R

  • نحوه اجرای روش انتساب میانه در R

  • نحوه کار با تاریخ-زمان در R

  • لیست ها چیست و چگونه از آنها استفاده کنیم

  • خانواده توابع Apply چیست

  • نحوه استفاده از application()، lapply() و sapply() به جای حلقه

  • نحوه قرار دادن توابع خود در توابع نوع کاربردی

  • نحوه قرار دادن توابع ()apply()، lapply() و sapply() درون یکدیگر

  • و خیلی، خیلی بیشتر!

هر چه بیشتر یاد بگیرید، بهتر خواهید شد. بعد از هر ماژول، مجموعه‌ای قوی از مهارت‌ها را خواهید داشت که می‌توانید در حرفه‌ی علم داده خود به همراه داشته باشید.


ما مطالعات موردی واقعی را آماده کردیم.

در بخش اول، شما با داده‌های مالی کار می‌کنید، آن‌ها را تمیز می‌کنید و برای تجزیه و تحلیل آماده می‌شوید. از شما خواسته شد نمودارهایی ایجاد کنید که درآمد، هزینه و سود را برای صنایع مختلف نشان می‌دهد.

در بخش دوم، به Coal Terminal کمک می‌کنید تا با آماده کردن وظایف مختلف تجزیه و تحلیل داده‌ها، متوجه شود که از چه ماشین‌هایی کم استفاده می‌شود.

در بخش سوم، شما به سمت اداره هواشناسی می روید. آن‌ها می‌خواهند الگوهای آب و هوای بهتری را درک کنند و در این مورد از شما درخواست کمک کردند.


سرفصل ها و درس ها

به دوره خوش آمدید Welcome To The Course

  • به دوره برنامه نویسی پیشرفته R خوش آمدید! Welcome to the Advanced R Programming Course!

  • مسیرهای یادگیری Learning Paths

  • اضافی: مصاحبه با هادلی ویکهام Extra: Interview with Hadley Wickham

  • مواد را دریافت کنید Get the materials

  • میانبر شما برای تبدیل شدن به دانشمند داده بهتر! Your Shortcut To Becoming A Better Data Scientist!

  • نکات مطالعه برای موفقیت Study Tips For Success

آماده سازی داده ها Data Preparation

  • به این بخش خوش آمدید این چیزی است که شما یاد خواهید گرفت! Welcome to this section. This is what you will learn!

  • خلاصه پروژه: بررسی مالی Project Brief: Financial Review

  • وارد کردن داده ها به R Import Data into R

  • فاکتورها چیست (تجدید کننده) What are Factors (Refresher)

  • تله متغیر فاکتور The Factor Variable Trap

  • مثال FVT FVT Example

  • gsub() و sub() gsub() and sub()

  • مقابله با داده های از دست رفته Dealing with Missing Data

  • NA چیست؟ What is an NA?

  • روشی زیبا برای یافتن داده های از دست رفته An Elegant Way To Locate Missing Data

  • فیلترهای داده: which() برای داده های غیر از دست رفته Data Filters: which() for Non-Missing Data

  • فیلترهای داده: is.na() برای داده های از دست رفته Data Filters: is.na() for Missing Data

  • حذف سوابق با داده های از دست رفته Removing records with missing data

  • بازنشانی فهرست چارچوب داده Reseting the dataframe index

  • جایگزینی داده های از دست رفته: روش تحلیل واقعی Replacing Missing Data: Factual Analysis Method

  • جایگزینی داده های از دست رفته: روش انتساب میانه (قسمت 1) Replacing Missing Data: Median Imputation Method (Part 1)

  • جایگزینی داده های از دست رفته: روش انتساب میانه (قسمت 2) Replacing Missing Data: Median Imputation Method (Part 2)

  • جایگزینی داده های از دست رفته: روش انتساب میانه (قسمت 3) Replacing Missing Data: Median Imputation Method (Part 3)

  • جایگزینی داده های از دست رفته: روش استخراج مقادیر Replacing Missing Data: Deriving Values Method

  • تجسم نتایج Visualizing results

  • خلاصه بخش Section Recap

  • آماده سازی داده ها Data Preparation

لیست ها در R Lists in R

  • به این بخش خوش آمدید این چیزی است که شما یاد خواهید گرفت! Welcome to this section. This is what you will learn!

  • خلاصه پروژه: استفاده از ماشین Project Brief: Machine Utilization

  • وارد کردن داده ها به R Import Data Into R

  • رسیدگی به تاریخ و زمان در R Handling Date-Times in R

  • برنامه نویسی R: لیست چیست؟ R programming: What is a List?

  • نام گذاری اجزای یک لیست Naming components of a list

  • استخراج لیست اجزاء: [] در مقابل [[]] در مقابل $ Extracting components lists: [] vs [[]] vs $

  • افزودن و حذف کامپوننت ها Adding and deleting components

  • زیرتنظیم یک لیست Subsetting a list

  • ایجاد یک طرح سریال زمانی Creating A Timeseries Plot

  • خلاصه بخش Section Recap

  • لیست ها در R Lists in R

خانواده توابع "اعمال" "Apply" Family of Functions

  • به این بخش خوش آمدید این چیزی است که شما یاد خواهید گرفت! Welcome to this section. This is what you will learn!

  • خلاصه پروژه: الگوهای آب و هوا Project Brief: Weather Patterns

  • وارد کردن داده ها به R Import Data into R

  • برنامه نویسی R: خانواده Apply چیست؟ R programming: What is the Apply family?

  • استفاده از application() Using apply()

  • ایجاد مجدد تابع application با حلقه ها (موضوع پیشرفته) Recreating the apply function with loops (advanced topic)

  • استفاده از lapply() Using lapply()

  • ترکیب lapply() با [] Combining lapply() with []

  • اضافه کردن توابع خود Adding your own functions

  • استفاده از sapply() Using sapply()

  • توابع کاربردی () تودرتو Nesting apply() functions

  • () which.max و () which.min (موضوع پیشرفته) which.max() and which.min() (advanced topic)

  • خلاصه بخش Section Recap

  • خانواده توابع "اعمال" "Apply" Family of Functions

  • با تشکر از شما ویدئو THANK YOU Video

پیشنهاد ویژه Special Offer

  • ***پاداش ویژه شما*** ***YOUR SPECIAL BONUS***

نمایش نظرات

آموزش برنامه نویسی R: تجزیه و تحلیل پیشرفته در R برای علم داده
جزییات دوره
6 hours
53
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
58,667
4.6 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kirill Eremenko Kirill Eremenko

دانشمند داده

اسم من کریل ارمنکو است و از اینکه شما دارید این مطلب را می خوانید بسیار روان هستم!

من به طور حرفه ای یک مشاور مدیریت علوم داده با بیش از پنج سال تجربه در امور مالی، خرده فروشی، حمل و نقل و سایر صنایع هستم. من توسط بهترین مربیان تجزیه و تحلیل در Deloitte استرالیا آموزش دیدم و امروز از Big Data برای هدایت استراتژی تجاری، بهبود تجربه مشتری و متحول کردن فرآیندهای عملیاتی موجود استفاده می کنم.

از دوره های من بلافاصله متوجه خواهید شد که چگونه تجربه واقعی زندگی و پیشینه تحصیلی خود را در فیزیک و ریاضیات ترکیب می کنم تا مربیگری گام به گام حرفه ای را در فضای علم داده ارائه دهم. من همچنین علاقه زیادی به سخنرانی عمومی دارم و به طور مرتب در دانشگاه ها و رویدادهای صنعتی پیشرو استرالیا در Big Data حضور دارم.

به طور خلاصه، من کاملاً و کاملاً مشتاق علوم داده هستم و مشتاقانه منتظر هستم تا اشتیاق و دانش خود را با شما به اشتراک بگذارم!

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر