Éditeur : Sai Acuity Institute of Learning Pvt Ltd Permettre l’apprentissage par la perspicacité!

Prix : 59 $

Durée du cours :

->

Langue du cours : Anglais

La description

La science des données est une discipline passionnante qui vous permet de transformer les données brutes en compréhension, compréhension et connaissances. Le but de «R for Data Science» est de vous aider à apprendre les outils les plus importants en R qui vous permettront de faire de la science des données. Après avoir suivi ce cours, vous aurez les outils nécessaires pour relever une grande variété de défis en science des données, en utilisant les meilleures parties de R.

Ce que vous apprendrez

La science des données est un domaine immense, et il n’y a aucun moyen de le maîtriser en suivant un seul cours. L’objectif de ce cours est de vous donner une base solide dans les outils les plus importants

Vous devez d’abord importer vos données dans R. Cela signifie généralement que vous prenez des données stockées dans un fichier, une base de données ou une API Web et les chargez dans un bloc de données dans R. Si vous ne pouvez pas entrer vos données dans R, vous ne pouvez pas faire de données la science là-dessus!

Une fois que vous avez importé vos données, c’est une bonne idée de rangé il. Ranger vos données signifie les stocker sous une forme cohérente qui correspond à la sémantique de l’ensemble de données avec la façon dont elles sont stockées. En bref, lorsque vos données sont bien rangées, chaque colonne est une variable et chaque ligne est une observation. Les données bien rangées sont importantes car la structure cohérente vous permet de concentrer votre lutte sur les questions relatives aux données, sans vous battre pour obtenir les données sous la bonne forme pour différentes fonctions.

Une fois que vous avez des données en ordre, une première étape commune consiste à transformer il. La transformation comprend le resserrement des observations d’intérêt (comme toutes les personnes dans une ville ou toutes les données de l’année dernière), la création de nouvelles variables qui sont des fonctions des variables existantes (comme le calcul de la vitesse à partir de la distance et du temps) et le calcul d’un ensemble de résumés statistiques (comme les nombres ou les moyens). Ensemble, le rangement et la transformation sont appelés se disputer, car obtenir vos données sous une forme naturelle avec laquelle travailler ressemble souvent à un combat!

Une fois que vous avez des données bien rangées avec les variables dont vous avez besoin, il existe deux principaux moteurs de génération de connaissances: la visualisation et la modélisation. Ceux-ci ont des forces et des faiblesses complémentaires, de sorte que toute analyse réelle se répétera plusieurs fois.

Conditions préalables:

Vous devez généralement avoir des connaissances numériques, et il est utile que vous ayez déjà une certaine expérience en programmation.