Podstawy analizy danych w środowisku R

W trakcie szkolenia zostaną omówione zasady pracy w środowisku R, rodzaje najczęściej wykorzystywanych obiektów oraz przykłady ilustrujące pracę z tym pakietem. Podczas kursu wykorzystywać będziemy RStudio, czyli zestaw zintegrowanych narzędzi zaprojektowanych z myślą o zwiększeniu wydajności pracy z R.

Dla kogo?

• analityków danych
• analityków biznesowych
• osób, które chciałyby samodzielnie analizować dane w środowisku R
• specjalistów z zakresu sprzedaży, marketingu, finansów i innych dziedzin, rozpoczynających pracę z zaawansowanymi narzędziami Data Science lub chcących uporządkować i uzupełnić wiedzę w tym zakresie

Co zyskasz?

• nauczysz się, jak za pomocą środowiska R importować i przygotowywać dane do analizy
• dowiesz się, jak badać empiryczne rozkłady zmiennych jakościowych i ilościowych
• poznasz sposoby obliczania i interpretacji statystyk opisowych
• zgłębisz wiedzę na temat kryteriów, które decydują o wyborze odpowiednich testów parametrycznych i nieparametrycznych oraz etapy weryfikacji hipotez statystycznych
• poznasz przykłady ilustrujące pracę z tym pakietem
• opcjonalnie dla zainteresowanych po zakończeniu szkolenia: zobaczysz, jak zintegrować program Statistica ze środowiskiem R

Program szkolenia

1. Wprowadzenie do środowiska R
   • Podstawowe informacje
   • Podstawy programowania w R
2. Wprowadzenie do planowania badań i analizy danych
   • Statystyczne aspekty badań empirycznych
   • Podstawowe pojęcia analizy danych
3. Przygotowanie danych do analizy
   • Import przykładowego zbioru danych z innej aplikacji
   • Podstawowe operacje i transformacje na zbiorze danych
   • Sprawdzanie poprawności danych
4. Elementy opisowej analizy danych w R
   • Badanie empirycznego rozkładu zmiennej
   • Podstawowe charakterystyki liczbowe rozkładu zmiennej
   • Graficzna prezentacja podstawowych statystyk opisowych
   • Analiza w grupach (analiza przekrojowa)
5. Wybrane zagadnienia wnioskowania statystycznego
   • Statystyka opisowa a wnioskowanie statystyczne
   • Zasady estymacji punktowej i przedziałowej
   • Statystyczne podejście do weryfikacji hipotez badawczych
   • Testowanie normalności rozkładu
   • Merytoryczne i statystyczne kryteria wyboru testów istotności różnic
   • Przykłady stosowania wybranych testów parametrycznych i nieparametrycznych
6. Wprowadzenie do analizy współzależności zjawisk
   • Elementy analizy korelacyjnej
   • Tworzenie wykresów korelacyjnych
   • Wprowadzenie do analizy regresji
   • Model regresji liniowej prostej
   • Przykład budowy modelu i interpretacja wyników analizy regresji