پیش‌بینی شامل پیش‌بینی‌هایی درباره آینده است. در بسیاری از شرایط لازم است: تصمیم گیری در مورد ساخت نیروگاه تولید برق دیگر در ده سال آینده مستلزم پیش بینی تقاضای آینده است. برنامه ریزی کارکنان در یک مرکز تماس در هفته آینده نیاز به پیش بینی حجم تماس دارد. ذخیره سازی موجودی مستلزم پیش بینی نیازهای موجودی است. پیش‌بینی‌ها می‌توانند چندین سال قبل (در مورد سرمایه‌گذاری‌های سرمایه) یا فقط چند دقیقه قبل (برای مسیریابی مخابرات) مورد نیاز باشند. هر چه شرایط یا افق زمانی درگیر باشد، پیش‌بینی کمک مهمی به برنامه‌ریزی مؤثر و کارآمد است. این دوره مقدمه ای بر پیش بینی سری های زمانی با استفاده از R.

این دوره اصول تجارت مالی را پوشش می دهد و به شما یک نمای کلی از نحوه استفاده از کوانتسترات برای ایجاد استراتژی های معاملاتی مبتنی بر سیگنال در R ارائه می دهد. به شما می آموزد که چگونه یک استراتژی کوانتسترات راه اندازی کنید، تغییراتی در داده های بازار به نام اندیکاتورها اعمال کنید، سیگنال هایی را بر اساس تعاملات آن اندیکاتورها ایجاد کنید و حتی سفارشات را شبیه سازی کنید. در نهایت، نحوه تجزیه و تحلیل نتایج خود را از دیدگاه آماری و بصری توضیح خواهد داد.

تحلیل احساسات را به جعبه ابزار متن کاوی خود اضافه کنید! تجزیه و تحلیل احساسات توسط استخراج کنندگان متن در بازاریابی، سیاست، خدمات مشتری و جاهای دیگر استفاده می شود. در این دوره شما یاد خواهید گرفت که زبان مثبت و منفی، نیت عاطفی خاص را شناسایی کنید و تجسم های قانع کننده ای ایجاد کنید. شما با مقدمه‌ای برای امتیازدهی قطبیت با استفاده از تابع احساسات qdap شروع می‌کنید و درک خود را از قانون Zipf و واژگان ذهنی در طول مسیر ایجاد خواهید کرد. احساسات، و زبان مورد استفاده برای بیان آن، پیچیده و ظریف است. این مبتنی بر زبان شناسی، جامعه شناسی و روانشناسی و همچنین فرهنگ و زبان عامیانه است. فصل دوم این دوره به شما کمک می‌کند تا با استفاده از چرخ احساسات Plutchik در این مشکلات پیمایش کنید و کار خود را با استفاده از Tidytext از Tidyverse سازماندهی کنید. تبدیل تجزیه و تحلیل احساسات خود به تجسم داده های واضح به شما کمک می کند تا روایت واضح تری ایجاد کنید و بینش خود را با بقیه کسب و کار به اشتراک بگذارید. فصل سوم این دوره به شما نشان می دهد که چگونه تحلیل احساسات خود را تجسم کنید، و شما را فراتر از ابرهای کلمات می برد تا گرافیک های ساده و تاثیرگذاری ایجاد کنید که داستان کامل داده های شما را بیان می کند. شما دوره را با آزمایش تمام دانش خود با مطالعه موردی به پایان خواهید رساند. با استفاده از نظرات Airbnb، خواهید دید که مردم واقعاً در یک اجاره خوب به دنبال چه چیزی هستند.

آیا بیمارانی که داروی جدید مصرف می کنند بیشتر از سایرین زنده می مانند؟ افراد پس از بیکار شدن چقدر سریع شغل جدیدی پیدا می کنند؟ چه کاری می توانم انجام دهم تا دوستانم در میهمانی من در میدان رقص بمانند؟ همه این سوالات نیاز به تجزیه و تحلیل داده های زمان تا رویداد دارند که برای آن از روش های آماری خاصی استفاده می کنیم. این دوره مفاهیم اولیه تجزیه و تحلیل داده های زمان تا رویداد را معرفی می کند که به آن تحلیل بقا نیز می گویند. نحوه برخورد با داده های زمان تا رویداد و نحوه محاسبه، تجسم و تفسیر منحنی های بازمانده و همچنین مدل های Weibull و Cox را بیاموزید.

فناوری‌های عملکردی ژنومی مانند ریزآرایه‌ها، توالی‌یابی، و طیف‌سنجی جرمی، دانشمندان را قادر می‌سازد تا اندازه‌گیری‌های بی‌طرفانه سطوح بیان ژن را در مقیاس وسیع ژنوم جمع‌آوری کنند. چه در حال تولید داده های خود باشید و چه بخواهید تعداد زیادی از مجموعه داده های در دسترس عموم را کاوش کنید، ابتدا باید یاد بگیرید که چگونه این نوع آزمایش ها را تجزیه و تحلیل کنید. در این دوره به شما آموزش داده می شود که چگونه از لیما بسته همه کاره R/Bioconductor برای انجام تحلیل بیان دیفرانسیل روی رایج ترین طرح های آزمایشی استفاده کنید. علاوه بر این، نحوه پیش پردازش داده ها، شناسایی و تصحیح اثرات دسته ای، ارزیابی بصری نتایج و انجام تست غنی سازی را خواهید آموخت. پس از تکمیل این دوره، استراتژی های تجزیه و تحلیل کلی برای به دست آوردن بینش از هر مطالعه ژنومیک عملکردی خواهید داشت.

این دوره مبتنی بر مفاهیم اساسی از مقدمه بر تجزیه و تحلیل پورتفولیو در R است و مفاهیم پیشرفته در فرآیند بهینه سازی پورتفولیو را بررسی می کند. برای یک تحلیلگر یا مدیر پورتفولیو بسیار مهم است که تمام جنبه های مسئله بهینه سازی پورتفولیو را برای تصمیم گیری آگاهانه درک کند. در این دوره، شما یک رویکرد کمی برای به کارگیری اصول تئوری مدرن پورتفولیو برای مشخص کردن پورتفولیو، تعریف محدودیت ها و اهداف، حل مسئله و تجزیه و تحلیل نتایج را خواهید آموخت. این دوره از بسته R PortfolioAnalytics برای حل مسائل بهینه سازی پورتفولیو با محدودیت ها و اهداف پیچیده که منعکس کننده مسائل دنیای واقعی است استفاده می کند.

در این دوره، شما یاد خواهید گرفت که با استفاده از داده‌های شبکه‌ای در R، تجزیه و تحلیل‌های پیش‌بینی‌کننده را انجام دهید. هدف از تجزیه و تحلیل شبکه این است که پیش‌بینی کنید یک گره شبکه به کدام کلاس تعلق دارد، مانند churner یا نه، کلاهبردار یا نه، پیش‌فرض یا غیره. به طور خاص، ما ایده ویژگی‌سازی را معرفی می‌کنیم که ویژگی‌های شبکه را می‌توان به ویژگی‌های غیرشبکه اضافه کرد و عملکرد هر مدل تحلیلی حاصل را افزایش داد. در این دوره، شما از بسته igraph برای تولید و برچسب گذاری شبکه ای از مشتریان در یک محیط ریزش استفاده می کنید و با مبانی یادگیری شبکه آشنا می شوید. سپس، در مورد هموفیلی، دوگانگی و ناهمگونی و اینکه چگونه می توان از آنها برای به دست آوردن بینش های اکتشافی کلیدی در شبکه خود استفاده کرد، یاد خواهید گرفت. در مرحله بعد، از عملکرد بسته igraph برای محاسبه ویژگی های مختلف شبکه برای محاسبه ویژگی های شبکه گره محور و همچنین مبتنی بر همسایه استفاده خواهید کرد. علاوه بر این، شما از الگوریتم پیج رنک گوگل برای محاسبه ویژگی های شبکه و تایید تجربی قدرت پیش بینی آنها استفاده خواهید کرد. در نهایت، ما به شما آموزش می دهیم که چگونه یک مجموعه داده مسطح از شبکه تولید کنید و آن را با استفاده از رگرسیون لجستیک و جنگل های تصادفی تجزیه و تحلیل کنید.

زمانی که مجموعه داده شما به صورت جدول یا پایگاه داده نشان داده می شود، مشاهده چیزهای زیادی در مورد آن فراتر از اندازه آن و انواع متغیرهای موجود در آن دشوار است. در این دوره، یاد خواهید گرفت که چگونه از تکنیک های گرافیکی و عددی برای شروع کشف ساختار داده های خود استفاده کنید. کدام متغیرها روابط جالبی را نشان می دهند؟ کدام مشاهدات غیرعادی هستند؟ در پایان دوره، می‌توانید به این سؤالات و موارد دیگر پاسخ دهید و در عین حال گرافیک‌هایی را ایجاد کنید که هم روشنگر و هم زیبا هستند.

تجزیه و تحلیل داده‌های رسانه‌های اجتماعی می‌تواند بینش‌های ارزشمندی را در اختیار شما قرار دهد. می تواند استراتژی های کمپین را اطلاع رسانی کند، بازاریابی و فروش را بهبود بخشد، مشارکت مشتری را اندازه گیری کند، تجزیه و تحلیل رقبا را انجام دهد و شبکه های دست نخورده را شناسایی کند. در این دوره، از R برای استخراج و تجسم داده‌های توییتر، انجام تحلیل شبکه و مشاهده موقعیت جغرافیایی توییت‌ها استفاده می‌کنید. از مجموعه داده‌های مختلفی برای به کار بردن چیزهایی که آموخته‌اید، استفاده می‌کنید، از جمله توییت‌هایی درباره افراد مشهور، شرکت‌های فناوری، موضوعات پرطرفدار و ورزش.

قبلاً در یک نظرسنجی (یا 1000) شرکت کرده‌اید، درست است؟ آیا تا به حال به این فکر کرده اید که طراحی یک نظرسنجی چه چیزی را شامل می شود و چگونه پاسخ های نظرسنجی به بینش های عملی تبدیل می شوند؟ البته که داری! در تجزیه و تحلیل داده‌های نظرسنجی در R، شما با نظرسنجی‌ها از A تا Z کار می‌کنید، از ساختارهای طراحی نظرسنجی رایج، مانند خوشه‌بندی و طبقه‌بندی شروع می‌کنید و تا تجسم و تجزیه و تحلیل نتایج نظرسنجی ادامه می‌دهید. شما داده های نظرسنجی را از نظرسنجی ملی سلامت و تغذیه با استفاده از نظرسنجی R و بسته های tidyverse مدل خواهید کرد. پس از این دوره، شما قادر خواهید بود نتایج نظرسنجی را با موفقیت تفسیر کنید و در نهایت پاسخ سوالات داغ زندگی را بیابید!

آخرین باری که در سوپرمارکت بودید، چه چیزی در سبد خریدتان بود؟ آیا ارتباطی بین محصولاتی که خریداری کردید، مانند اسپاگتی و گوجه فرنگی یا ژامبون و آناناس وجود داشت؟ چه آنلاین و چه آفلاین، خرده‌فروشان از اطلاعات میلیون‌ها سبد مشتری برای تجزیه و تحلیل ارتباط بین اقلام و استخراج اطلاعات بینش با استفاده از قوانین مرتبط استفاده می‌کنند.

برای کمک به تعیین میزان ارتباط بین اقلام، از تجزیه و تحلیل سبد بازار برای کشف ارتباطات نادیده و تجسم قوانین مرتبط و روشنگر استفاده خواهید کرد. سپس می‌توانید آنچه را که در مجموعه داده‌های فیلم یاد گرفته‌اید تمرین کنید، زیرا پیش‌بینی می‌کنید کدام فیلم‌ها با هم تماشا می‌شوند تا توصیه‌های فیلم شخصی‌سازی شده برای کاربران ایجاد کنید.

بسیاری از پدیده‌های زندگی روزمره ما، مانند حرکت قیمت سهام، در بازه‌های زمانی معینی اندازه‌گیری می‌شوند. روش های تجزیه و تحلیل سری های زمانی برای تجزیه و تحلیل این نوع داده های خاص بسیار مفید هستند. در این دوره آموزشی با برخی از مفاهیم و تکنیک های تحلیل سری های زمانی اصلی آشنا می شوید.

معرفی شبکه ها را دریافت کنید مفاهیم اساسی در تحلیل شبکه را کشف کنید. این دوره با آموزش اصول اولیه شبکه های اجتماعی، رئوس و لبه ها و نحوه استفاده از بسته igraph R برای کاوش و تجسم داده های شبکه آغاز می شود. شما به مشاهده شبکه های هدایت شده با جزئیات بیشتر، از جمله شناسایی روابط کلیدی بین رئوس و به کارگیری مهارت های جدید خود در مجموعه داده های شبکه که به انتقال سرخک در هاگلوک نگاه می کند، ادامه خواهید داد. ساختارها و نمودارهای شبکه را درک کنید با مشاهده چگالی شبکه و طول مسیر متوسط، ساختارها و زیرساخت های شبکه را مشخص کنید. فصل سوم این دوره شما را از طریق تصادفی‌سازی و نمودارهای تصادفی، قبل از رفتن به مثلث‌ها، گذرا و تجسم دسته‌ها راهنمایی می‌کند. شناسایی روابط با استفاده از Assortativity در igraph Assortativity تعیین می کند که اگر دو راس دارای یک ویژگی مشترک باشند - چه عددی باشد یا طبقه بندی، چقدر احتمال دارد که به یکدیگر متصل شوند. شما تابع ASSORTATIVITY را در igraph برای تعیین تأثیر جنسیت بر مجموعه داده های شبکه دوستی بررسی خواهید کرد و برای ارزیابی یافته های خود از تصادفی سازی استفاده خواهید کرد. نقشه های شبکه تعاملی را با استفاده از threejs ایجاد کنید در پایان این دوره، دانش خود را فراتر از igraph گسترش می‌دهید تا قابلیت‌های تجسم شبکه threejs را کشف کنید. شما اولین نمودارهای شبکه تعاملی خود را با استفاده از این بسته R خواهید ساخت و به چگونگی توسعه بیشتر تجسم خود نگاه خواهید کرد.

اگرچه ممکن است متوجه نشده باشید، فرآیندها نقشی ضروری در زندگی روزمره ما دارند. اقدامات شما و دیگران حجم وسیعی از داده ها را تولید می کند. چه در حال سفارش کتاب باشید، چه قطار از چراغ قرمز عبور کند، یا ترموستات حمام شما را گرم کند، در هر ثانیه میلیون ها رویداد در حال وقوع هستند که در مراکز داده در سراسر جهان ذخیره می شوند. این مجموعه عظیم از داده های رویداد را می توان برای به دست آوردن بینش در مورد فرآیندها در محدوده تقریبا نامحدودی از زمینه ها استفاده کرد. با این حال، تجزیه و تحلیل این داده ها به مجموعه ای از قالب ها و تکنیک های خاص خود نیاز دارد. این دوره شما را با فرآیند کاوی با R آشنا می کند و مراحل مختلف مورد نیاز برای تجزیه و تحلیل فرآیندهای تجاری را نشان می دهد.

پس از تقویت مهارت های تجسم خود با یادگیری ggplot2، اکنون زمان آن رسیده است که به مجموعه داده های بزرگتر بپردازید. در این دوره، چندین تکنیک برای تجسم داده های بزرگ، با تمرکز ویژه بر تکنیک تجسم مقیاس پذیر فیتینگ، یاد خواهید گرفت. شما یاد خواهید گرفت که چگونه با استفاده از رویکرد Trelliscope همانطور که در بسته trelliscopejs R پیاده سازی شده است، این تکنیک را عملی کنید. Trelliscope به‌طور یکپارچه به جریان‌های کاری استاندارد R متصل می‌شود و تجسم‌های تعاملی ایجاد می‌کند که به شما امکان می‌دهد داده‌های خود را به صورت بصری با جزئیات کاوش کنید. در پایان این دوره، شما قادر خواهید بود به راحتی نمایشگرهای اکتشافی تعاملی از مجموعه داده های بزرگ ایجاد کنید که به شما و همکارانتان کمک می کند تا بینش جدیدی در مورد داده های خود به دست آورید.

بسته plotly ساخت گرافیک های متحرک و تعاملی را به طور کامل در R امکان پذیر می کند. در این دوره، شما درک خود را از پلات برای ایجاد گرافیک های تعاملی متحرک و پیوندی گسترش می دهید، که به شما امکان می دهد داستان های چند متغیره را به سرعت و به طور موثر ارتباط برقرار کنید. در طول مسیر، اصول طرح طرح را مرور می‌کنید، یاد می‌گیرید که چگونه داده‌های خود را به روش‌های جدیدی برای تسهیل انیمیشن‌های تجمعی درهم و برهم کنید، و یاد می‌گیرید که چگونه بدون استفاده از Shiny به گرافیک خود فیلتر اضافه کنید.

این دوره آموزشی ggplot2 مبتنی بر دانش شما از دوره مقدماتی است تا طرح‌های توضیحی معنی‌داری تولید کند. آمار در پرواز محاسبه می شود و خواهید دید که چگونه Coordinates و Facets به برقراری ارتباط کمک می کنند. همچنین جزئیات بهترین شیوه های تجسم داده ها را با ggplot2 کاوش خواهید کرد تا مطمئن شوید که درک درستی از آنچه کار می کند و چرا دارید. در پایان دوره، همه ابزارهای مورد نیاز برای ایجاد یک تابع ترسیم سفارشی برای کاوش یک مجموعه داده بزرگ، با ترکیب آمار و تصاویر عالی را خواهید داشت.

جهان پر از متغیرهای غیرقابل مشاهده است که نمی توان مستقیماً آنها را اندازه گیری کرد. ممکن است به ساختاری مانند توانایی ریاضی، ویژگی‌های شخصیتی یا آب و هوای محل کار علاقه داشته باشید. هنگام بررسی ساختارهایی مانند این، داشتن مدلی که با تئوری ها و داده های شما مطابقت داشته باشد بسیار مهم است. این دوره به شما در درک ابعاد کمک می کند و به شما نشان می دهد که چگونه تحلیل های عاملی اکتشافی و تاییدی را انجام دهید. با این تکنیک های آماری در جعبه ابزار خود، می توانید اقدامات خود را توسعه دهید، اصلاح کنید و به اشتراک بگذارید. این تحلیل‌ها برای زمینه‌های مختلف از جمله روان‌شناسی، آموزش، علوم سیاسی، اقتصاد و زبان‌شناسی بنیادی هستند.

آزمایش A/B یک طرح آزمایشی رایج برای تحقیقات رفتار انسانی در صنعت و دانشگاه است. در این دوره آموزشی، شما خواهید آموخت که تست های A/B به چه سوالاتی می توانند پاسخ دهند، ملاحظات مهمی که در تست های A/B باید از آنها آگاه باشید، نحوه پاسخ دادن به سوالات موجود و نحوه تجسم داده ها را خواهید آموخت. همچنین می آموزید که چگونه اندازه نمونه مورد نیاز در یک آزمایش را تعیین کنید، تجزیه و تحلیل های مناسب برای داده ها و فرضیه های موجود انجام دهید، تعیین کنید که آیا نتایج را می توان با اطمینان در نظر گرفت یا خیر، و نتایج را بدون توجه به پیشینه آماری به مخاطب ارائه کرد.

داده‌ها در طبیعت می‌توانند ترسناک باشند—وقتی با یک مجموعه داده پیچیده و نامرتب مواجه می‌شوید ممکن است از خود بپرسید، اصلاً از کجا شروع کنم؟ بسته tidyr به شما این امکان را می دهد که چنین جانورانی را در مجموعه داده های زیبا و مرتبی بچینید. مقادیر غیرقابل دسترس ذخیره شده در نام ستون ها در ردیف ها قرار می گیرند، فایل های JSON به فریم های داده تبدیل می شوند و مقادیر از دست رفته دیگر هرگز از بین نمی روند. شما این تکنیک ها را در طیف گسترده ای از مجموعه داده های نامرتب تمرین خواهید کرد و در طول مسیر یاد خواهید گرفت که اتحاد جماهیر شوروی چند سگ را به فضا فرستاد و چه پرنده ای در نیوزلند محبوب ترین است. با بسته tidyr در جعبه ابزار tidyverse خود، می‌توانید تقریباً هر مجموعه داده را در قالبی مرتب تبدیل کنید که در طول بقیه تجزیه و تحلیل شما نتیجه خواهد داد.