پیشنهاد فرادرس

آموزش برنامه نویسی R از مقدماتی تا پیشرفته

دسته بندی ها: آموزش های LiveLessons ، آموزش R

آموزش-برنامه-نویسی-r-از-مقدماتی-تا-پیشرف

آر (R)، یک زبان برنامه‌نویسی و محیط نرم‌افزاری برای محاسبات آماری و تحلیل داده است که بر اساس زبان‌های اس و اسکیم پیاده‌سازی شده است. این نرم‌افزار متن باز، تحت اجازه‌نامه عمومی همگانی گنو عرضه شده و به رایگان قابل دسترس است. زبان اس بجز R، توسط شرکت Insightful، در نرم‌افزار تجاری اس‌پلاس نیز پیاده‌سازی شده است. اگرچه دستورات اس‌پلاس و R بسیار شبیه است اما این دو نرم‌افزار دارای هسته‌های متمایزی می باشند. R، حاوی محدوده گسترده‌ای از تکنیک‌های آماری (از جمله: مدل‌سازی خطی و غیرخطی، آزمون‌های کلاسیک آماری، تحلیل سری‌های زمانی، رده‌بندی، خوشه‌بندی و غیره) و قابلیت‌های گرافیکی است. در محیط R، کدهای سی، سی++ و فورترن قابلیت اتصال و فراخوانی هنگام اجرای برنامه را دارند و کاربران خبره می‌توانند توسط کدهای سی، مستقیماً اشیا R را تغییر دهند.

به درخواست دوستان دوره آموزش مقدماتی تا پیشرفته  برنامه نویسی به زبان R را برای شما آماده کردیم.

این دوره آموزشی محصول LiveLessons می باشد.

سرفصل های دوره آموزشی:

  • مقدمه ای بر برنامه نویسی R LiveLessons
  • آغاز به کار با R
  • دانلود و نصب R
  • کار در محیط R
  • کار با متغییر ها
  • ایجاد و دسترسی به اطلاعات در data.frames
  • خواندن داده ها  در  R
  • خواندن CSV  در  R
  • ایجاد و دسترسی به اطلاعات در لیست ها
  • ساختمان داده ها در R
  • ذخیره داده ها در بردار
  • شناخت انواع داده های مختلف
  • بارگذاری فایل های باینری R
  • ساخت آماری نمودار ها
  • Make boxplots  با  base graphics
  • ایجاد multiple های کوچک
  • اضافه کردن theme ها به نمودار
  • مبانی برنامه نوسیی
  • استفاده از دستور if برای کنترل جریان برنامه
  • تکرار با یک حلقه for
  • مدل های خطی
  • مدل مقایسه
  • سایر مدل ها
  • درک ACF و PACF
  • تناسب و ارزیابی مدل ARIMA
  • استفاده از VAR برای سری زمانی چند متغیره
  • بررسی و ساخت یک پکیج
  • ارسال بسته به CRAN
  • خلاصه ای از برنامه نویسی LiveLessons R

لیست سرفصل های دوره آموزشی:

Overview
Other Videos in This Category
R Quick Syntax Reference
R Quick Syntax Reference
Margot Tollefson
Practical Data Science with R
Practical Data Science with R
Nina Zumel and John Mount
Building Interactive Graphs with ggplot2 and Shiny
Building Interactive Graphs with ggplot2 and Shiny
Christophe Ladroue
Social Media Mining with R
Social Media Mining with R
Richard Heimann; Nathan Danneman
Foundational and Applied Statistics for Biologists Using R
Foundational and Applied Statistics for Biologists Using R
Ken Aho
R Programming LiveLessons: Fundamentals to Advanced is a tour through the most important parts of R, the statistical programming language, from the very basics to complex modeling. It covers reading data, programming basics, visualization, data munging, regression, classification, clustering, modern machine learning and more.

About the Author:

Data scientist, Columbia University adjunct Professor, author and organizer of the New York Open Statistical Programming meetup Jared P. Lander presents the 20 percent of R functionality to accomplish 80 percent of most statistics needs. This video is based on the material in R for Everyone and is a condensed version of the course Mr. Lander teaches at Columbia. You start with simply installing R and setting up a productive work environment. You then learn the basics of data and programming using these skills to munge and prepare data for analysis. You then learn visualization, modeling and predicting and close with generating reports and websites and building R packages.

Chapter/Selection Time Introduction Introduction to R Programming LiveLessons Preview 00:04:02 Lesson 1: Getting Started with R Learning objectives Preview 00:00:29 1.1 Download and install R Preview 00:06:23 1.2 Work in The R environment Preview 00:18:50 1.3 Install and load packages Preview 00:04:48 Lesson 2: The Basic Building Blocks in R Learning objectives Preview 00:00:27 2.1 Use R as a calculator Preview 00:03:43 2.2 Work with variables Preview 00:04:11 2.3 Understand the different data types Preview 00:11:32 2.4 Store data in vectors Preview 00:16:36 2.5 Call functions Preview 00:04:02 Lesson 3: Advanced Data Structures in R Learning objectives Preview 00:00:25 3.1 Create and access information in data.frames Preview 00:17:20 3.2 Create and access information in lists Preview 00:10:57 3.3 Create and access information in matrices Preview 00:08:01 3.4 Create and access information in arrays Preview 00:02:00 Lesson 4: Reading Data into R Learning objectives Preview 00:00:24 4.1 Read a CSV into R Preview 00:05:58 4.2 Understand that Excel is not easily readable into R Preview 00:01:08 4.3 Read from databases Preview 00:05:58 4.4 Read data files from other statistical tools Preview 00:01:16 4.5 Load binary R files Preview 00:04:40 4.6 Load data included with R Preview 00:01:48 4.7 Scrape data from the web Preview 00:02:28 Lesson 5: Making Statistical Graphs Learning objectives Preview 00:00:29 5.1 Find the diamonds data Preview 00:01:13 5.2 Make histograms with base graphics Preview 00:01:29 5.3 Make scatterplots with base graphics Preview 00:02:01 5.4 Make boxplots with base graphics Preview 00:01:39 5.5 Get familiar with ggplot2 Preview 00:02:30 5.6 Plot histograms and densities with ggplot2 Preview 00:03:51 5.7 Make scatterplots with ggplot2 Preview 00:05:12 5.8 Make boxplots and violin plots with ggplot2 Preview 00:04:24 5.9 Make line plots Preview 00:08:21 5.10 Create small multiples Preview 00:04:01 5.11 Control colors and shapes Preview 00:01:18 5.12 Add themes to graphs Preview 00:02:18 Lesson 6: Basics of Programming Learning objectives Preview 00:00:28 6.1 Write the classic “Hello, World!” example Preview 00:02:04 6.2 Understand the basics of function arguments Preview 00:10:32 6.3 Return a value from a function Preview 00:02:47 6.4 Gain flexibility with do.call Preview 00:03:46 6.5 Use if statements to control program flow Preview 00:02:07 6.6 Stagger if statements with else Preview 00:05:32 6.7 Check multiple statements with switch Preview 00:03:51 6.8 Run checks on entire vectors Preview 00:05:17 6.9 Check compound statements Preview 00:05:40 6.10 Iterate with a for loop Preview 00:06:07 6.11 Iterate with a while loop Preview 00:01:30 6.12 Control loops with break and next Preview 00:02:05 Lesson 7: Data Munging Learning objectives Preview 00:00:31 7.1 Repeat an operation on a matrix using apply Preview 00:04:45 7.2 Repeat an operation on a list Preview 00:03:05 7.3 The mapply Preview 00:04:34 7.4 The aggregate function Preview 00:05:26 7.5 The plyr package Preview 00:17:18 7.6 Combine datasets Preview 00:03:51 7.7 Join datasets Preview 00:05:56 7.8 Switch storage paradigms Preview 00:05:11 Lesson 8: Manipulating Strings Learning objectives Preview 00:00:20 8.1 Combine strings together Preview 00:07:28 8.2 Extract text Preview 00:32:00 Lesson 9: Basic Statistics Learning objectives Preview 00:00:19 9.1: Draw numbers from probability distributions Preview 00:21:09 9.2: Calculate averages, standard deviations and correlations Preview 00:16:13 9.3: Compare samples with t-tests and analysis of variance Preview 00:18:58 Lesson 10: Linear Models Learning objectives Preview 00:00:26 10.1 Fit simple linear models Preview 00:10:14 10.2 Explore the data Preview 00:08:33 10.3 Fit multiple regression models Preview 00:19:16 10.4 Fit logistic regression Preview 00:10:06 10.5 Fit Poisson regression Preview 00:07:05 10.6 Analyze survival data Preview 00:12:01 10.7 Assess model quality with residuals Preview 00:05:15 10.8 Compare models Preview 00:07:18 10.9 Judge accuracy using cross-validation Preview 00:09:06 10.10 Estimate uncertainty with the bootstrap Preview 00:06:23 10.11 Choose variables using stepwise selection Preview 00:02:42 Lesson 11: Other Models Learning objectives Preview 00:00:27 11.1 Select variables and improve predictions with the elastic net Preview 00:14:14 11.2 Decrease uncertainty with weakly informative priors Preview 00:08:53 11.3 Fit nonlinear least squares Preview 00:05:16 11.4 Splines Preview 00:06:48 11.5 GAMs Preview 00:05:24 11.6 Fit decision trees to make a random forest Preview 00:06:34 Lesson 12: Time Series Learning objectives Preview 00:00:20 12.1 Understand ACF and PACF Preview 00:07:15 12.2 Fit and assess ARIMA models Preview 00:05:13 12.3 Use VAR for multivariate time series Preview 00:08:06 12.4 Use GARCH for better volatility modeling Preview 00:09:24 Lesson 13: Clustering Learning objectives Preview 00:00:19 13.1: Partition data with K-means Preview 00:12:26 13.2: Robustly cluster, even with categorical data, with PAM Preview 00:02:13 13.3: Perform hierarchical clustering Preview 00:05:37 Lesson 14: Reports and Slideshows with knitr Learning objectives Preview 00:00:30 14.1: Understand the basics of LaTeX Preview 00:07:16 14.2: Weave R code into LaTeX using knitr Preview 00:05:33 14.3: Understand the basics of Markdown Preview 00:02:45 14.4: Weave R code into Markdown using knitr Preview 00:02:53 14.5: Use pandoc to convert from Markdown to HTML5 slideshow Preview 00:07:09 Lesson 15: Package Building Learning objectives Preview 00:00:22 15.1: Understand the folder structure and files in a package Preview 00:05:25 15.2: Write and document functions Preview 00:07:32 15.3: Check and build a package Preview 00:02:09 15.4: Submit a package to CRAN Preview 00:00:46 Summary Summary of R Programming LiveLessons Preview 00:01:22

عنوان دوره:Livelessons - R Programming Video Training Fundamentals to Advanced حجم فایل: 1.49GB

Livelessons R Programming Video Training Fundamentals to Advanced

پیشنهاد فرادرس

رمضان در 1394/10/01 ساعت 18:04

میخواستم ببینم امکانش هست زیرنویس این مجموعه رو در اختیارمون قرار بدین. با تشکر

مدیر در 1394/10/01 ساعت 20:11

فعلا امکانش رو نداریم. بهتره تو اینترنت جستجو کنید شاید پیدا بشه

sama در 1394/07/19 ساعت 20:26

سلام ممنون میشم اسم یک لینک یاتاب یا سی دی اموزش rرو برام بفرستین

R در 1394/04/12 ساعت 08:04

دانلود کردم ولی فایل خوانده نشد اگر امکان دارد ایمیل کنید

صابر در 1393/10/13 ساعت 13:44

سلام
باتشکر از ارایه آموزش این نرم افزار
پارت 3 گویا مشکل داره آخرای دانلود قطع میشه ، امکان تصحیحش هست آیا؟