Das Ziel dieses Workshops ist es, Data Scientists und Datenanalystinnen und -analysten grundlegende und fortgeschrittene Kenntnisse in der R-Programmierung zu vermitteln, damit sie Daten effektiv analysieren, visualisieren und Vorhersagemodelle erstellen können. Die Teilnehmerinnen und Teilnehmer werden lernen, wie sie Daten in R importieren und bereinigen, grundlegende statistische Analysen durchführen und fortschrittliche Machine-Learning-Modelle erstellen.
Am Ende des Workshops werden die Teilnehmerinnen und Teilnehmer in der Lage sein, komplexe Datenanalysen durchzuführen, Vorhersagemodelle zu erstellen und die Ergebnisse in aussagekräftigen Visualisierungen zu präsentieren.
Einführung in die R-Programmierung und die RStudio-Entwicklungsumgebung
Datenimport von verschiedenen Dateiformaten (z.B. CSV, Excel) in R
Datenbereinigung, -transformation und -formatierung
Datenanalyse und -visualisierung
Einführung in die Datenanalyse in R
Zusammenfassende Statistik (z.B. Mittelwerte, Standardabweichungen)
Datenvisualisierung mit ggplot2 (z.B. Histogramme, Balkendiagramme, Scatterplots)
Gruppierung und Aggregation von Daten
Datenmanipulation und -modellierung
Datenmanipulation mit dplyr (z.B. Filtern, Selektieren, Sortieren)
Einführung in die lineare Regression und Modellierung von Daten
Vorhersage mit linearen Modellen und Auswertung von Modellleistung
Modellverbesserung und -optimierung
Fortgeschrittene R-Programmierung
Funktionen in R erstellen und nutzen
Schleifen und Bedingungen in R
Verwendung von ifelse-Anweisungen
Einführung in das Konzept von Objekten und Klassen in R
Frameworks und Bibliotheken
Wiederholung der wichtigsten Konzepte und Techniken aus den vorherigen Tagen
Einführung in das Framework Shiny für die Erstellung interaktiver Webanwendungen in R
Live-Codierung einer einfachen Shiny-App, die Datenvisualisierungen und -analysen interaktiv präsentiert
Diskussion von weiteren Anwendungsmöglichkeiten für Shiny und ähnliche Frameworks (z.B. Dash, Streamlit)
Vorstellung von Bibliotheken für Machine Learning und Deep Learning in R (z.B. caret, keras)
Live-Codierung eines einfachen Machine-Learning-Modells mit caret
Diskussion von weiteren Anwendungsmöglichkeiten für Machine Learning und Deep Learning in R
Übung: Anwendung von Shiny oder einer Machine-Learning-Bibliothek auf ein eigenes Projekt oder Problem
Bei einer Inhouse-Schulung oder einer sehr homogenen Gruppe können folgende Übungen durchgeführt werden:
Shiny-App erstellen: Erstellen Sie eine Shiny-App, die Daten aus einem Datensatz lädt und interaktiv darstellt. Die App sollte eine Eingabeaufforderung haben, mit der der Benutzer den Datensatz auswählen und Filteroptionen auswählen kann. Verwenden Sie ggplot2 oder eine ähnliche Bibliothek, um Diagramme zu erstellen und fügen Sie eine Option hinzu, um zwischen verschiedenen Diagrammtypen zu wechseln.
Machine-Learning-Modell erstellen : Trainieren Sie ein Machine-Learning-Modell mit Hilfe der Bibliothek caret und wenden Sie es auf einen Datensatz an. Verwenden Sie eine der gängigen Datensätze, wie den Iris-Datensatz oder den Boston Housing-Datensatz, und wählen Sie ein passendes Modell (z.B. Random Forest, Support Vector Machine). Messen Sie die Genauigkeit des Modells und stellen Sie die Ergebnisse grafisch dar.
Integration von Frameworks und Bibliotheken : Erweitern Sie eine bereits existierende R-Anwendung oder ein Skript, indem Sie ein Framework oder eine Bibliothek integrieren. Verwenden Sie zum Beispiel die Bibliothek Tensorflow, um ein neuronales Netzwerk zu erstellen und auf einen Datensatz anzuwenden, oder integrieren Sie die Shiny-App, die Sie in der ersten Übung erstellt haben, in eine bestehende Website oder Anwendung.
Zielgruppe:
Personen, die in Datenanalysen und -management involviert sind, wie z.B. Data Scientists, Datenanalytikerinnen und -analytiker, Forscherinnen und Forscher. Die Teilnehmenden sollten grundlegende Kenntnisse in Statistik mitbringen und idealerweise auch grundlegende Kenntnisse in Machine Learning, Datenanalyse und Datenvisualisierung haben. Erfahrungen in anderen Programmiersprachen wie Python, MATLAB oder Java sind von Vorteil.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
