R jest obecnie jednym z najpopularniejszych narzędzi stosowanych do analizy danych. Jest to równocześnie język programowania, który pozwala na tworzenie skryptów automatyzujących analizę danych. Z pomocą R można tworzyć własne funkcje, przeprowadzać skomplikowane obliczenia, transformacje, analizy statystyczne, budować modele ekonometryczne, tworzyć piękne wykresy a nawet zautomatyzować raport analityczny.Dzięki dużej liczbie osób zaangażowanych w rozwój R liczba zastosowań i dostępnych metod statystycznych ciągle rośnie. R jest program darmowym i jedyną aplikacją, która oferuje dostęp do najnowszych osiągnięć nauki w zakresie metod statystycznych. Na chwilę obecną ogromna liczba instytutów, firm, banków oraz uczelni korzysta z R do analizy danych.

Szkolenie skierowane jest przede wszystkim do osób chcących zacząć korzystać z R:

• Studentów
• Analityków
• Konsultantów
• Menadżerów
• Statystyków

Po ukończeniu szkolenia, uczestnik będzie potrafił:

• Korzystać z R oraz RStudio
• Przetwarzać dane
• Importować dane z plików XLS, CSV, SAS, SPSS
• Wykorzystywać R do analiz statystycznych
• Tworzyć powtarzalne analizy
• Budować pętle i warunkować wykonanie automatyzując prace
• Tworzyć ładne wykresy

Moduł I – Środowisko R

1. Rozpoczynamy pracę z R
   • Konfiguracja R
   • Konfiguracja IDE dla R – RStudio
   • Przegląd funkcjonalności środowiska
   • Tworzenie projektu
   • Tryby pracy w R: skryptowy, interaktywny
   • Korzystanie z pomocy i poszukiwanie rozwiązań
   • Zarządzanie plikami i folderami
   • Biblioteki – zarządzanie repozytoria
   • Korzystanie ze skrótów klawiaturowych
   • Ćwiczenia
2. Podstawy składni języka
   • Wyrażenia
   • Bloki
   • Komentarze
   • Keywords
   • Atomiczne typy danych: numeric, string etc
   • Ćwiczenia
3. Operatory
   • Arytmetyczne
   • Relacji
   • Logiczne
   • Przypisania
   • Ćwiczenia
4. Podstawowe obiekty danych
   • Przegląd obiektów w R do zapisywania danych
   • Skalary i wektory – tworzenie, łączenie, obliczenia
   • Macierze i tablice, tworzenie, łączenie, obliczenia
   • Factory – tworzenie, manipulacje
   • Listy – tworzenie, agregacja, manipulacje
   • Data frame – tworzenie, łączenie, manipulacje

Moduł II – Podstawy programowania w języku R

5. Konstrukcje warunkowe i kontrola wykonania
   • Składnia dla konstrukcji if else
   • Switch
   • Wektoryzowane ifelse
   • Zagnieżdżone if else
6. Pętle
   1. Składnia dla pętli w R for
   2. Pętla while
   3. Kontrola pętli z break oraz next
7. Funkcje
   • Składnia dla funkcji
   • Wywołanie i argumenty
   • Zagnieżdżone funkcje
   • Funkcje anonimowe
8. Programowanie funkcyjne
   • Rodzina funkcji apply i zastosowanie
   • Rodzina funkcji map z pakietu purr
   • Safely oraz possible do zarządzania błędami
9. Debugowanie kodu
   1. Informacja o błędzie – traceback, print, browser
   2. Debugowanie z RStudio
10. Kontrola wersji kodu – zarządzanie i utrzymanie
    1. Integracja RStudio z Git i GitHub
    2. Podstawy Git – Repo, commit, diff, tab
    3. Wzorce pracy z Git dla utrzymania kodu

Moduł III – Wykorzystanie R w analizie danych

11.  Łączenie z danymi w R
    • Import/export z plików płaskich
    • Łączenie i praca z bazą danych
12. Przetwarzanie danych – tidyverse
    • Wyodrębnianie danych – subskrypty i indeksy
    • Filtrowanie danych
    • Agregacja danych
    • Tworzenie zmiennych
    • Wykonywanie operacji na grupach
    • Zamiana typów danych
    • Duże zbiory danych
13. Wykresy – ggplot2
    • Podstawowe wykresy dla 1 zmiennej
    • Podstawowe wykresy dla wielu zmiennych
    • Parametry graficzne
    • Zapisywanie wykresów w formatach png, jpg, pdf
    • Inne wykresy – korelogram, heatmapa
14. Elementy statystyki w R
    • Statystyka opisowa
    • Rozkłady prawdopodobieństwa
    • Korelacja
    • ANOVA
    • Tesy statystyczne
    • Regresja liniowa
    • Diagnostyka regresji

Moduł IV – Wykorzystanie R w projektach analitycznych

15. Workflow projektu
    1. Organizacja plików i podział na zadania
    2. Rozwiązanie w formie projektu
    3. Zarządzanie skryptami
    4. Wersjonowanie i kolaboracja
16. Powtarzalne analizy
    • Projekty w RStudio
    • Knitr/rmarkdown – tworzenie dokumentacji analizy
    • Eksportowanie wyników do prezentacji, PDF i docx
17. Dobre praktyki
    • Jak nazywać pliki, obiekty itp.
    • Zarzadzanie ustawieniami startowymi R
    • Zarządzanie bibliotekami i wersjami
18. Case Study – Rozwiązujemy projekt analityczny
    • Definiujemy problem do rozwiązania
    • Ustawiamy projekt i repozytorium
    • Dzielimy zadania i kodujemy
    • Budujemy raport z analizy