Nauka R: Przewodnik po funkcjach analizy danych krok po kroku

Opinie czytelników

Książka jest ogólnie dobrze przyjęta ze względu na przystępne i praktyczne nauczanie programowania w R, szczególnie dla osób z pewnym doświadczeniem w programowaniu. Oferuje dobre połączenie umiejętności programowania i analizy danych, ale jest uważana za bardziej odpowiednią dla średnio zaawansowanych uczniów niż dla absolutnie początkujących. Chociaż zawiera pomocne ćwiczenia i obejmuje przydatne tematy, niektórzy czytelnicy uważają, że brakuje jej głębi i zakresu w porównaniu z innymi książkami R.

⬤ Dobrze napisana i łatwa do zrozumienia
⬤ praktyczne podejście do nauki R
⬤ zawiera quizy i ćwiczenia wzmacniające naukę
⬤ zawiera cenne wskazówki dotyczące struktur danych i aplikacji
⬤ pomocna dla programistów początkujących w R
⬤ zawiera rozdziały dotyczące pisania pakietów.

⬤ może nie być odpowiednia dla zupełnie początkujących bez doświadczenia w programowaniu
⬤ niektóre tematy są omówione bardziej dogłębnie w innych książkach
⬤ brakuje kompleksowego omówienia R lub szczegółowych rozwiązań problemów programistycznych
⬤ niektórzy uważają, że początkowe rozdziały są suche i trudne.

(na podstawie 30 opinii czytelników)

Oryginalny tytuł:

Learning R: A Step-By-Step Function Guide to Data Analysis

Zawartość książki:

Dowiedz się, jak przeprowadzić analizę danych za pomocą języka R i środowiska programistycznego, nawet jeśli masz niewielkie lub żadne doświadczenie w programowaniu. Dzięki samouczkom zawartym w tym praktycznym przewodniku dowiesz się, jak korzystać z podstawowych narzędzi R, które musisz znać, aby analizować dane, w tym typy danych i koncepcje programowania.

Druga połowa Learning R pokazuje prawdziwą analizę danych w akcji, obejmując wszystko, od importowania danych po publikowanie wyników. Każdy rozdział książki zawiera quiz na temat tego, czego się nauczyłeś i kończy się ćwiczeniami, z których większość obejmuje pisanie kodu R.

⬤ Napisz prosty program R i odkryj, co potrafi ten język.

⬤ Używaj typów danych, takich jak wektory, tablice, listy, ramki danych i łańcuchy.

⬤ Wykonywać kod warunkowo lub wielokrotnie za pomocą rozgałęzień i pętli.

⬤ Stosować pakiety dodatkowe R i pakować własną pracę dla innych.

⬤ Dowiedz się, jak czyścić dane importowane z różnych źródeł.

⬤ Zrozumienie danych poprzez wizualizację i statystyki podsumowujące.

⬤ Używać modeli statystycznych do oceny ilościowej danych i tworzenia prognoz.

⬤ Dowiedz się, co zrobić, gdy coś pójdzie nie tak podczas pisania kodu analizy danych.