Data Science Programmeren R certificering - eLearning (Datawetenschap)

Leer hoe u kennis en ideeën uit gestructureerde en ongestructureerde gegevens kunt halen.

CURSUSOVERZICHT

R is een programmeertaal en gratis softwareomgeving voor statistische berekeningen. In deze cursus datawetenschap leert u verschillende technieken voor gegevensanalyse met behulp van de programmeertaal R. U leert ook datamining, visualisatie, voorspellende en beschrijvende analysetechnieken.

Tijdens de cursus krijg je praktische training door verschillende praktijkgerichte projecten uit de gezondheidszorg, detailhandel, verzekeringen en vele andere sectoren te implementeren.

Deze cursus datawetenschap is een ideaal pakket voor aspirant-data-analisten die een succesvolle carrière in analytics/datawetenschap ambiëren. Je krijgt een 360-gradenoverzicht van bedrijfsanalyse en R aan de hand van praktijkprojecten en casestudy's.

Doel

Voor wie is deze cursus bedoeld?

Er is een toenemende vraag naar bekwame data scientists in alle sectoren, waardoor deze certificeringscursus data science zeer geschikt is voor deelnemers met alle niveaus van ervaring.

• IT-professionals
• Analytics-professionals
• Softwareontwikkelaars
• Data scientist
• Business Intelligence

Er zijn geen formele vereisten voor deze cursus. Het wordt echter aanbevolen om te beschikken over:

Basisstatistiek: een fundamenteel begrip van statistiek (gemiddelde, mediaan, standaardafwijking, enz.) helpt bij het begrijpen van de cursusinhoud, vooral bij het leren van data-analysetechnieken.

Wiskundige basiskennis: Basiskennis van wiskunde, met name op het gebied van algebra en kansrekening, helpt bij het begrijpen van een aantal van de meer geavanceerde onderwerpen op het gebied van data-analyse en modellering.

Bekendheid met data: Een basiskennis van datasets, datatypes (numeriek, categorisch) en structuren zoals tabellen is nuttig.

Leerresultaten

DOELSTELLINGEN VAN DE CURSUS Je leert:

• Aan het einde van de cursus kun je het volgende:
• De verschillende R-grafieken voor datavisualisatie
• De methode van hypothesetests om zakelijke beslissingen te nemen
• Lineaire en niet-lineaire regressiemodellen en classificatietechnieken voor data-analyse
• De verschillende associatieregels en het Apriori-algoritme
• Clusteringmethoden, waaronder K-means, DBSCAN en hiërarchische clustering.
• Een basiskennis verwerven van bedrijfsanalyse en de verschillende statistische concepten
• R en R-studio installeren en de werkruimte configureren
• R-programmering onder de knie krijgen en begrijpen hoe de verschillende instructies in R worden uitgevoerd
• De gegevensstructuur begrijpen die in R wordt gebruikt en gegevens importeren/exporteren
• De verschillende applicatiefuncties en DPYR-functies definiëren, begrijpen en gebruiken
• De verschillende statistische concepten en hypothesetests begrijpen

Curriculum

Cursusinhoud

Inleiding tot bedrijfsanalyse

• Bedrijfsbeslissingen en analyse
• Soorten bedrijfsanalyse
• Toepassingen van bedrijfsanalyse
• Overzicht van datawetenschap

Inleiding tot R-programmeren

• Het belang van R
• Gegevenstypen en variabelen in R
• Operaties in R
• Voorwaardelijke instructies in R
• Lussen in R

Gegevensstructuren

• Gegevensstructuren identificeren
• Demo: gegevensstructuren identificeren
• Waarden toekennen aan gegevensstructuren
• Gegevensmanipulatie
• Demo: waarden toekennen en functies toepassen

Gegevensvisualisatie

• Inleiding tot gegevensvisualisatie
• Gegevensvisualisatie met behulp van grafieken in R
• Ggplot2
• Bestandsindelingen van grafische uitvoer R

Statistiek voor datawetenschap-I

• Inleiding tot hypothesen
• Soorten hypothesen
• Gegevenssteekproeven
• Betrouwbaarheids- en significantieniveaus

Statistiek voor datawetenschap - II

• Hypothesetests
• Parametrische tests
• Niet-parametrische tests
• Hypothesetests over populatiegemiddelden
• Hypothesetests over populatievariantie
• Hypothesetests over populatieverhoudingen

Regressieanalyse

• Inleiding tot regressieanalyse
• Soorten regressieanalysemodellen
• Lineaire regressie
• Demo: eenvoudige lineaire regressie
• Niet-lineaire regressie
• Demo: regressieanalyse met meerdere variabelen
• Kruisvalidatie
• Niet-lineaire naar lineaire modellen
• Hoofdcomponentenanalyse
• Factoranalyse

Classificatie

• Classificatie en soorten classificatie
• Logistische regressie
• Support vector machines
• Demo: naïeve Bayesiaanse classificator
• Demo: naïeve Bayesiaanse classificator
• Beslissing: boomclassificatie
• Demo: beslissingsboomclassificatie
• Random Forest-classificatie
• Classificatiemodellen evalueren
• Demo: K-voudige kruisvalidatie

Clustering

• Inleiding tot clustering
• Clusteringmethoden
• Demo: K-means-clustering
• Demo: hiërarchische clustering

Associatie

• Associatieregel
• Apriori-algoritme
• Demo: Apriori-algoritme

Belangrijkste kenmerken

WAT IS INBEGREPEN?

• Cursus en materiaal zijn in het Engels
• Beginners- tot gemiddeld niveau
• 1 jaar toegang tot het e-learningplatform waar je in je eigen tempo kunt studeren, 24/7
• 6 uur aan e-learningvideocontent
• 40 uur aan aanbevolen studietijd en oefeningen
• Virtuele labs, quizzen, testsimulaties, eindprojecten
• Geen examen voor de cursus, maar studenten krijgen een certificaat van voltooiing van de training.