Visão Geral

O Curso R Programming Foundation, ensina aos participantes como usar a programação R para explorar dados de uma variedade de fontes, construindo modelos inferenciais e gerando tabelas, gráficos e outras representações de dados.

Objetivo

Após realizar este Curso R Programming Foundation você será capaz de:

• Dominar o uso do ambiente interativo R e RStudio
• Expanda R instalando pacotes R
• Explorar e entender como usar a documentação R
• Leia dados estruturados em R de várias fontes
• Compreenda os diferentes tipos de dados em R
• Compreenda as diferentes estruturas de dados em R
• Entenda como criar e manipular datas em R
• Use a coleção tidyverse de pacotes para manipular dataframes
• Escrever funções R definidas pelo usuário
• Use declarações de controle
• Escreva construções de Loop em R
• Use a família de funções apply para iterar funções nos dados
• Expanda iteração e programação através do pacote Purrr
• Remodele os dados de longo para amplo e vice-versa para oferecer suporte a diferentes análises
• Realize operações de mesclagem com R
• Compreender dividir-aplicar-combinar (operações em grupo) em R
• Identificar e lidar com dados ausentes
• Manipule strings em R
• Compreenda as expressões regulares básicas em R
• Compreenda os gráficos R de base
• Concentre-se em gráficos GGplot2 para R para gerar gráficos
• Use RMarkdown para gerar relatórios reproduzíveis de maneira programática
• Use R para estatísticas descritivas
• Use R para estatísticas inferenciais
• Escreva modelos multivariados em R (modelos lineares gerais)
• Compreenda a confusão e o ajuste em modelos multivariados
• Compreenda a interação em modelos multivariados
• Prever / pontuar novos dados usando modelos
• Compreender funções não lineares básicas em modelos
• Entenda como vincular dados, métodos estatísticos e questões acionáveis

Pre-Requisitos

Os alunos devem ter conhecimento de estatística básica (teste t, teste do qui-quadrado, regressão) e saber a diferença entre estatística descritiva e inferencial. Nenhuma experiência de programação é necessária.

Materiais

Conteúdo Programatico

Overview

1. History of R
2. Advantages and disadvantages
3. Downloading and installing
4. How to find documentation

Introduction

1. Using the R console and RStudio
2. Getting help
3. Learning about the environment
4. Writing and executing scripts
5. Object oriented programming
6. Introduction to vectorized calculations
7. Introduction to data frames
8. Installing and loading packages
9. Working directory
10. Saving your work

Variable types and data structures in base R

1. Variables and assignment
2. Data types
3. Numeric, character, boolean, and factors
4. Data structures
5. Vectors, matrices, arrays, dataframes, lists
6. Indexing, subsetting
7. Assigning new values
8. Viewing data and summaries
9. Naming conventions
10. Objects

Getting data into the R environment with readr

1. Built-in data
2. Reading data from structured text files
3. Reading data using ODBC

Dataframe manipulation with dplyr

1. Introduction to tibbles, enhanced data frames
2. Renaming columns
3. Adding new columns
4. Binning data (continuous to categorical)
5. Combining categorical values
6. Transforming variables
7. Handling missing data
8. Merging datasets together
9. Stacking datasets together (concatenation)

Handling dates in R using lubridate

1. Date and date-time classes in R
2. Formatting dates for modeling

Exploratory data analysis (descriptive statistics)

1. Continuous data
2. Distributions
3. Quantiles, mean
4. Bi-modal distributions
5. Histograms, box-plots
6. Categorical data
7. Tables
8. Barplots
9. Group by calculations with dplyr
10. Split-apply-combine
11. Reshaping and pivoting data in R (long to wide with aggregation)
12. Melt and cast
13. pivot_wider and _longer with tidyr

Working with text data

1. Finding and matching patterns in text
2. Stringr package for text manipulation
3. Introduction to regular expressions in R
4. Categorical data wrangling with forcats

Control flow

1. Truth testing
2. Branching
3. Looping

Functions in depth

1. Parameters
2. Return values
3. Variable scope
4. Exception handling

Applying functions across dimensions

1. Sapply, lapply, apply
2. Programming with map and purrr

Graphics in R Overview

1. Base graphics system in R
2. Scatterplots, histograms, barcharts, box and whiskers, dotplots
3. Labels, legends, titles, axes
4. Exporting graphics to different formats

Advanced R graphics: ggplot2

1. Understanding the grammar of graphics
2. Quick plots (qplot function)
3. Building graphics by pieces (ggplot function)
4. Understanding geoms (geometries)
5. Linking chart elements to variable values
6. Controlling legends and axes
7. Exporting graphics

Inferential Statistics

1. Bivariate correlation
2. T-test and non-parametric equivalents
3. Chi-squared test

General Linear Regression Models in R

1. Understanding formulas
2. Linear and logistic regression models
3. Regression plots
4. Confounding / interaction in regression
5. Evaluating residuals
6. Scoring new data from models (prediction)
7. Useful plots from regression models