Data Science R Programmeren - eLearning
450,00 EUR
- 40 hours
De cursus Data Science met R Certificering stelt je in staat om je datawetenschapsvaardigheden toe te passen bij verschillende bedrijven, om hen te helpen met het analyseren van gegevens en het maken van beter geïnformeerde zakelijke beslissingen. De cursus behandelt data-exploratie, datavisualisatie, voorspellende analyse en beschrijvende analysetechnieken met de R-taal. Je leert over R-pakketten, hoe je gegevens kunt importeren en exporteren in R, datastructuren in R, verschillende statistische concepten, clusteranalyse en voorspelling.
Belangrijkste kenmerken
Taal
De cursus en het materiaal zijn in het Engels
Niveau
Beginner - gemiddeld niveau
Toegang
1 jaar toegang tot het zelfstudie eLearning platform 24/7
6 uur aan videomateriaal
met een aanbevolen studietijd van 40 uur & oefeningen
Praktijken
Virtuele labs, Quizzen, Testsimulatie, Eindprojecten
Geen Examen
Er is geen examen voor de cursus, maar de student ontvangt een certificaat van voltooiing van de training
Leerresultaten
Aan het einde van deze eLearning Cursus Data Science R Programmeren zult u in staat zijn om:
Beheersing van R Programmeren
Ontwikkel vaardigheid in R en de bijbehorende pakketten om data-analysetaken effectief te kunnen uitvoeren.
Data-exploratie en visualisatie
Leer technieken om datasets te verkennen en inzichtelijke visualisaties te creëren om patronen en inzichten te ontdekken.
Statistische analyse
Begrijp en pas verschillende statistische concepten toe om gegevens nauwkeurig te interpreteren.
Voorspellende en beschrijvende analyse
Verkrijg de vaardigheid om zowel voorspellende als beschrijvende analyses uit te voeren om besluitvormingsprocessen te informeren.
Gegevens importeren en exporteren
Verwerf vaardigheden om gegevens te importeren en exporteren in R, wat een naadloze gegevensverwerking mogelijk maakt.
Clusteranalyse en voorspelling
Leer methoden om gegevens te groeperen en voorspellingen te maken op basis van datatrends.
Cursustijdlijn
Inleiding tot bedrijfsanalyse
Les 01
- Overzicht
- Zakelijke beslissingen en analyse
- Soorten bedrijfsanalyse
- Toepassingen van bedrijfsanalyse
- Overzicht van Data Science
- Conclusie
- Kennistoets
Introductie tot R Programmeren
Les 02
- Overzicht
- Belang van R
- Gegevenstypen en variabelen in R
- Operaties in R
- Conditionele instructies in R
- Lussen in R
- Conclusie
- Kennistoets
Datastructuren
Les 03
- Overzicht
- Identificeer Datastructuren
- Demo: Identificeer Datastructuren
- Waarden toekennen aan datastructuren
- Gegevensmanipulatie
- Demo: Waarden toekennen en functies toepassen
- Conclusie
- Kennistoets
Data Visualisatie
Les 04
- Overzicht
- Introductie tot gegevensvisualisatie
- Gegevensvisualisatie met behulp van grafieken in R
- Ggplot2
- Bestandsformaten van grafische uitvoer R
- Conclusie
- Kennistoets
Statistiek voor Data Science-I
Les 05
- Overzicht
- Inleiding tot Hypothesevorming
- Soorten hypothesen
- Gegevensbemonstering
- Betrouwbaarheids- en significantieniveaus
- Conclusie
- Kennistoets
Statistiek voor Data Science - II
Les 06
- Overzicht
- Hypothesetoets
- Parametrische toets
- Niet-parametrische toets
- Hypothesetoetsen over populatiegemiddelden
- Hypothesetoetsen over populatievariantie
- Hypothesetoetsen over populatieproporties
- Conclusie
- Kennistoets
Regressieanalyse
Les 07
- Overzicht
- 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
- Conclusie
- Kennistoets
Classificatie
Les 08
- Overzicht
- Classificatie en haar typen
- Logistische regressie
- Support Vector Machines
- Demo: Naïeve Bayes-classificator
- Demo: Naïeve Bayes-classificator
- Besluit: Boomclassificatie
- Demo: Beslissingsboomclassificatie
- Willekeurig bosclassificatie
- Classificatiemodellen evalueren
- Demo: K-voudige kruisvalidatie
- Conclusie
- Kennistoets
Clustering
Les 09
- Overzicht
- Introductie tot Clustering
- Clusteringmethoden
- Demo: K-means clustering
- Demo: Hiërarchische clustering
- Conclusie
- Kennistoets
Vereniging
Les 10
- Overzicht
- Associatieregel
- Apriori-algoritme
- Demo: Apriori-algoritme
- Conclusie
- Kennistoets
Wie zou zich moeten inschrijven voor dit programma?
Er is een toenemende vraag naar bekwame datawetenschappers in alle industrieën, waardoor deze cursus voor data science certificering zeer geschikt is voor deelnemers van alle ervaringsniveaus.
IT-professionals
Analyseprofessionals
Softwareontwikkelaars
Datawetenschapper
Business Intelligence
Vereisten
Er is geen formele vereiste voor deze cursus. Het wordt echter aanbevolen om te beschikken over:
- Basisstatistieken: Een fundamenteel begrip van statistiek (gemiddelde, mediaan, standaardafwijking, enz.) zal helpen bij het begrijpen van de cursusinhoud, vooral bij het leren van data-analysetechnieken.
- Fundamenten van wiskunde: Basisvaardigheden in wiskunde, vooral op gebieden zoals algebra en kansberekening, zijn nuttig voor het begrijpen van sommige geavanceerdere onderwerpen in data-analyse en modellering.
- Vertrouwdheid met gegevens: Een basiskennis van datasets, gegevenstypen (numeriek, categorisch) en structuren zoals tabellen zal nuttig zijn.
Verklaringen
Licenties en accreditatie
Data Science met R Programmeren Certificeringstraining wordt aangeboden door Simplilearn. AVC promoot deze cursus op basis van de Partnerovereenkomst en voldoet aan de accreditatievereisten.
Gelijkheidsbeleid
Simplilearn biedt momenteel geen toetsaanpassingen vanwege een handicap of medische aandoening van studenten. Kandidaten worden aangemoedigd om contact op te nemen met AVC voor begeleiding en ondersteuning gedurende het accommodatieproces.
Veelgestelde Vraag
Heb je en zakelijke oplossing of LMS-integratie nodig?
Heb je niet de cursus of het programma gevonden dat geschikt zou zijn voor jouw bedrijf? Heb je een LMS-integratie nodig? Neem contact met ons op! Wij zullen met een passende oplossing komen!