Quiero aprender R & Data Science prácticamente. ¿Pueden ustedes darme su guía?

Puedes probar este curso superventas para aprender R desde cero

Aprenda programación en R y R Studio. Análisis de datos, ciencia de datos, análisis estadístico, paquetes, funciones, GGPlot2

Course Link- R Programming AZ ™: R para ciencia de datos con ejercicios reales. El | Aprender programación R desde cero

¿Que aprenderás?

• Aprende a programar en R a un buen nivel
• Aprende a usar R Studio
• Aprenda los principios básicos de la programación.
• Aprende a crear vectores en R
• Aprende a crear variables
• Aprenda sobre enteros, dobles, lógicos, caracteres y otros tipos en R
• Aprenda a crear un bucle while () y un bucle for () en R
• Aprende a construir y usar matrices en R
• Aprenda la función matrix (), aprenda rbind () y cbind ()
• Aprenda a instalar paquetes en R
• Aprenda a personalizar R studio para adaptarlo a sus preferencias
• Comprender la ley de los grandes números
• Comprender la distribución normal
• Practica trabajar con datos estadísticos en R
• Practica trabajar con datos financieros en R
• Practica trabajar con datos deportivos en R

Requisitos

• No se necesitan conocimientos ni experiencia previa. ¡Solo una pasión para tener éxito!

¿Quién es el público objetivo?

• Este curso es para ti si quieres aprender a programar en R
• Este curso es para ti si estás cansado de los cursos R que son demasiado complicados
• Este curso es para ti si quieres aprender R haciendo
• Este curso es para ti si te gustan los desafíos emocionantes
• Tendrás tarea en este curso, así que debes estar preparado para trabajar en ella.

Descripción del curso: ¡ Aprende programación R haciendo!

Hay muchos cursos de R y conferencias por ahí. Sin embargo, R tiene una curva de aprendizaje muy empinada y los estudiantes a menudo se sienten abrumados. ¡Este curso es diferente!

Este curso es realmente paso a paso. En cada nuevo tutorial construimos sobre lo que ya habíamos aprendido y avanzamos un paso más.

Después de cada video, aprende un nuevo concepto valioso que puede aplicar de inmediato. Y la mejor parte es que aprendes a través de ejemplos en vivo.

Esta capacitación está llena de desafíos analíticos de la vida real que aprenderá a resolver. Algunos de estos los resolveremos juntos, algunos los tendrá como ejercicios de tarea.

En resumen, este curso ha sido diseñado para todos los niveles de habilidad e incluso si no tiene programación o antecedentes estadísticos, ¡tendrá éxito en este curso!

1. Toma un MOOC [1]. No pierdas mucho tiempo buscando el perfecto, solo comienza.
2. Si no tiene una función relacionada con los datos, encuentre rápidamente un puesto de analista. Identifique los problemas comerciales que podrían beneficiarse de la ciencia de datos. Proponer y aterrizar estos proyectos. Incluso si no los aterriza, aprenda por qué ciertos enfoques ayudan o no ayudan con una pregunta comercial.
3. Descargue conjuntos de datos abiertos en un campo que disfrute; blog acerca de cómo exploró los datos de una manera interesante o creó un modelo de ML preciso que podría ayudar con algunas preguntas prácticas de negocios.
4. Póngase en contacto con el responsable del mantenimiento de un proyecto de código abierto. Ofrezca escribir algunas pruebas unitarias para comenzar.
5. Únete a una reunión local. Llegue temprano y quédese hasta tarde para darle la mano. Encuentre a las personas que trabajan como científicos de datos y ofrézcales comprarles el almuerzo para aprender sobre su trabajo. Investigue compañías locales con equipos de ciencia de datos para que pueda conversar mejor en la reunión.

Notas al pie

[1] Machine Learning AZ ™: Python práctico y R en ciencia de datos

• Toma algunos MOOC en ambos. Alternativamente, sugeriría Learn R, Python & Data Science Online | DataCamp (basado en suscripción).
• Tome un conjunto de datos de Your Home for Data Science y realice un análisis exploratorio, intente construir un modelo, luego compare su resultado con otros resultados, vea lo que han hecho que usted no hizo. En caso de duda, aproveche mejor la comunidad en línea de Stack Overflow, R-bloggers o Build software.
• Obtenga otro conjunto de datos de su trabajo o un repositorio público gratuito de conjuntos de datos, e intente trabajar completamente por su cuenta. Publique el resultado y las visualizaciones y vea cuál es la retroalimentación.

Práctica:

1. Ve a Kaggle.
2. Elija el conjunto de datos que le interesa, que cree que vale la pena explorar.
3. Haga preguntas simples como: ¿cuál es el recuento de hombres y mujeres en el conjunto de datos titánico? Haga tantas preguntas (más interesantes) como sea posible.
4. Comienza a contestarlas. Cuando comience a escribir código (Kaggle R Kernels o en su propia máquina), en cada paso comience a escribir exactamente cómo desea manipular los datos (marco de datos). Comience con técnicas tontas y flojas como bucles, etc. Optimice gradualmente su código. Google formas eficientes.
5. Una vez que se realiza el análisis exploratorio. Cree un modelo predictivo y vaya al paso 4. es decir, comenzar a codificar. Siempre puede consultar los núcleos de otros usuarios para ver cómo se hace.

Algo como esto (aunque está en python):
Exploración y Predicción | Kaggle

Si la razón por la que desea aprender R & Data Science es porque desea comprender mejor sus datos accediendo y trabajando con datos no tradicionales de todas partes y aplicando los modernos algoritmos y bibliotecas de código abierto, le recomiendo que los aprenda. a través de una herramienta como Exploratory, que es básicamente una interfaz de usuario para que R haga ciencia de datos de una manera más efectiva.

(Descargo de responsabilidad: soy cofundador de Exploratory).

No solo puede comenzar a aprender R & Data Science con UI ayuda siguiendo muchos de los tutoriales paso a paso disponibles y hacer preguntas dentro de la aplicación, también puede transferir el trabajo que realizó en Exploratory a otros entornos R (por ejemplo, RStudio ) en cualquier momento que desee porque cada análisis y análisis de datos que realiza en Exploratory es esencialmente un código R.

Si simplemente quiere aprender a analizar simplemente escribiendo código R, entonces no hay nada mejor que R de Hadley Wickham para Data Science.

Según su experiencia y conocimiento, puede seguir las siguientes opciones para aprender ciencia de datos de manera práctica.

• Si es un principiante, inscríbase en algunos cursos en línea que ofrecen clases interactivas de expertos a través de videos de alta calidad. Puede probar el programa de capacitación de ciencia de datos con R de ScholarsPro

• Si tiene algo de experiencia, intente hacer un análisis exploratorio seleccionando algunos conjuntos de datos de Kaggle.

• Puede comenzar con su proyecto de ciencia de datos y no olvide presentar sus resultados a la comunidad de ciencia de datos que puede ayudarlo y guiarlo a través de sus comentarios.

Sobre todo, la parte más crítica es practicar, cuanto más practiques, más serás un experto en ciencia de datos.

Intente descargar Rapid Minner y ejecute algunos ejemplos incluidos de procesos de minería de datos.

Además del comentario de Feyzis …

Hay algunos cursos gratuitos bastante buenos sobre R en Cousera.