Data Science mit R

Data Science mit R (DSR)

1/2. Semester 5 ECTS | 4 SWS Klausur 90 Minuten (K90)

Einführung in R (u.a. RStudio)
Fortgeschrittene Konzepte der R-Programmierung (Funktionale Prg., Unit-Tests, Packages, Einbindung anderer Sprachen)
Graphiken und Visualisierungen
Datenintegration (CSV-, DB-Anbindung etc.)
R Markdown und Notebooks
Verteilungen, Schätzer, Konfidenzintervalle und Tests in R
Unüberwachte statistische Lernverfahren mittels R-Paketen (Clustern, Principal Component Analysis)
Überwachte statistische Lernverfahren mittels R-Paketen (lin. Regression, lin. Diskrimanzanalyse, Entscheidungsbäume, DL)
Anwendungsbeispiele aus der Biomedizin, Wirtschaft uvm.

Die Studierenden sind in der Lage,

einfache und fortgeschrittene Skripte und Notebooks in R zu erstellen und anzuwenden.
grundlegenden statistische Lernverfahren für biologische und medizinische Fragestellungen anzuwenden.
einfache medizinische und biologische Hypothesen aufzustellen und mittels R und statistischen Methoden zu validieren.

Daniel Wollschläger: Grundlagen der Datenanalyse mit R: Eine anwendungsorientierte Einführung. Springer 2017
Uwe Ligges: Programmieren mit R. Springer 2008
Hadley Wickham, Garrett Grolemund: R für Data Science: Daten importieren, bereinigen, umformen, modellieren und visualisieren. O'Reilly 2017
Gareth James et al.: An Introduction to Statistical Learning with Applications in R. Springer 2021
Victor Bloomfield: Computer Simulation and Data Analysis in Molecular Biology and Biophysics. An Introduction Using R. Springer 2009

Grundlagen der Datenvisualisierung sind von Vorteil
Kenntnisse von anderen Data-Science-Umgebungen wie z.B. Python Anaconda sind von Vorteil

Empfohlene sind Grundlagen der Statistik.