ОН КЛИНИК в поиске Middle Web analyst
Курсы по программингу на Python или R будут плюсом.
Задачи:
● Поддерживать сквозную аналитику по интернет-продажам услуг в разрезе источников и каналов привлечения, типов услуг, затрат на привлечение (онлайн- и оффлайн-воронки);
● разработка персонализированных отчетов для отдела маркетинга;
● построение Ad-Hoc отчётов;
● подготовка технических заданий для разработчиков и контроль их выполнения;
● багфикс/багрепорты по работе систем веб-аналитики;
● настройка тегов в Google Tag Manager;
● настройка целей, представлений в Google Analytics;
● анализ эффективности всех каналов трафика и подготовка предложений по оптимизации бюджетов и повышению уровня конверсии;
● аналитика поведения пользователей и предложения по оптимизации удобства использования и поведенческого опыта;
● разработка гипотез и проведение А/В-тестирований;
● контроль и поддержание единой логики использования UTM-меток;
● создание и поддержание актуальности отчетов маркетинговой аналитики на базе BI решений, которые позволят проводить аналитику всех каналов маркетинга с учетом реальных доходов от продаж услуг.
Требования к кандидату:
● уверенный пользователь Google Analytics, Google Tag Manager;
● уверенное владение SQL, Python или R, Google BigQuery;
● опыт работы с API (настройка сбора данных и интеграции с внешними системами), контроль разработки и внедрения с командой программистов;
● знание систем визуализации данных Power BI, Google Data Studio;
● знание различных типов моделей атрибуции, опыт их внедрения, анализ результата и принятия решений по их эффективности;
● опыт работы с большими объемами данных.
GEO- Украина.
Детали вакансии в личных сообщениях: tg @dariaviatorem
Курсы по программингу на Python или R будут плюсом.
Задачи:
● Поддерживать сквозную аналитику по интернет-продажам услуг в разрезе источников и каналов привлечения, типов услуг, затрат на привлечение (онлайн- и оффлайн-воронки);
● разработка персонализированных отчетов для отдела маркетинга;
● построение Ad-Hoc отчётов;
● подготовка технических заданий для разработчиков и контроль их выполнения;
● багфикс/багрепорты по работе систем веб-аналитики;
● настройка тегов в Google Tag Manager;
● настройка целей, представлений в Google Analytics;
● анализ эффективности всех каналов трафика и подготовка предложений по оптимизации бюджетов и повышению уровня конверсии;
● аналитика поведения пользователей и предложения по оптимизации удобства использования и поведенческого опыта;
● разработка гипотез и проведение А/В-тестирований;
● контроль и поддержание единой логики использования UTM-меток;
● создание и поддержание актуальности отчетов маркетинговой аналитики на базе BI решений, которые позволят проводить аналитику всех каналов маркетинга с учетом реальных доходов от продаж услуг.
Требования к кандидату:
● уверенный пользователь Google Analytics, Google Tag Manager;
● уверенное владение SQL, Python или R, Google BigQuery;
● опыт работы с API (настройка сбора данных и интеграции с внешними системами), контроль разработки и внедрения с командой программистов;
● знание систем визуализации данных Power BI, Google Data Studio;
● знание различных типов моделей атрибуции, опыт их внедрения, анализ результата и принятия решений по их эффективности;
● опыт работы с большими объемами данных.
GEO- Украина.
Детали вакансии в личных сообщениях: tg @dariaviatorem
Forwarded from Weekly Charts
🤖 Краш-тест возможностей chatGPT-4 для создания визуализации данных в R с помощью ggplot2
GPT-4 можно использовать для улучшения визуализации данных в R (ggplot2), что делает его отличным инструментом как для начинающих, так и для продвинутых пользователей R. Мне понравилось, как автор видео общается с chatGPT-4. Хотя код на R иногда содержит ошибки и не работает, весь процесс выглядит очень захватывающим. От создания базовых графиков (смотрите с какой легкостью chatGPT пишет код для пайчарта 🙊 на зависть новичкам) до продвинутых техник использования ChatGPT для поиска данных, анализа и визуализации данных.
▶️ Видео Using GPT-4 for Data Viz (R/ggplot).
Мораль: Как мне кажется, с появлением AI люди НЕ потеряют способность к абстрактному мышлению, анализу, или креативность. Использование chatGPT только повысит производительность труда и качество работы человека.
#R #ggplot2 #chatGPT4 #визуализация_данных #dataviz #полезное
GPT-4 можно использовать для улучшения визуализации данных в R (ggplot2), что делает его отличным инструментом как для начинающих, так и для продвинутых пользователей R. Мне понравилось, как автор видео общается с chatGPT-4. Хотя код на R иногда содержит ошибки и не работает, весь процесс выглядит очень захватывающим. От создания базовых графиков (смотрите с какой легкостью chatGPT пишет код для пайчарта 🙊 на зависть новичкам) до продвинутых техник использования ChatGPT для поиска данных, анализа и визуализации данных.
▶️ Видео Using GPT-4 for Data Viz (R/ggplot).
Мораль: Как мне кажется, с появлением AI люди НЕ потеряют способность к абстрактному мышлению, анализу, или креативность. Использование chatGPT только повысит производительность труда и качество работы человека.
#R #ggplot2 #chatGPT4 #визуализация_данных #dataviz #полезное
YouTube
Using GPT-4 for Data Viz (R/ggplot)
GPT-4 launched today, and this video goes through live examples how folks of any level - beginner to expert - can use it!
We're going to cover basic charts and how to use ChatGPT to learn data viz, Intermediate skills using ChatGPT for chart optimization…
We're going to cover basic charts and how to use ChatGPT to learn data viz, Intermediate skills using ChatGPT for chart optimization…
Видео урок: Как хранить и работать с секретными данными на языке R
Новички зачастую хранят все секретные данные, такие как пароли и api токены, непосредственно в коде, но это считается плохой практикой.
Опубликовал видео в котором рассказал почему не стоит хранить пароли в самом коде. и как правильно и безопасно хранить секретные данные.
Тайм коды:
00:00 Вступление
00:39 Что такое секретные данные
01:06 Как не надо хранить секретные данные
03:18 Способы хранения и работы с секретными данными
03:54 Работа с хранилищем учётных данных операционной системы с помощью пакета keyring
06:40 Работа с файлами конфигурации с помощью пакета configr: yaml, ini, json
14:24 Работа с переменными среды
18:35 Заключение
Длительность: 19:10
Ссылки:
- Материалы к уроку
- Видео
#видео_уроки_по_R
Новички зачастую хранят все секретные данные, такие как пароли и api токены, непосредственно в коде, но это считается плохой практикой.
Опубликовал видео в котором рассказал почему не стоит хранить пароли в самом коде. и как правильно и безопасно хранить секретные данные.
Тайм коды:
00:00 Вступление
00:39 Что такое секретные данные
01:06 Как не надо хранить секретные данные
03:18 Способы хранения и работы с секретными данными
03:54 Работа с хранилищем учётных данных операционной системы с помощью пакета keyring
06:40 Работа с файлами конфигурации с помощью пакета configr: yaml, ini, json
14:24 Работа с переменными среды
18:35 Заключение
Длительность: 19:10
Ссылки:
- Материалы к уроку
- Видео
#видео_уроки_по_R
YouTube
Как правильно хранить и работать с секретными данными на языке R
В этом видео мы с вами разберёмся с тем, что такое секретные данные, почему не рекомендуется прописывать пароли, и прочие конфиденциальные данные в коде скриптов, и рассмотрим несколько способов безопасного хранения секретных данных.
|==================…
|==================…
Язык R: прокачайте свои навыки до следующего уровня
Автор: Андрей Шагин
В статье приводятся 7 рекомендаций по оптимизации кода в плане использования и времени выполнения ваших скриптов, говоря простыми словами, рекомендации по повышени. эффективности вашего кода.
Содержание:
● Рекомендация 1. Выполняйте профилирование кода
● Рекомендация 2. Векторизируйте код
● Рекомендация 3. Матрицы вместо фреймов данных
● Рекомендация 4. is.na() и anyNA
● Рекомендация 5. if() … else() вместо ifelse()
● Рекомендация 6. Параллельные вычисления
● Рекомендация 7. Интерфейс сопряжения R с другими языками
● Заключение
#статьи_по_R
Автор: Андрей Шагин
В статье приводятся 7 рекомендаций по оптимизации кода в плане использования и времени выполнения ваших скриптов, говоря простыми словами, рекомендации по повышени. эффективности вашего кода.
Содержание:
● Рекомендация 1. Выполняйте профилирование кода
● Рекомендация 2. Векторизируйте код
● Рекомендация 3. Матрицы вместо фреймов данных
● Рекомендация 4. is.na() и anyNA
● Рекомендация 5. if() … else() вместо ifelse()
● Рекомендация 6. Параллельные вычисления
● Рекомендация 7. Интерфейс сопряжения R с другими языками
● Заключение
#статьи_по_R
Создание API в R при помощи Plumber
Я считаю лучшим способом для интеграции приложений R в любую систему ПО, — это Plumber. Статья посвящена именно ему. К ее завершению вы создадите в R свой первый API при помощи Plumber.
Содержание:
1. Пара слов об использовании R в продакшене
2. Что такое API?
3. Как работает Plumber?
4. Начнем с простого скрипта
5. Превращение скрипта в API
6. Проверим
7. Развертывание
8. Заключение
#статьи_по_R
Я считаю лучшим способом для интеграции приложений R в любую систему ПО, — это Plumber. Статья посвящена именно ему. К ее завершению вы создадите в R свой первый API при помощи Plumber.
Содержание:
1. Пара слов об использовании R в продакшене
2. Что такое API?
3. Как работает Plumber?
4. Начнем с простого скрипта
5. Превращение скрипта в API
6. Проверим
7. Развертывание
8. Заключение
#статьи_по_R
qdapRegex - извлечение, замена и удаление частей текста
Регулярные выражение инструмент достаточно мощный, но в тоже время и довольно непростой в понимании. Поэтому, для извлечения/удаления/замены каких-то базовых паттернов в тексте, например имейлов, номеров телефонов, почтовых индексов. чисел, дат, аббревиатур и т.д. можно использовать пакет
Каждая из функций пакета имеет приставку, в зависимости от её назначения:
●
●
Например, в одном из постов канала я показал, как с помощью регулярных выражений удалить часть текста между двумя символами, задача казалось бы простая, но регулярное выражение для её выполнения будет не самым простым, а пакет
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
И это не полный набор функций, пакет будет крайне полезен для очистки текста. или извлечения нужной информации из неструктурированного текста, например из имейлов, или комментариев.
#заметки_по_R
Регулярные выражение инструмент достаточно мощный, но в тоже время и довольно непростой в понимании. Поэтому, для извлечения/удаления/замены каких-то базовых паттернов в тексте, например имейлов, номеров телефонов, почтовых индексов. чисел, дат, аббревиатур и т.д. можно использовать пакет
qdapRegex
.Каждая из функций пакета имеет приставку, в зависимости от её назначения:
●
ex_*()
- извлечение части текста●
rm_*()
- удаление / замена части текстаНапример, в одном из постов канала я показал, как с помощью регулярных выражений удалить часть текста между двумя символами, задача казалось бы простая, но регулярное выражение для её выполнения будет не самым простым, а пакет
qdapRegex
решает такие задачи очень просто:library(qdapRegex)Если вам не удалить, а заменить часть текста используйте аргумент
x <- "I like [bots] (not)."
rm_between(x, "(", ")")
ex_between(x, "(", ")")
rm_between(x, c("(", "["), c(")", "]"))
ex_between(x, c("(", "["), c(")", "]"))
replacement
:rm_between(x, "[", "]",replacement = "humans")Ниже приведу набор наиболее полезных функций:
●
(ex|rm)__between()
- часть текста между указанными символами●
(ex|rm)_hash()
- хештеги●
(ex|rm)_tag()
- именные теги (@username)●
(ex|rm)_url()
- извлечение ссылок из текста●
(ex|rm)_email()
- имейлы●
(ex|rm)_phone()
- номера телефонов●
(ex|rm)_emoticon()
- смайлы●
(ex|rm)_bracket()
- текст внутри квадратных, фигурных или круглых скобок●
(ex|rm)_curly()
- текст внутри фигурных скобок●
(ex|rm)_round()
- текст внутри круглых скобок●
(ex|rm)_square()
- текст внутри квадратных скобок●
(ex|rm)_number()
- числа●
(ex|rm)_time()
- время●
(ex|rm)_date()
- даты●
(ex|rm)_non_words()
- не слова●
(ex|rm)_nchar_words()
- слова более заданной длинны●
(ex|rm)_repeated_characters()
- повторяющиеся символыИ это не полный набор функций, пакет будет крайне полезен для очистки текста. или извлечения нужной информации из неструктурированного текста, например из имейлов, или комментариев.
# пример текстаВсе функции под капотом используют американский словарь регулярных выражений, получить его можно командой
text <- "@alex привет, отправь 12.07.2023 @john информацию о стоимости #iphone на почту [email protected] потом позвони мне (067)123-45-67"
ex_date(text) # извлекаем дату
ex_email(text) # извлекаем имейл
ex_hash(text) # извлекаем хеш
ex_tag(text) # извлекаем теги
ex_phone(text) # извлекаем номер телефона?
data(regex_usa)
. Но вы можете создать и использовать собственный словарь регулярных выражений, в примере выше мы не смогли извлечь номер телефона, потому что его описание в тексте не соответствует американскому словарю регулярных выражений, давай создадим свой словарь:# создаём словарьПользуйтесь!
regex_dict <- list("rm_phone" = "\\(\\d{3}\\)\\d{1,4}-\\d{1,4}-\\d{1,4}")
# устанавливаем пользовательский словарь по умолчанию
options("regex.library" = regex_dict)
# используем словарь и паттерн из него
ex_phone(text, pattern = "@rm_phone")
#заметки_по_R
Forwarded from People Analytics
👨💻 The Fundamentals of People Analytics: With Applications in R
Новая книга The Fundamentals of People Analytics: With Applications in R, находящая в открытом доступе, предназначена для аналитиков всех уровней и поможет им эффективно решать задачи, связанные с управлением персоналом организаций. В ней представлены ключевые идеи и концепции, охватывающие весь аналитический цикл, а также подробные инструкции по использованию R для решения реальных задач. Не требуются предварительные знания статистики, баз данных или программирования. Первые главы посвящены введению в R и SQL, а также основам статистики.
Человеческий капитал является самым важным активом любой организации. Без знаний и навыков сотрудников организация не сможет достичь успеха. Привлечение, развитие и удержание талантливых сотрудников становится все более сложной и ответственной задачей, поэтому организации делают значительные инвестиции в углубленное понимание организационных явлений на основе данных, влияющих на конечные результаты.
Прочитав книгу, вы сможете:
1. Планировать и проводить эмпирические исследования.
2. Запрашивать и обрабатывать данные с использованием SQL.
3. Очищать и анализировать данные с помощью R.
4. Применять соответствующие статистические и ML-модели для широкого спектра задач аналитики в области управления персоналом.
5. Представлять результаты анализа и осуществлять коммуникацию со стейкхолдерами на основе данных.
#books #people_analytics #R
Новая книга The Fundamentals of People Analytics: With Applications in R, находящая в открытом доступе, предназначена для аналитиков всех уровней и поможет им эффективно решать задачи, связанные с управлением персоналом организаций. В ней представлены ключевые идеи и концепции, охватывающие весь аналитический цикл, а также подробные инструкции по использованию R для решения реальных задач. Не требуются предварительные знания статистики, баз данных или программирования. Первые главы посвящены введению в R и SQL, а также основам статистики.
Человеческий капитал является самым важным активом любой организации. Без знаний и навыков сотрудников организация не сможет достичь успеха. Привлечение, развитие и удержание талантливых сотрудников становится все более сложной и ответственной задачей, поэтому организации делают значительные инвестиции в углубленное понимание организационных явлений на основе данных, влияющих на конечные результаты.
Прочитав книгу, вы сможете:
1. Планировать и проводить эмпирические исследования.
2. Запрашивать и обрабатывать данные с использованием SQL.
3. Очищать и анализировать данные с помощью R.
4. Применять соответствующие статистические и ML-модели для широкого спектра задач аналитики в области управления персоналом.
5. Представлять результаты анализа и осуществлять коммуникацию со стейкхолдерами на основе данных.
#books #people_analytics #R
colouR: Получить палитру проанализировав цвета изображения
Некоторое время назад я рассказывал о пакетах с наборами палитр, вдохновлённых национальными парками и художественного Метропόлитен-музея, почитать о них можно тут и тут.
На днях мне на глаза попался пакет
●
●
●
●
●
●
Ниже пример анализа цветовой палитры изображения из интернета. само изображение и результат анализа его палитры вы видите на изображении к посту.
2. Используем полученную палитру в ggplot2
Пакет
●
- NatParksPalettes: Пакет цветовой палитры, вдохновленный национальными парками
- Палитры в R
- Темы для ggplot2 основанные на телешоу
Полезные ссылки:
- Сайт пакета colouR
#заметки_по_R
Некоторое время назад я рассказывал о пакетах с наборами палитр, вдохновлённых национальными парками и художественного Метропόлитен-музея, почитать о них можно тут и тут.
На днях мне на глаза попался пакет
colouR
, который позволяет вам проанализировать любое изображение в форматах jpg или png, из локального файла или по ссылке, и получить его палитру. Основной функцией пакета является getTopCol()
, которая имеет следующий набор аргументов:●
path
- Путь к локальному файлу изображения или URL●
n
- Количество цветов, которое необходимо получить в палитре●
exclude
- Позволяет исключить из палитры большинство оттенков чёрного и белого●
sig
- Целое число, позволяет округлять количество знаков после запятой, в определении какую часть изображения занимает цвет●
avgCols
- Логическое TRUE / FALSE, надо ли усреднять цвета в группы●
n_clusters
- Количество кластеров, используемых для группировки цветов, имеет смысл только при avgCols = TRUE
1. Пример анализа цветовой палитры изображения, и использования полученной палитры в `ggplot2`Ниже пример анализа цветовой палитры изображения из интернета. само изображение и результат анализа его палитры вы видите на изображении к посту.
library(colouR)В данном случае, мы группируем (
library(ggplot2)
library(dplyr)
# Анализ палитры изображение с усреднением цветов
top10 <- getTopCol(
path = "https://static.make.ua/catalog/35/city-1491__1557487852__300h.jpg",
n = 5,
avgCols = T,
n_clusters = 10,
exclude = T,
)
# Сортируем цвета
top10$hex <- factor(top10$avg_color, levels = top10$avg_color)
# Выводим график по цветам
ggplot(top10, aes(x = hex, y = freq)) +
geom_bar(stat = 'identity', fill = top10$hex) +
theme_dark() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
xlab('HEX colour code') +
ylab('Frequency')
# Выводим палитру
plotPalette(top10$avg_color)
avgCols = TRUE
) все полученные из изображения цвета в 10 групп (n_clusters = 10), говорим исключить все известные пакету оттенки чёрного и белого (
exclude = TRUE), и взять 5 из полученных групп цветов, которые заполняют большую часть изображения (
n = 5).
2. Используем полученную палитру в ggplot2
Пакет
colouR
включает две дополнительные функции для удобной совместимости с ggplot2
:●
scaleFill()
● scaleColor()
Но, эти функции судя по всему работают только с встроенными в сам пакет палитрами, а собственные палитры вы можете использовать традиционным способом, передав их в аргументы функций scale_*()
:# Используем полученную палитру в ggplot2Читайте так же:
# подготовка данных
manufacturer_counts <- mpg %>%
group_by(manufacturer) %>%
summarize(count = n()) %>%
head(5)
mpgsort <- manufacturer_counts[order(manufacturer_counts$count, decreasing = TRUE), ]
mpgsort$manufacturer <- factor(mpgsort$manufacturer, levels = mpgsort$manufacturer)
# Строим график с использованием полученной палитры
ggplot(mpgsort, aes(x = manufacturer, y= count, fill = manufacturer)) +
geom_bar(stat = 'identity') +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = top10$avg_color)
- NatParksPalettes: Пакет цветовой палитры, вдохновленный национальными парками
- Палитры в R
- Темы для ggplot2 основанные на телешоу
Полезные ссылки:
- Сайт пакета colouR
#заметки_по_R
Профилирование производительности R-скриптов
Цель этой статьи - рассмотреть методы профилирования производительности и оптимизации для повышения эффективности R-скриптов. Мы поговорим о встроенных инструментах R, которые помогают нам профилировать код, а также о том, как правильно анализировать результаты профилирования.
Содержание:
1. Профилирование производительности в R
1.1. Встроенные инструменты R для профилирования (profvis, Rprof, system.time)
1.2. Анализ результатов профилирования: идентификация узких мест и затратных операций
2. Методы оптимизации R-скриптов
2.1. Использование векторизации и функций из базового пакета R
2.2. Оптимизация циклов: сравнение различных методов и подходов
2.3. Пакеты для оптимизации: compiler, Rcpp, data.table и другие
2.4. Оптимизация работы с памятью и управление переменными
3. Работа с большими данными в R
3.1. Оценка объема данных: когда и как данные становятся "большими"
3.2. Стратегии для работы с большими объемами данных на R
3.3. Пакеты для эффективной обработки больших наборов данных (bigmemory, ff, dplyr backend)
4. Кейсы из реальной практики
4.1. Исследование и сравнение производительности алгоритмов на примере реальных данных
5. Лучшие практики профилирования и оптимизации R-скриптов
6. Заключение
Смотрите также:
- Бесплатный курс "Циклы и функционалы в языке R"
#статьи_по_R
Цель этой статьи - рассмотреть методы профилирования производительности и оптимизации для повышения эффективности R-скриптов. Мы поговорим о встроенных инструментах R, которые помогают нам профилировать код, а также о том, как правильно анализировать результаты профилирования.
Содержание:
1. Профилирование производительности в R
1.1. Встроенные инструменты R для профилирования (profvis, Rprof, system.time)
1.2. Анализ результатов профилирования: идентификация узких мест и затратных операций
2. Методы оптимизации R-скриптов
2.1. Использование векторизации и функций из базового пакета R
2.2. Оптимизация циклов: сравнение различных методов и подходов
2.3. Пакеты для оптимизации: compiler, Rcpp, data.table и другие
2.4. Оптимизация работы с памятью и управление переменными
3. Работа с большими данными в R
3.1. Оценка объема данных: когда и как данные становятся "большими"
3.2. Стратегии для работы с большими объемами данных на R
3.3. Пакеты для эффективной обработки больших наборов данных (bigmemory, ff, dplyr backend)
4. Кейсы из реальной практики
4.1. Исследование и сравнение производительности алгоритмов на примере реальных данных
5. Лучшие практики профилирования и оптимизации R-скриптов
6. Заключение
Смотрите также:
- Бесплатный курс "Циклы и функционалы в языке R"
#статьи_по_R
Бесплатный курс "Разработка пакетов на языке R"
Друзья, идея записи курса по разработке пакетов у меня появилась ещё несколько лет назад, но всё никак не доходили руки до реализации, и вот наконец я записал первый урок, и создал проект самого курса.
О курсе
В основе курса будет лежать книга Хедли Викхема "R Packages (2e)", тем не менее курс не будет полным её повторением, некоторые главы из книги я опущу, и кое что наоборот добавлю.
Окончательной программы курса пока нет, на данный момент готов первый урок, сам курс находится в стадии разработки, следить за его развитием вы можете на странице новостей курса.
Тайм коды первого урока:
00:00 Вступление
00:43 Как создать проект пакета
01:50 Структура проекта пакета
02:47 Добавляем проекту контроль версий
03:14 Как добавить функцию в свой пакет
04:17 Как загрузить текущий пакет (load_all())
05:05 Как запустить проверку пакета (check())
05:56 Файл DESCRIPTION
06:52 Добавляем лицензию пакету
07:08 Добавляем документацию к функциям пакета
09:47 Файл NAMESPACE
10:10 Добавляем юнит тесты для функций пакета
13:34 Как использовать в своём пакете функции из других пакетов
16:46 Обзор всего рабочего процесса
19:03 Заключение
Точных дат публикации следующих уроков нет, буду их записывать и публиковать по мере наличия свободного времени, coming soon.
Приблизительную программу курса постараюсь сформировать и добавить в течении этой недели.
Ссылки:
- сайт курса
- ссылка на первый урок на YouTube
#курсы_по_R
Друзья, идея записи курса по разработке пакетов у меня появилась ещё несколько лет назад, но всё никак не доходили руки до реализации, и вот наконец я записал первый урок, и создал проект самого курса.
О курсе
В основе курса будет лежать книга Хедли Викхема "R Packages (2e)", тем не менее курс не будет полным её повторением, некоторые главы из книги я опущу, и кое что наоборот добавлю.
Окончательной программы курса пока нет, на данный момент готов первый урок, сам курс находится в стадии разработки, следить за его развитием вы можете на странице новостей курса.
Тайм коды первого урока:
00:00 Вступление
00:43 Как создать проект пакета
01:50 Структура проекта пакета
02:47 Добавляем проекту контроль версий
03:14 Как добавить функцию в свой пакет
04:17 Как загрузить текущий пакет (load_all())
05:05 Как запустить проверку пакета (check())
05:56 Файл DESCRIPTION
06:52 Добавляем лицензию пакету
07:08 Добавляем документацию к функциям пакета
09:47 Файл NAMESPACE
10:10 Добавляем юнит тесты для функций пакета
13:34 Как использовать в своём пакете функции из других пакетов
16:46 Обзор всего рабочего процесса
19:03 Заключение
Точных дат публикации следующих уроков нет, буду их записывать и публиковать по мере наличия свободного времени, coming soon.
Приблизительную программу курса постараюсь сформировать и добавить в течении этой недели.
Ссылки:
- сайт курса
- ссылка на первый урок на YouTube
#курсы_по_R
YouTube
Разработка пакетов на R #1: Обзор рабочего процесса
Первый урок курса "Разработка пакетов на языке R", в ходе которого мы кратко рассмотрим весь процесс по разработке собственного пакета от создания проекта до тестирования его первой версии.
Пакеты рассмотренные в уроке:
- devtools
- usethis
- testthat
-…
Пакеты рассмотренные в уроке:
- devtools
- usethis
- testthat
-…
Опубликован 2ой урок курса "Разработка пакетов на языке R": Настройка системы и интеграция RStudio с GitHub
Помимо второго урока на главной странице курса опубликована полная программа курса.
Во втором уроке мы с вами настраиваем среду для разработки пакетов, и настраиваем интеграцию между RStudio и GitHub.
Тайм коды второго урока:
00:00 Вступление
00:50 Настройка дефолтных опций пакета usethis
05:13 Установка утилиты rtools
06:38 Регистрация на GitHub
08:15 Установка Git
09:53 Установка учётных данных в Git
11:27 Создание персонального токена на GitHub
15:04 Проверяем систему на готовность к компиляции пакетов
15:40 Отправка пакета из RStudio на GitHub
17:25 Обзор всего процесса настройки системы для разработки пакетов и интеграции RStudio с GitHub
18:43 Заключение
Ссылки:
1. Сайт курса
2. Видео на YouTube
#курсы_по_R
Помимо второго урока на главной странице курса опубликована полная программа курса.
Во втором уроке мы с вами настраиваем среду для разработки пакетов, и настраиваем интеграцию между RStudio и GitHub.
Тайм коды второго урока:
00:00 Вступление
00:50 Настройка дефолтных опций пакета usethis
05:13 Установка утилиты rtools
06:38 Регистрация на GitHub
08:15 Установка Git
09:53 Установка учётных данных в Git
11:27 Создание персонального токена на GitHub
15:04 Проверяем систему на готовность к компиляции пакетов
15:40 Отправка пакета из RStudio на GitHub
17:25 Обзор всего процесса настройки системы для разработки пакетов и интеграции RStudio с GitHub
18:43 Заключение
Ссылки:
1. Сайт курса
2. Видео на YouTube
#курсы_по_R
YouTube
Разработка пакетов на R #2: Настройка системы и интеграция с GitHub
Данный урок посвящён настройке вашей операционной системы и среды для разработки пакетов. Мы установим всё необходимое программное обеспечение, зарегистрируем бесплатный аккаунт на GitHub и настроим интеграцию между RStudio и GitHub.
|==================…
|==================…
Опубликован 3 урок курса "Разработка пакетов на языке R": Организация R-кода вашего пакета
——————————
Друзья, так же подписывайтесь на youtube канал, и буду благодарен за репосты информации о курсе в ваших соц. сетях.
——————————
В этом уроке мы разберёмся с базовыми рекомендациями по организации кода вашего пакета, а так же узнаем чем принципиально отличается разработка пакета от написания обычного R сценария.
Тайм коды:
00:00 Вступление
00:44 Из каких компонентов состоит пакет
01:07 Как организовать функции пакета в файлы
03:55 Про функции
05:32 Не изменяйте настройки глобальной среды R: функция
14:09 Как задать локальные опции пакета, функция
17:10 Код пакета определённый вне функций
18:20 Заключение
Ссылки:
1. Сайт курса
2. Видео на YouTube
Предыдущие урок:
1. Обзор рабочего процесса
2. Настройка системы и интеграция RStudio с GitHub
#курсы_по_R
——————————
Друзья, так же подписывайтесь на youtube канал, и буду благодарен за репосты информации о курсе в ваших соц. сетях.
——————————
В этом уроке мы разберёмся с базовыми рекомендациями по организации кода вашего пакета, а так же узнаем чем принципиально отличается разработка пакета от написания обычного R сценария.
Тайм коды:
00:00 Вступление
00:44 Из каких компонентов состоит пакет
01:07 Как организовать функции пакета в файлы
03:55 Про функции
library()
и source()
в коде пакет05:32 Не изменяйте настройки глобальной среды R: функция
on.exit()
и пакет withr
14:09 Как задать локальные опции пакета, функция
.onLoad()
17:10 Код пакета определённый вне функций
18:20 Заключение
Ссылки:
1. Сайт курса
2. Видео на YouTube
Предыдущие урок:
1. Обзор рабочего процесса
2. Настройка системы и интеграция RStudio с GitHub
#курсы_по_R
YouTube
Разработка пакетов на R #3: Организация R кода в пакете
В этом уроке мы разберёмся с базовыми рекомендациями по организации кода вашего пакета, а так же разберёмся чем принципиально отличается разработка пакета от написания обычного R сценария.
|===========================================|
Тайм коды:
00:00 Вступление…
|===========================================|
Тайм коды:
00:00 Вступление…
Видео урок: Анализ финансового портфеля в R
Спикер: Вячеслав Арбузов
Описание:
На занятии вы узнаете как можно легко загружать и обрабатывать финансовые данные в R, какие существуют способы собирать из этих данных портфели. Разберем какие есть методы анализа построенного портфеля и посчитаем характеристики портфеля.
Результаты урока:
Вы научитесь работать с финансовыми данными в R. Построите финансовый портфель и узнаете какие есть подходы к анализу построенного портфеля.
Ссылки:
1. Часть 1
2. Часть 2
#видео_уроки_по_R
Спикер: Вячеслав Арбузов
Описание:
На занятии вы узнаете как можно легко загружать и обрабатывать финансовые данные в R, какие существуют способы собирать из этих данных портфели. Разберем какие есть методы анализа построенного портфеля и посчитаем характеристики портфеля.
Результаты урока:
Вы научитесь работать с финансовыми данными в R. Построите финансовый портфель и узнаете какие есть подходы к анализу построенного портфеля.
Ссылки:
1. Часть 1
2. Часть 2
#видео_уроки_по_R
Друзья, по R не так много telegram каналов, хотя за последние пару лет всё таки появилось несколько новых. Хотел бы выделить один из них, а именно канал Наука и данные под авторством Евгения Матерова, чьи публикация про R я неоднократно публиковал у себя в канале в том числе.
Описание:
Дайджест по полезным и интересным инструментам в науке о данных, машинному обучению и визуализации данных. Создан как записная книжка, которая дополняет блог Rесурсы.
В общем подписывайтесь!
Описание:
Дайджест по полезным и интересным инструментам в науке о данных, машинному обучению и визуализации данных. Создан как записная книжка, которая дополняет блог Rесурсы.
В общем подписывайтесь!
Telegram
Наука и данные
Дайджест по полезным и интересным инструментам в науке о данных, машинному обучению и визуализации данных. Создан как записная книжка, которая дополняет блог Rесурсы (https://materov.github.io/R-sources/)
Опубликован 4 урок курса по разработке пакетов: Как и зачем добавлять данные в ваш пакет
В этом видео мы поговорим о том, зачем вам может понадобиться добавить в ваш пакет помимо кода функций ещё и данные, и разберём 5 способов это сделать.
Тайм коды:
00:00 Введение
00:35 Зачем добавлять данные в пакет
02:08 Экспортируемые данные
05:20 Внутренние данные пакета
07:57 Необработанные данные
13:51 Состояние пакета (внутренняя среда пакета)
16:30 Постоянные пользовательские данные
18:30 Прочие каталоги пакета
19:33 Заключение
Ссылки:
1. Сайт курса
2. Видео на YouTube
#курсы_по_R
В этом видео мы поговорим о том, зачем вам может понадобиться добавить в ваш пакет помимо кода функций ещё и данные, и разберём 5 способов это сделать.
Тайм коды:
00:00 Введение
00:35 Зачем добавлять данные в пакет
02:08 Экспортируемые данные
05:20 Внутренние данные пакета
07:57 Необработанные данные
13:51 Состояние пакета (внутренняя среда пакета)
16:30 Постоянные пользовательские данные
18:30 Прочие каталоги пакета
19:33 Заключение
Ссылки:
1. Сайт курса
2. Видео на YouTube
#курсы_по_R
YouTube
Разработка пакетов на R #4: Как и зачем добавлять данные в пакет
В этом видео мы разберёмся с тем для чего вам может понадобиться добавить в ваш пакет помимо кода функций ещё и данные, и разберём 5 способов это сделать.
Тайм коды:
00:00 Введение
00:35 Зачем добавлять данные в пакет
02:08 Экспортируемые данные
05:20 Внутренние…
Тайм коды:
00:00 Введение
00:35 Зачем добавлять данные в пакет
02:08 Экспортируемые данные
05:20 Внутренние…
Уроки по R от ravesli
Самоучитель по R, который в данный момент находится в стадии разработки. На данный момент идёт работа над третьим разделом.
Содержание:
1. Вступление
1.1. Введение в язык программирования R
1.2. Интересные факты о языке программирования R
1.3. Язык R в сравнении с Python
1.4. Как установить RStudio в Windows и Linux?
1.5. Введение в RStudio
1.6. Создание и выполнение R-файла в RStudio
1.7. Комментарии в R
1.8. Переменные и константы в R
1.9. Типы данных в R
1.10. Функции вывода в R
1.11. Числа в R
2. Управление потоком выполнения программы в R
2.1. Операторы сравнения и логические операторы в R
2.2. Условные операторы if…else в R
2.3. Функция ifelse() в R
2.4. Цикл while в R
2.5. Цикл for в R
2.6. Цикл repeat в R
2.7. Операторы break и next в R
2.8. Функции в R
3. Структуры данных в R
3.1. Строки в R
3.2. Векторы в R
3.3. Матрицы в R
3.4. Cписок в R
#курсы_по_R
Самоучитель по R, который в данный момент находится в стадии разработки. На данный момент идёт работа над третьим разделом.
Содержание:
1. Вступление
1.1. Введение в язык программирования R
1.2. Интересные факты о языке программирования R
1.3. Язык R в сравнении с Python
1.4. Как установить RStudio в Windows и Linux?
1.5. Введение в RStudio
1.6. Создание и выполнение R-файла в RStudio
1.7. Комментарии в R
1.8. Переменные и константы в R
1.9. Типы данных в R
1.10. Функции вывода в R
1.11. Числа в R
2. Управление потоком выполнения программы в R
2.1. Операторы сравнения и логические операторы в R
2.2. Условные операторы if…else в R
2.3. Функция ifelse() в R
2.4. Цикл while в R
2.5. Цикл for в R
2.6. Цикл repeat в R
2.7. Операторы break и next в R
2.8. Функции в R
3. Структуры данных в R
3.1. Строки в R
3.2. Векторы в R
3.3. Матрицы в R
3.4. Cписок в R
#курсы_по_R
Опубликовал 5 урок курса "Разработка пакетов на языке R": Метаданные пакета, файл DESCRIPTION
Данный урок посвящён метаданным вашего пакета, и одному из наиболее главных его компонентов - файлу DESCRIPTION,
Тайм коды:
00:00 Вступление
00:39 Назначение и минимальный пример файла DESCRIPTION
01:53 Настройка дефолтных значений полей файла DESCRIPTION с помощью опции usethis.description
03:04 Поля Title и Description
04:09 Поле Authors@R для указания авторства пакета
06:03 Поля URL и BugReports
06:34 Поле License
09:24 Поля Imports и Suggests
12:30 Прочие поля файла DESCRIPTION
14:20 Использование пользовательских полей в файле DESCRIPTION
15:17 Заключение
————————————
В первом анонсе курса, я написал, что точного расписания публикации новых уроков нет, что буду их записывать и публиковать по мере появления времени, тем не менее вот уже 5 вторник подряд у меня получается выпускать новый урок, как минимум две следующие недели будет так же, надеюсь, что и далее каждый новый урок будет публиковаться каждую неделю по вторникам. С такими темпами полный курс будет опубликован в октябре.
Программа курса по прежнему расширяется и прорабатывается.
Ну и конечно, буду благодарен всем, кто поделится ссылкой на курс в своих соц сетях.
————————————
Ссылки:
1. Сайт курса
2. Видео на YouTube
3. Поддержать курс
#курсы_по_R
Данный урок посвящён метаданным вашего пакета, и одному из наиболее главных его компонентов - файлу DESCRIPTION,
Тайм коды:
00:00 Вступление
00:39 Назначение и минимальный пример файла DESCRIPTION
01:53 Настройка дефолтных значений полей файла DESCRIPTION с помощью опции usethis.description
03:04 Поля Title и Description
04:09 Поле Authors@R для указания авторства пакета
06:03 Поля URL и BugReports
06:34 Поле License
09:24 Поля Imports и Suggests
12:30 Прочие поля файла DESCRIPTION
14:20 Использование пользовательских полей в файле DESCRIPTION
15:17 Заключение
————————————
В первом анонсе курса, я написал, что точного расписания публикации новых уроков нет, что буду их записывать и публиковать по мере появления времени, тем не менее вот уже 5 вторник подряд у меня получается выпускать новый урок, как минимум две следующие недели будет так же, надеюсь, что и далее каждый новый урок будет публиковаться каждую неделю по вторникам. С такими темпами полный курс будет опубликован в октябре.
Программа курса по прежнему расширяется и прорабатывается.
Ну и конечно, буду благодарен всем, кто поделится ссылкой на курс в своих соц сетях.
————————————
Ссылки:
1. Сайт курса
2. Видео на YouTube
3. Поддержать курс
#курсы_по_R
YouTube
Разработка пакетов на R #5: Файл DESCRIPTION, метаданные пакета
В этом видео мы с вами подробно разберёмся с содержимым одного из главных файлов в вашем пакете - DESCRIPTION, в котором хранятся его метаданные.
|===========================================|
Тайм коды:
00:00 Вступление
00:39 Назначение и минимальный пример…
|===========================================|
Тайм коды:
00:00 Вступление
00:39 Назначение и минимальный пример…
Видео урок "Факторный анализ и моделирование структурными уравнениями в R"
Длительность: 2 ч 16 м
Описание:
На этом уроке вы научитесь использовать R для факторного анализа и моделирования структурными уравнениями. Вы познакомитесь с гибким инструментарием, позволяющим искать и моделировать сложные закономерности в данных, а также оценивать качество тестов и опросников.
Кому подходит этот урок:
● социологам, маркетологам, HR-специалистам, которые работают с данными опросов и хотят использовать мощный инструмент анализа данных — R;
● аналитикам, стремящимся освоить моделирование маркетинговых и психометрических данных.
#видео_уроки_по_R
Длительность: 2 ч 16 м
Описание:
На этом уроке вы научитесь использовать R для факторного анализа и моделирования структурными уравнениями. Вы познакомитесь с гибким инструментарием, позволяющим искать и моделировать сложные закономерности в данных, а также оценивать качество тестов и опросников.
Кому подходит этот урок:
● социологам, маркетологам, HR-специалистам, которые работают с данными опросов и хотят использовать мощный инструмент анализа данных — R;
● аналитикам, стремящимся освоить моделирование маркетинговых и психометрических данных.
#видео_уроки_по_R
Друзья, я крайне редко сейчас выступаю на каких либо открытых ивентах, но в этот четверг 14.09.2023, буду вести вебинар "Язык R в интернет маркетинге" по просьбе Дмитрия Серебренникова и Kazakhstan Sociology Lab.
В ходе вебинара мы будем разбираться с Google Ads API и пакетом
📅 Дата: 14 сентября 2023 г.
⏰ Время: 19:00 ч. (UTC+6, время Астаны)
📍 Онлайн (Zoom) по предварительной регистрации.
В ходе вебинара мы будем разбираться с Google Ads API и пакетом
rgoogleads
, я продемонстрирую как пройти авторизацию, запросить данные из рекламного аккаунта, и провести анализ показателя качества ключевых слов вашего аккаунта.📅 Дата: 14 сентября 2023 г.
⏰ Время: 19:00 ч. (UTC+6, время Астаны)
📍 Онлайн (Zoom) по предварительной регистрации.
HTML Embed Code: