R in a Nutshell - Brossura

Brossura

ISBN 10: 3897216493 ISBN 13: 9783897216495

Riassunto

Wozu sollte man R lernen? Da gibt es viele Gründe: Weil man damit natürlich ganz andere Möglichkeiten hat als mit einer Tabellenkalkulation wie Excel, aber auch mehr Spielraum als mit gängiger Statistiksoftware wie SPSS und SAS. Anders als bei diesen Programmen hat man nämlich direkten Zugriff auf dieselbe, vollwertige Programmiersprache, mit der die fertigen Analyse- und Visualisierungsmethoden realisiert sind – so lassen sich nahtlos eigene Algorithmen integrieren und komplexe Arbeitsabläufe realisieren. Und nicht zuletzt, weil R offen gegenüber beliebigen Datenquellen ist, von der einfachen Textdatei über binäre Fremdformate bis hin zu den ganz großen relationalen Datenbanken. Zudem ist R Open Source und erobert momentan von der universitären Welt aus die professionelle Statistik.

R kann viel. Und Sie können viel mit R machen – wenn Sie wissen, wie es geht.

Willkommen in der R-Welt: Installieren Sie R und stöbern Sie in Ihrem gut bestückten Werkzeugkasten: Sie haben eine Konsole und eine grafische Benutzeroberfläche, unzählige vordefinierte Analyse- und Visualisierungsoperationen – und Pakete, Pakete, Pakete. Für quasi jeden statistischen Anwendungsbereich können Sie sich aus dem reichen Schatz der R-Community bedienen.

Sprechen Sie R! Sie müssen Syntax und Grammatik von R nicht lernen – wie im Auslandsurlaub kommen Sie auch hier gut mit ein paar aufgeschnappten Brocken aus. Aber es lohnt sich: Wenn Sie wissen, was es mit R-Objekten auf sich hat, wie Sie eigene Funktionen schreiben und Ihre eigenen Pakete schnüren, sind Sie bei der Analyse Ihrer Daten noch flexibler und effektiver.

Datenanalyse und Statistik in der Praxis: Anhand unzähliger Beispiele aus Medizin, Wirtschaft, Sport und Bioinformatik lernen Sie, wie Sie Daten aufbereiten, mithilfe der Grafikfunktionen des lattice-Pakets darstellen, statistische Tests durchführen und Modelle anpassen. Danach werden Ihnen Ihre Daten nichts mehr verheimlichen.

Su questo libro

L'autore

Joseph Adler has years of experience working with lots of popular data mining packages, including databases (including Oracle, PostgreSQL, and MS Access), statistical analysis tools (SAS, SPSS, S-Plus, and R), and data mining tools (SAS Enterprise Miner, Insightful Miner, Oracle Data Mining, Weka, and SPSS Clementine). He is currently leading a project at Verisign to pick a data mining package for enterprise deployment.

Contenuti

Vorwort; Warum ich dieses Buch geschrieben habe; Wann sollte man mit R arbeiten?; Die Lizenzbedingungen von R; Die Beispiele; Der Aufbau dieses Buchs; Die Konventionen in diesem Buch; Verwendung der Codebeispiele; Danksagungen; R-Grundlagen; Chapter 1: Beschaffung und Installation von R; 1.1 R-Versionen; 1.2 Gebrauchsfertige R-Distribution laden und installieren; Chapter 2: Die R-Benutzerschnittstelle; 2.1 Die grafische Benutzerschnittstelle von R; 2.2 Die R-Konsole; 2.3 Stapelverarbeitung; 2.4 Mit Microsoft Excel auf R zugreifen; 2.5 Andere Methoden, R auszuführen; Chapter 3: Kurzeinführung in R; 3.1 Einfache Operationen in R; 3.2 Funktionen; 3.3 Variablen; 3.4 Einführung in Datenstrukturen; 3.5 Objekte und Klassen; 3.6 Modelle und Formeln; 3.7 Diagramme und Grafiken; 3.8 Hilfe abrufen; Chapter 4: R-Pakete; 4.1 Überblick über Pakete; 4.2 Pakete in lokalen Bibliotheken auflisten; 4.3 Pakete laden; 4.4 Durchsuchen von Paket-Repositories; 4.5 Eigene Pakete; Die Programmiersprache R; Chapter 5: Überblick über die Programmiersprache R; 5.1 Ausdrücke; 5.2 Objekte; 5.3 Symbole; 5.4 Funktionen; 5.5 Objekte werden in Zuweisungen kopiert; 5.6 In R ist alles ein Objekt; 5.7 Spezielle Werte; 5.8 Typumwandlung; 5.9 Der R-Interpreter; 5.10 R-Sprachelemente inspizieren; Chapter 6: R-Syntax; 6.1 Konstanten; 6.2 Operatoren; 6.3 Ausdrücke; 6.4 Kontrollstrukturen; 6.5 Zugriff auf Datenstrukturen; 6.6 R-Codekonventionen; Chapter 7: R-Objekte; 7.1 Basisdatentypen; 7.2 Vektoren; 7.3 Listen; 7.4 Weitere Datentypen; 7.5 Attribute; Chapter 8: Symbole und Umgebungen; 8.1 Symbole; 8.2 Mit Umgebungen arbeiten; 8.3 Die globale Umgebung; 8.4 Umgebungen und Funktionen; 8.5 Ausnahmen; Chapter 9: Funktionen; 9.1 Funktionen deklarieren; 9.2 Argumente; 9.3 Rückgabewerte; 9.4 Funktionen als Argumente; 9.5 Benannte Argumente und Auswertungsreihenfolge; 9.6 Seiteneffekte; Chapter 10: Objektorientierte Programmierung; 10.1 Überblick über objektorientierte Programmierung in R; 10.2 Objektorientierte Programmierung in R: S4-Klassen; 10.3 OOP nach alter Schule in R: S3; Chapter 11: Hochperformantes R; 11.1 Interne Mathematikfunktionen benutzen; 11.2 Auswertungsumgebungen als Look-up-Tabellen; 11.3 Große Datensätze in einer Datenbank verwalten; 11.4 Speicher vorbelegen; 11.5 Arbeitsspeicher verwalten; 11.6 Funktionen für große Datensätze; 11.7 Paralleles Rechnen mit R; 11.8 Hochperformante R-Binaries; Daten aufbereiten und darstellen; Chapter 12: Daten speichern, laden und bearbeiten; 12.1 Dateneingabe in R; 12.2 R-Objekte speichern und laden; 12.3 Daten aus externen Dateien importieren; 12.4 Daten exportieren; 12.5 Daten aus Datenbanken importieren; Chapter 13: Datenaufbereitung; 13.1 Datensätze kombinieren; 13.2 Transformationen; 13.3 Klasseneinteilung; 13.4 Teilmengen; 13.5 Daten aggregieren; 13.6 Datenbereinigung; 13.7 Dubletten identifizieren und beseitigen; 13.8 Daten sortieren; Chapter 14: Grafik; 14.1 Überblick über Grafiken in R; 14.2 Grafik-Devices; 14.3 Grafiken anpassen; Chapter 15: Trellis-Grafik mit Lattice; 15.1 Geschichte; 15.2 Überblick über das lattice-Paket; 15.3 High-Level-Grafikfunktionen in Lattice; 15.4 Lattice-Grafiken anpassen; 15.5 Low-Level-Grafikfunktionen in Lattice; Statistik mit R; Chapter 16: Datenexploration; 16.1 Lage- und Streuungsmaße; 16.2 Korrelation und Kovarianz; 16.3 Hauptkomponentenanalyse; 16.4 Faktorenanalyse; 16.5 Bootstrap-Resampling; Chapter 17: Wahrscheinlichkeitsverteilungen; 17.1 Die Normalverteilung; 17.2 Argumente von Verteilungsfunktionen; 17.3 Wahrscheinlichkeitsverteilungsfamilien; Chapter 18: Statistische Testverfahren; 18.1 Parametrische Tests; 18.2 Verfahren für Rangdaten; 18.3 Verfahren für Häufigkeitsdaten; Chapter 19: Poweranalyse; 19.1 Beispiel: Planung einer Medikamentenstudie; 19.2 Planung eines t-Tests; 19.3 Planung eines Anteilstests; 19.4 Planung einer Varianzanalyse; Chapter 20: Regressionsmodelle; 20.1 Beispiel: Ein einfaches lineares Regressionsmodell; 20.2 Die klassische lineare Regression im Detail; 20.3 Prädiktorselektion und Schrumpfungsmethoden; 20.4 Regressionsverfahren für andere Modellannahmen; 20.5 Überlebensanalyse; 20.6 Glättungsverfahren; 20.7 Regression und maschinelles Lernen; Chapter 21: Klassifikationsmodelle; 21.1 Lineare Klassifikationsmodelle; 21.2 Klassifikation und maschinelles Lernen; Chapter 22: Maschinelles Lernen; 22.1 Warenkorbanalyse; 22.2 Verfahren der Clusteranalyse; Chapter 23: Zeitreihenanalyse; 23.1 Autokorrelationsmaße; 23.2 Zeitreihenmodelle; Chapter 24: Bioconductor; 24.1 Ein Beispiel; 24.2 Wichtige Bioconductor-Pakete; 24.3 Datenstrukturen; 24.4 Wie geht es weiter?; Funktionsreferenz; Das Paket base; Das Paket boot; Das Paket class; Das Paket cluster; Das Paket codetools; Das Paket foreign; Das Paket graphics; Das Paket grDevices; Das Paket grid; Das Paket KernSmooth; Das Paket lattice; Das Paket MASS; Das Paket Matrix; Das Paket methods; Das Paket mgcv; Das Paket nlme; Das Paket nnet; Das Paket rpart; Das Paket spatial; Das Paket splines; Das Paket stats; Das Paket stats4; Das Paket survival; Das Paket tcltk; Das Paket tools; Das Paket utils; Datensatzreferenz; Beispieldaten im Paket boot; Beispieldaten im Paket cluster; Beispieldaten im Paket datasets; Beispieldaten im Paket lattice; Beispieldaten im Paket MASS; Beispieldaten im Paket rpart; Beispieldaten im Paket survival; Literatur; Über den Autor; Über den Übersetzer; Kolophon;

Dettagli dell'edizione

• Lingua: Tedesco
• ISBN 10: 3897216493
• ISBN 13: 9783897216495
• Rilegatura: Copertina flessibile
• Numero di pagine: 768
• Contatto del produttore: non disponibile
• Persona responsabile: non disponibile