R-Akademie I Aus Daten Wissen machen

Transkript

1 I Aus Daten Wissen machen

2 Über die eoda R-Akademie Die R-Akademie von eoda ist seit 2011 das modulare Trainingsprogramm für R, das praxisorientiert und umfassend die vielfältigen Möglichkeiten der Statistiksprache behandelt. Mit dem R- Training von eoda stellen Sie sicher, dass Sie die richtigen Kenntnisse erwerben, um den maximalen Nutzen in der Anwendung von R zu erzielen. Unsere R-Trainings für Unternehmen, Universitäten und Graduiertenzentren werden regelmäßig evaluiert und als sehr gut bewertet. Über zufriedene Teilnehmer sprechen für die Qualität der Statistik-Schulungen von eoda. Was wir bieten Kurse in Kleingruppen bis maximal 8 Teilnehmer Hohe Praxisorientierung durch erfahrene Trainer aus der Praxis Ausreichend Übungsphasen, in denen das Gelernte direkt umgesetzt werden kann Hochwertige Kursmaterialien und einheitliche Übungsdatensätze Überprüfung der Lernziele Optionaler R-Support im Anschluss an die R-Akademie Schulungen Über R R ist eine der besten Alternativen zur Analyse und Visualisierung von Daten, Data Mining und Business Intelligence. Gleichzeitig ist R eine objektorientierte Programmiersprache zur statistischen Datenanalyse. R ist enorm leistungsfähig und im Vergleich zu den großen kommerziellen Softwarepaketen zur Datenanalyse extrem flexibel. R ist Open Source und wird vor allem von einer weltweiten Entwicklergemeinde im wissenschaftlichen Umfeld weiterentwickelt. Allein dadurch setzt R einen nie erreichten Maßstab an Funktionalität, Qualität und Aktualität. Das Involvement der wissenschaftlichen Community in Verbindung mit dem zunehmenden Engagement großer Unternehmen wie IBM, SAS und Revolution Analytics schafft eine hohe Investitionssicherheit für die Nutzer von R. Die Programmiersprache bietet eine Funktionsvielfalt weit über die Anwendungen der klassischen Statistik hinaus. R entwickelt sich gerade zur plattformübergreifenden Lingua franca für Datenanalysten. Mittlerweile stehen allein auf CRAN über Erweiterungspakete für R zur Verfügung, welche die Analyse von Daten in allen denkbaren Formen unterstützen.

3 Das Kursangebot der eoda R-Akademie Wählen Sie Ihren Kurs R-Experte Text Mining Big Data und Hadoop R im produktiven Unternehmensumfeld Paketerstellung Data Mining Interaktive Grafiken Werbewirkungsanalyse Survivalanalyse Zeitreihenanalyse Qualitätsmanagement mit R Reporting mit R Programmieren mit R Grafikerstellung mit R Multivariate Statistik I Multivariate Statistik II Datenmanagement Einführung in R

4 Einführung in R R ist eine der besten Alternativen zur Analyse und Visualisierung von Daten, Data Mining und Business Intelligence. R setzt einen nie erreichten Maßstab an Funktionalität, Qualität und Aktualität. Der Kurs versteht sich als Einführung in R und seine Grundfunktionalitäten und soll den Teilnehmern mit praktischen Tipps und Übungen den Einstieg in R erleichtern. Dieser Grundkurs soll R-Einsteigern ohne tiefergehende Vorkenntnisse als Ausgangspunkt für den weitergehenden Einsatz von R in ihren individuellen Anwendungsszenarien dienen. Einstieg in R Das Programm R, CRAN-Mirror, verschiedene Umgebungen/Editoren von R, Nutzung der internen Hilfe-Funktionen, Hilfen im Internet Konzept und Philosophie von R Die Programmiersprache, Objekte und Objektorientierung, Wertezuweisung, Funktionen Variablentypen und ihre Eigenschaften Vektoren, Dataframes, Listen, Einlesen von Daten.txt-,.csv-,.xls-,.sav-Dateien, Internetquellen etc. Datenmanagement Bildung neuer Variablen, bedingtes Umkodieren, einfache Berechnungen, fehlende Werte Auswertungen mit R Statistische Kennzahlen, einfache Tabellen und Grafiken Erstellen grundlegender Grafiken 9. bis 10. Februar 2015 I 8. bis 9. September 2015

5 Zeitreihenanalyse mit R Für die Analyse von Zeitreihendaten stehen eine Reihe spezieller Analyseverfahren zur Verfügung. So lassen sich beispielsweise Zeitreihendaten in die Zukunft fortschreiben und die Konsequenzen unterschiedlicher Zukunfts-Szenarien schätzen. Weitere Anwendungsfälle sind die Berechnung der Wahrscheinlichkeit, dass ein Ereignis (z.b. der Ausfall eines Bauteils, die Bestellung eines Produkts etc.) in einer gegebenen Zeitspanne eintritt oder die Extraktion saisonaler Effekte in einem Prognosemodell. Neben den unten aufgeführten Aspekten werden im Kurs die Besonderheiten von Zeitreihendaten in klassischen Analysekontexten thematisiert. Einführung in Zeitreihenverfahren Grundlagen, Saisonalität, Erstellen von Zeitreihenobjekten Visualisieren von Zeitreihen Dekomposition Trend-, Saisonal- und Zufallseffekte; Berechnung saisonbereinigter Werte Testverfahren Stationarität und Autokorrelation Exponentielles Glätten Modellierung nach Holt-Winters, ETS und STL ARIMA Modelle Herstellen von Stationarität über Differenzierung; Festlegung der AR- und MA-Terme; Modellerstellung Forecasting Saisonale und nicht-saisonale Modelle; Ausreißerbehandlung Einführung in die Eventhistory-Analyse Grundlagen, Erstellung von Survival Objekten Kaplan Meier Modell Kumulativie Hazardkurven; Log-Rank Test Cox-Regression Modellerstellung; Modellprüfung; Interpretation der Koeffizienten 16. bis 17. Februar und 14. bis 15. September 2015

6 Zeitreihenanalyse mit R II - Survivalanalyse Mit Survival-Modellen wird geschätzt, wie viel Zeit vergeht, bis ein bestimmtes Ereignis eintritt. Die Prognose von Maschinenausfällen und Krankheitsverläufen sind zwei mögliche Anwendungsgebiete. Die Anwendung der Survival-Analyse Verfahren wird anhand von praxisnahen Beispielen erlernt. Ziel des Kurses ist es, die Teilnehmer in die Lage zu versetzen, das Gelernte selbständig auf ihre jeweiligen Anwendungszwecke zugeschnitten anzuwenden. Für eine optimale Wissensgrundlage wird der Besuch des R-Akademie Kurses Zeitreihenanalyse mit R I empfohlen. Einführung in die Grundbegriffe der Survival-Analyse Episoden & Zensierung, Survivor-Funktion, Hazard-Rate Einführung in die Survival-Analyse in R Das Paket survival Kaplan-Meier-Schätzer Grundlagen, Visualisierung, Tabellierung, Gruppenvergleiche, Signifikanztests Cox-Proportional-Hazards-Modell Voraussetzungen und Annahmen, Modellaufbau, Die Funktion coxph(), Das ties-argument, Effektinterpretation Zeitveränderliche Variablen & Episoden-Splitting Die Funktion survsplit () Cox Regression Umsetzung in R, Modellvergleiche, Likelihood-Ratio-Test, Informationskriterien (BIC / AIC), Schätzwerte 18. Februar 2015

7 Grafikerstellung mit R R bietet umfangreiche Möglichkeiten zur Erzeugung publikationsreifer Grafiken zur ansprechenden Visualisierung der Ergebnisse von Analysen. Neben den Standardgrafiken von R werden in diesem Kurs auch spezielle Grafikpakete wie ggplot2, grid etc. und deren Grammatik behandelt. Es wird umfangreich auf die vielen Einstellungsmöglichkeiten und Grafikoptionen eingegangen, so dass die Kursteilnehmer in der Lage sein werden individualisierte Grafiken zu erstellen. Daneben werden die Exportmöglichkeiten (Devices) erläutert und es wird gezeigt, wie Sie Geodaten mit Hilfe von R visualisieren können. Ergänzend zu "Grafikerstellung mit R" empfehlen wir Ihnen unseren Kurs "Interaktive Grafiken mit R". Grafik Pakete base, grid, ggplot2, lattice, plot ggplot Data, Mapping Low-Level Grafik Elemente Pfeile, Achsen, Legenden, Gitter, Überschriften Layer Komponenten Geoms, Stats, Coord, Facet, Opts High-Level Grafik Elemente Balkendiagramm, Punktdiagramm, Tortendiagramm, Mosaikdiagramm, Histogramme, Dichtediagramme, Scatterplots 27. bis 28. April 2015 I 12. und 13. Oktober 2015

8 Interaktive Grafiken mit R Interaktive Grafiken sind ein flexibler und effizienter Weg um Daten zu analysieren und um Analyseergebnisse zu präsentieren. Interaktive grafische Anwendungen bieten Abfragen, Selektionen, Highlighting oder die Modifikation von Grafikparametern. Im Umfeld von R gibt es verschiedene Konzepte, die die Erstellung von interaktiven Grafiken und Anwendungen direkt aus R heraus möglich machen. Erwähnt seien hier ggvis, rcharts oder shiny mit denen sich R-Analysen einfach in Web-Applikationen umsetzen lassen. Der Kurs gibt einen ersten Überblick über die Erstellung interaktiver Grafiken mit R und liefert das Rüstzeug, um selbst interaktive Visualisierungen in R zu realisieren. ggvis ggvis ist die konsequente Weiterentwicklung des beliebten Grafik Pakets ggplot2 und erweitert dessen Funktionalitäten um interaktive Effekte. rcharts rcharts bietet eine Anbindung aus R an beliebte Javascript Grafik Bibliotheken, darunter NVD3 und Highcharts. shiny shiny ist ein Framework das Datenanalysten ohne tiefergehende Programmierkenntnisse die Entwicklung von eigenen Webapplikationen ermöglicht. 26. November 2014 I 29. bis 30. April 2015 I 14. und 15. Oktober 2015

9 Data Mining mit R Data Mining steht für das hypothesenfreie Extrahieren von Erkenntnissen aus Daten. Statistische und mathematische Verfahren werden auf Datenbestände angewendet, um bestehende Muster und Zusammenhänge aufzudecken. Data Mining Verfahren stellen i.d.r. geringe Anforderungen an das Messniveau der Daten (kategorial, ordinal, metrisch) und sind in der Lage komplexe nicht-lineare Zusammenhänge zu erkennen. Konkrete Anwendung findet Data Mining beispielsweise bei der Erstellung von Prognose-Modellen, in der Zielgruppenanalyse, der Warenkorbanalyse, für Empfehlungsdienste und vielem mehr. Einführung in das Data Mining Modell-Evaluation Modellauswahl und Datenbasis, Fehlermatrix, Risk-Charts, ROC, Sensitivität, Präzision, Lift, Prognose und Beobachtung Explorative Analyse tabellarische Analyse, visuelle Analyse (metrisch, kategorial), Korrelationsanalyse, Missing-Values Korrelation Assoziationsanalyse Support, Konfidenz, Lift, Interpretation Decision- und Regressiontrees Algorithmus, Interpretation, grafische Interpretation Neuronale Netze Theorie, Lernprozess im KNN, nnet Random Forest Theorie, Interpretation, erweiterte Optionen, Conditional inference trees 17. bis 18. März 2015 I 9. bis 10. Oktober 2015

10 Multivariate Statistik mit R Der Kurs zu Multivariaten Analyseverfahren soll die Teilnehmer in die Lage versetzen vorhanden Datensätze auf statistische Gesetzmäßigkeiten zu analysieren und die Ergebnisse zu interpretieren. Im Mittelpunkt des Kurses stehen dabei die Regressions-, die Faktoren- und die Clusteranalyse. Clusteranalyse: Ausgangspunkt und Theorie Tanimoto- bzw. Jaccard-Koeffizeint, Russel & Rao-Koeffizient, M-Koeffizient Unterschiedliche Abstandsmaße City-Block Metrik, Quadierte euklidische Distanz, Single-Linkage Verfahren, Complete Linkage-Verfahren, Ward Methode Interpretation Visualisierung Grafiken, Dendrogramme Faktorenanalyse: Ausgangspunkt und Theorie der Faktorenanalyse Hauptkomponentenanalyse vs. Hauptsachenanalyse Eignungsprüfung Kaiser-Meyer-Olkin-Kriterium, Anti-Image Korrelationskriterium, Kommunalitäten Anzahl der Faktoren Screeplot, Eigenwertkriterien, Anteil der erklärten Varianz Anzahl der zu extrahierenden Dimensionen Regressionsanalyse: Modell und Ausgangspunkt Grundannahmen, nötige Voraussetzungen Interpretation und Güte Bestimmtheitsmaß R², F Statistik, Signifikanzniveaus Mögliche Probleme Heteroskedastizität, Autokorrelation, Multikollinearität 20. bis 21. April 2015 I 7. bis 8. Oktober 2015

11 Multivariate Statistik mit R II Innerhalb Kursprogramms werden essentielle Methoden im Umgang mit multivariaten Daten besprochen. Dabei richtet sich der Fokus zunächst auf Problemstellungen, mit denen sich (nahezu) jedes Analyseprojekt konfrontiert sieht: - Wie soll mit fehlenden Daten verfahren werden? - Lassen sich Ausreißer identifizieren? - Auf welche Weise lassen sich Fallgewichtungen an die Daten hängen? Neben diesen pre-analytischen Methoden werden folgende Verfahren der Multivariaten Statistik besprochen: Konfirmatorische Faktorenanalyse Multi Dimensionale Skalierung Shapley Value Regression Diskriminanzanalyse Bootstrapping 22. April 2015

12 Big Data und Hadoop mit R Vielfältige Initiativen haben verschiedene Konzepte zum Umgang mit großen Datenmengen in R hervorgebracht. Der Kurs "Big Data und Hadoop mit R" gibt einen Überblick über diese Konzepte und zentrale R-Pakete zum Thema Big Data. Zudem werden Vorgehensweisen und Strategien vorgestellt, die sich sowohl mit effizientem Daten- und Speichermanagement in R, als auch mit Datenbankanbindung und Parallelisierung beschäftigen. Der zweite Teil der Schulung umfasst das Thema Hadoop mit R. Daten in verteilten Systeme wie Hadoop-Clustern erfordern im Vergleich zu nicht verteilt vorliegenden Daten andere Verfahren zur Analyse der Daten wie beispielsweise MapReduce. Das Prinzip von MapReduce besteht darin, den Analyseprozess auf die Hadoop-Cluster zu verteilen (Mapping-Phase) und die Ergebnisse der Teilanalysen anschließend zusammenzuführen (Reduce- Phase). Statt wie bei herkömmlichen Techniken die gesamte Datenmenge en bloc zu analysieren, führt der MapReduce Ansatz die Analyse in kleinen Blöcken durch. Auf diese Art lassen sich auch komplexere Such-, Vergleichs- und Analyseoperationen parallelisieren und dadurch schneller berechnen. Der Kurs vermittelt die Entwicklung von R-skripten für MapReduce Jobs an konkreten Beispielen unter Verwendung der R-Pakete rhdfs und rmr. Die Verwendung von Programmierelementen wird anhand von praxisnahen Beispielen erlernt. Ziel des Kurses ist es, die Teilnehmer in die Lage zu versetzen, das Gelernte selbständig auf ihre jeweiligen Anwendungszwecke im Umfeld von Big Data anzuwenden. C++ Integration von R Konzepte zur Daten-Auslagerung out of memory Parallelisierung Memory Management & Profiling MapReduce 11. März 2015 I 9. Oktober 2015

13 Text Mining mit R Als Disziplin des Data Mining umfasst Text Mining Algorithmus basierte Analyseverfahren zur Entdeckung von Strukturen und Informationen aus Texten mit statistischen und linguistischen Mitteln. Ein Anwendungsfeld ist beispielsweise das Web Mining, wodurch sich Trends und Kundenbedürfnisse auf Webseiten und Social Media Plattformen ermitteln lassen. Text Mining wird auch eingesetzt, um Preisentwicklungen oder Börsenkurse anhand der Nachrichtenlage zu prognostizieren. Der Kurs konzentriert sich auf die Anwendung der Pakete tm, RTextTools und OpenNLP und behandelt die folgenden Inhalte. Überblick über Text Mining mit R Einlesen von unstrukturierten Daten, Web Scraping Strukturieren der Texte (Pruning, Tokenisierung, Sentence Splitting, Stoppwortliste, Normalisierung, Stemming, Lemmatisierer,N-Gramme) Einfache Inhaltsanalysen und Assoziationsanalysen Klassifikation von Dokumenten mit unterschiedlichen Verfahren (Support Vector Machines, Generalized Linear Model, Maximum Entropy, Supervised latent Dirichlet allocation, Boosting, Bootstrap aggregating, Random Forrests, Neural Networks, Regression Tree) 11. bis 12. November 2015

14 Werbewirkungsanalyse mit R Die Beurteilung von Werbemitteleinsatz und dessen Effizienz stellt nach wie vor eine der großen Herausforderungen des Marketings dar. Mit Hilfe von Webtracking und Webanalytics kann eine solche Diagnose anhand evidenzbasierter Datenanalyse erfolgen. Der Kurs Werbewirkungsanalyse mit R richtet seinen Fokus auf die Analyse von Informationen aus dem Webtracking. Vermittelt werden dazu elementare Techniken aus dem Methodenset der Regressionsmodellierung. Zielvariablen bilden bspw. Klickraten und Suchmaschinenanfragen, die durch den Werbedruck (GRP / Gross Rating Point) unter Berücksichtigung von zeitbasierten Einflussfaktoren (Tageszeit, Wochentage etc.) erklärt werden. Darüber hinaus liegt ein weiterer Schwerpunkt des Kurses auf der Analyse zeitverzögerter Werbeeffekte mit Hilfe von Distributed Lag Models. Wie können Werbeffekte quantifiziert werden? Wie stark erklärt der Einsatz von Werbemitteln Kennziffern von Webanalytics? Interagieren zeitliche Effekte mit der Werbewirkung? Wie werden zeitverzögerte Modelle erstellt und interpretiert? Welche zeitliche Verzögerung ist beim Werbemitteleinsatz zu erwarten? 16. September 2015

15 Angewandte Statistik im Qualitätsmanagement mit R Vor dem Hintergrund immer dynamischer werdender Produktionsabläufe und Prozesse gewinnen statistische Verfahren im Qualitätsmanagement stetig an Bedeutung. Methodisches Know-how gepaart mit einer leistungsstarken Software sind die Treiber für deren erfolgreiche Anwendung. Die Veranstaltung richtet ihren Fokus zunächst auf die Vermittlung von Grundlagen im Umgang mit der statistischen Programmiersprache R. Im Anschluss daran werden die für das Qualitätsmanagement wichtigsten statistischen Methoden eingeführt und direkt in R umgesetzt. Die Auswahl der Verfahren erfolgt anhand praxisrelevanter Kennzahlen im QM und von Managementsystemen wie Six Sigma und TQM. Neben den Kennwerten der deskriptiven Statistik werden ausgewählte Visualisierungstechniken der statistischen Daten vorgestellt. Statistisches Testen und Prüfplanentwicklung (unter Berücksichtigung der AQL- Normwerttabellierungen nach ISO 2859 und DIN ISO 3951) bilden weitere Kursschwerpunkte. Die Methoden werden innerhalb des Trainings theoretisch eingeführt und anschließend anhand von praxisnahen Beispielen in R umgesetzt Einstieg in R / Konzept und Philosophie von R Variablen und ihre Eigenschaften / Datenmanagement Deskriptive Statistiken unter Einbezug statistischer Kennzahlen des QM wie Cp, Cpk, PPM Tabellierung von Daten Visualisierungstechniken Antworten auf zentrale Fragen der Inferenzstatistik im QM 2. bis 4. Dezember bis 13. Mai 2015

16 Programmieren mit R Die Verbindung aus den umfassenden Statistik Bibliotheken und etablierten Programmierkonzepten macht R zu einer mächtigen Programmiersprache für alle Aufgaben im Umfeld von Data Mining, Predictive Analytics und vieles mehr. Durch die Verwendung von Statistik- und Grafikfunktionen mit Programmierelementen können regelmäßig wiederkehrende Skripteile elegant und effizient automatisiert werden. Die Verwendung von Programmierelementen wird anhand von praxisnahen Beispielen erlernt. Ziel des Kurses ist es, die Teilnehmer in die Lage zu versetzen, das Gelernte selbständig auf ihre jeweiligen Anwendungszwecke zugeschnitten anzuwenden. Schleifen und Steuerungselemente/ Bedingte Anweisungen Vektorwertiges Programmieren Split-Apply-Combine Approach Eigene Funktionen definieren Environments und Scoping Objektorientierte Programmierung / R-Klassensysteme Exceptions / Error Handling Profilling und Debugging 11. bis 12. Februar 2015 I 17. bis 18. September 2015

17 Datenmanagement mit R Um Daten effizient analysieren zu können, müssen sich die Daten in einem für die jeweilige Analyseform passenden Format befinden. In der Praxis ist es die Regel, dass der Großteil des Aufwandes für den Analyseprozess auf die Aufbereitung der Rohdaten entfällt. Im Kurs Datamanagement mit R werden effiziente Methoden zur Aufbereitung von unterschiedlich strukturierten Daten anhand praxisnaher Beispiele erlernt. Dabei konzentriert sich der Kurs neben den Grundfunktionalitäten von R im Wesentlichen auf die Verwendung der bewährten R-Pakete plyr/dplyr und tidyr (reshape). Ziel des Kurses ist es, die Teilnehmer in die Lage zu versetzen, das Gelernte selbständig auf ihre jeweiligen Anwendungszwecke zugeschnitten anzuwenden. Einfache-, bedingte- und komplexe Rekodierung von Variablen Datenaggregation Bilden und analysieren von Subsets und Datengruppen Gruppenweise Datenoperationen (split-apply-combine) Zusammenführen und sortieren von Daten Datentransformationen (wide vs. long format) Vergleichen von Daten Duplikate identifizieren und entfernen 16. März 2015 I 10. September 2015

18 Paketerstellung in R Ein wichtiger Bestandteil von R sind Pakete. Der enorme Funktionsumfang von R liegt vor allem in der kontinuierlichen Entwicklung von Paketen aus der Community begründet. Um die Arbeit mit R auf ein noch höheres Niveau zu heben besteht für Anwender die Möglichkeit Pakete selbst zu erstellen. Das individuelle Zusammenführen von selbst erstellten Funktionen zu Paketen erhöht nachhaltig die Effizienz und die Reproduzierbarkeit der eigenen Analysen. Insbesondere für den Einsatz von R im produktiven Unternehmensumfeld erleichtern selbsterstellte Pakete die Arbeitsprozesse mit R entscheidend. Unkompliziert und einfach haben Sie das Methodenset, dass optimal zu Ihren Anforderungen passt immer verfügbar und können es auch anderen Unternehmensmitgliedern zur Verfügung stellen. Paketaufbau Veröffentlichung von Paketen Paketdokumentation Namespaces und Paketabhängigkeiten Testing Zudem besteht die Möglichkeit Pakete zu veröffentlichen und Sie damit der R-Community zugänglich zu machen wertvoller Austausch und konstruktive Kritik inklusive. Der Kurs Paketerstellung mit R, erklärt wie man einfach und unkompliziert von einer losen Funktionssammlung zu einem veröffentlichungsfähigen Paket gelangt. 13. Februar 2015

19 R im produktiven Unternehmensumfeld Der Einsatz von R in Produktivumgebungen stellt besondere Anforderungen hinsichtlich Reproduzierbarkeit, Kompatibilität, Zusammenarbeit in Teams, Last-Verteilung und Rechtemanagement. R- Skripte sollten jederzeit reproduzierbare Ergebnisse erzeugen, auch wenn zwischenzeitlich Updates an Paketen, R selbst oder dem Environment in dem R läuft durchgeführt wurden. Die Überarbeitungen von R-Skripten durch verschiedene Mitarbeiter sollten mit Hilfe von Versionierungssoftware gemanagt werden. Zudem kann mit automatisierten Tests sichergestellt werden, dass Veränderungen in einem Skript keine Nebenfolgen für andere Skripte haben. Schließlich ist die Server/Client Architektur ein zentraler Bestandteil produktiver R- Environments, weil sich so Zugriffsrechte und Rechenleistung besser steuern lassen. Der zweitägige Kurs vermittelt die zentralen Aspekte einer auf den Produktiveinsatz ausgelegten R-Umgebung mit vielen praxisnahe Beispielen. Updates von Paketen und R selbst Arbeiten in einem geschlossenen Environment Testing Versionierung und Kollaboration Dokumentation und Paketerstellung R in Server/Client-Architektur 12. bis 13. März 2015 I 16. bis 17. November 2015

20 Reporting mit R Bei der Analyse statistischer Daten entstehen Berichte mit verschiedensten Elementen wie Text, Daten, Formeln, Tabellen und Grafiken. Durch Schnittstellen zwischen R und Latex/html können die verschiedenen Inhalte aus R heraus zusammengebracht und publikationsreif ausgegeben werden. Zudem ermöglicht es R, die Berichte dynamisch an neue Daten anpassen. Bei der unter dem Begriff Reproducible Research bekannten Methode werden die Berichtselemente aktualisiert, ohne manuelle Anpassungen vorzunehmen. Nach dem Kurs sollen die Teilnehmer in der Lage sein, individuelle und automatisierte Reports zu erstellen. Anhand von theoretischen Einführungen, konkreten Fällen und praktischen Übungen werden die beschriebenen Inhalte verständlich vermittelt. Die Benutzeroberfläche R-Studio Die Pakete Sweave und knitr Kurzeinführungen in Latex, Markdown und HTML Formatieren der R-Ausgaben mit Chunk-Optionen Anfertigen von statischen Reportvorlagen in verschiedenen Ausgabeformaten wie pdf und html Dynamische Berichte und automatisierte Anpassungen 19. Februar 2015 I 11. September 2015

21 Preis / Ort Die Kursgebühren belaufen sich auf 490,- pro Person/Tag zzgl. MwSt. Frühbucher und Hochschulmitglieder erhalten attraktive Sonderkonditionen. In den Kosten sind Getränke und Snacks inbegriffen. Die Kurse finden in unseren Schulungsräumen in Kassel statt. Es besteht sowohl eine gute Anbindung mit dem Auto als auch mit öffentlichen Verkehrsmitteln. Anmeldung Das Anmeldeformular und weitere Informationen finden Sie unter eoda Wir bei eoda haben eine Leidenschaft für Daten und Analysen. Wir sind Data Scientists, Softwareentwickler, Unternehmensberater und Schulungsanbieter. Auf der Basis reichhaltiger Erfahrung in Data Science und unter der Verwendung modernster Technologien generieren wir strategische Wettbewerbsvorteile aus Daten. Vor neuen Herausforderungen und individuellen Anliegen schrecken wir nicht zurück. Mit unseren agilen Vorgehen, bewährten statistischen und analytischen Verfahren und erprobten Technologien sind wir bereit für neue und spannende Aufgaben sprechen Sie uns an. eoda GmbH Universitätsplatz Kassel Tel. +49 (0) Fax. +49 (0) info@eoda.de