Programa del Curso
I. Introducción y preliminares
1. Descripción general
-
Hacer que R sea más amigable, R y las GUI disponibles
Rstudio
Software y documentación relacionados
R y estadísticas
Uso interactivo de R
Una sesión introductoria
Obtener ayuda con las funciones y características
Comandos R, distinción entre mayúsculas y minúsculas, etc.
Recuperación y corrección de comandos anteriores
Ejecución de comandos o desvío de salida a un archivo
Permanencia de datos y eliminación de objetos
GoPráctica de programación de OD: Scripts autónomos, buena legibilidad, por ejemplo, scripts estructurados, documentación, markdown
instalación de paquetes; CRAN y Bioconductor
2. Lectura de datos
-
Archivos Txt (read.delim)
Archivos CSV
3. Manipulaciones simples; Números y vectores + matrices
-
Vectores y asignación
Aritmética vectorial
Generación de secuencias regulares
Vectores lógicos
Valores faltantes
Vectores de caracteres
Vectores índice; Selección y modificación de subconjuntos de un conjunto de datos
Matrices
Listas Construcción y modificación de listas Concatenación de listas
-
Marcos de datos
Creación de marcos de datos
6. Más información sobre la lectura de datos
-
Archivos XLS, XLSX
Paquetes readr y readxl
SPSS, SAS, Stata,... y otros formatos de datos
Exportación de datos a txt, csv y otros formatos
6. Agrupación, bucles y ejecución condicional
-
Expresiones agrupadas
Instrucciones de control
Ejecución condicional: sentencias if
Ejecución repetitiva: para bucles, repetir y while
Introducción a Apply, Lapply, Sapply, Tapply
7. Funciones
-
Creación de funciones
Argumentos opcionales y valores predeterminados
Número variable de argumentos
Ámbito de aplicación y sus consecuencias
8. Gráficos simples en R
-
Creación de un gráfico
Gráficos de densidad
Diagramas de puntos
Diagramas de barras
Gráficos de líneas
Gráficos circulares
Diagramas de caja
Diagramas de dispersión
Combinación de parcelas
II. Análisis estadístico en R
-
1. Distribuciones de probabilidad
R como un conjunto de tablas estadísticas Examinar la distribución de un conjunto de datos
2. Comprobación de hipótesis
-
Pruebas sobre una media poblacional
Prueba de razón de verosimilitud
Pruebas de una y dos muestras
Prueba de ajuste de Chi-cuadrado Goodness of fit
Estadístico de una muestra de Kolmogorov-Smirnov
Prueba de rango firmado de Wilcoxon
Prueba de dos muestras
Prueba de suma de rangos de Wilcoxon
Prueba de Mann-Whitney
Prueba de Kolmogorov-Smirnov
3. Comprobación múltiple de hipótesis
-
Error de tipo I y FDR
Curvas ROC y AUC
Múltiples procedimientos de prueba (BH, Bonferroni, etc.)
4. Modelos de regresión lineal
-
Funciones genéricas para extraer información del modelo
Actualización de modelos ajustados
Modelos lineales generalizados
Familias
La función glm()
Clasificación Regresión logística
-
Análisis discriminante lineal
III. Problemas trabajados en bioinformática
-
Breve introducción al paquete limma
Flujo de trabajo de análisis de datos de microarrays
Descarga de datos de GEO: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE1397
Procesamiento de datos (control de calidad, normalización, expresión diferencial)
Parcela volcánica
Ejemplos de custering + mapas de calor
Testimonios (8)
The pace was just right and the relaxed atmosphere made candidates feel at ease to ask questions.
Rhian Hughes - Public Health Wales NHS Trust
Curso - Introduction to Data Visualization with Tidyverse and R
El contenido, ya que me pareció muy interesante y creo que me ayudaría en mi último año en la Universidad.
Krishan - NBrown Group
Curso - From Data to Decision with Big Data and Predictive Analytics
Traducción Automática
very tailored to needs
Yashan Wang
Curso - Data Mining with R
The trainer was so knowledgeable and included areas I was interested in
Mohamed Salama
Curso - Data Mining & Machine Learning with R
Good real world examples, reviews of existing reports
Ronald Parrish
Curso - Data Visualization
Intensity, Training materials and expertise, Clarity, Excellent communication with Alessandra
Marija Hornis Dmitrovic - Marija Hornis
Curso - Data Science for Big Data Analytics
I learned a lot - not only in theoretical knowledge but I also applied that knowledge during the training and therefore I really understood what process mining is and how it works. Thanks a lot!
Julia Dörre - Techniker Krankenkasse
Curso - Process Mining
how the trainor shows his knowledge in the subject he's teachign