![商学院banner图](../wl_upload/pic/1542338324.jpg)
数据时代比以往任何时候都更大,而且像混乱一样复杂 - 需要统计学家和其他数据科学家的新技能。
我们必须发现隐藏在矩阵和数组中数字背后的模式。我们不怕编码、重新编码、编程或建模。我们想要可视化、分析、解释、理解和交流。这些是开放数据科学(Open Data - Open Science - Data Science)的核心主题。这门课程是学习这些技能的课程。
一般学习目标:
完成本课程后,您将了解使用具有开放数据的开放研究工具的原则和优势,并了解可重复研究的可能性。您将了解如何使用 R、RStudio、R Markdown 和 GitHub 来完成这些任务,并了解如何更多地了解这些开放软件工具。您还将知道如何应用数据科学的某些统计方法,即数据驱动的统计。
完成课程
每个星期练习使用DataCamp,RStudio和GitHub上完成。课程成绩包括来自 RStudio 练习(每周)的分数。
DataCamp练习完成的DataCamp学习平台上。RStudio 练习在您自己的计算机上完成,移动到网络 (GitHub),然后在 MOOC 平台上提交和同行评审。
有关 MOOC 平台的更多详细信息(将于 11 月初开放)。
材料
对于预科课程的信息,请找到IASE2019,吉隆坡,马来西亚(2019年8月)附上了我的演示幻灯片。
附加信息
本课程的名称是指三大主题:1) 开放数据,2) 开放科学,和 3) 数据科学。这些主题简要概括如下:
1) 开放数据
有越来越多的开放数据集可用。利用和共享数据是所有领域研究人员的一项基本技能。在本课程中,我们使用来自不同来源的开放数据集,并学习为不同的分析准备它们。您将探索、分析和解释来自现实世界应用程序的数据。
2) 开放科学
科学因开放而蓬勃发展。重复或再现结果是任何科学分支的共同目标,但并不总是那么容易或简单。共享数据不足以实现可重复性。还需要的是使用公开可用的软件工具和方法以及共享您的代码和结果。您将在本课程中使用最先进的工具学习这些技能。
3) 数据科学
数据科学是数据驱动的统计学世界的名称。如今,查找或收集数据已不是问题。相反,挑战在于提取知识和发现数据背后的模式。它需要编码、编程和建模以及可视化和分析的技能。您将在本课程中面对所有这些主题。
我们对这门课程感到非常兴奋!所以来吧!我们将一起引导您完成这些主题。
课程内容:
1 开放和可重复研究的工具和方法
R、RStudio、Rmarkdown、GitHub
2 回归和模型验证
3 逻辑回归
4 聚类和分类
判别分析 (DA)
K 均值聚类 (KMC)
5降维技术
主成分分析 (PCA)
多重对应分析 (MCA)
6 纵向数据分析
图形显示和汇总测量
线性混合效应模型