Подборка бесплатных и платных обучающих онлайн-курсов по языку программирования R для начинающих с нуля и продвинутых.

1 место. Курс «Язык R для анализа данных» — Skillbox

https://skillbox.ru/course/r-analysis/

Стоимость: Рассрочка на 6 месяцев — 7 177 ₽ / мес

• Длительность — 4 месяца
• Онлайн в удобное время
• Обучение на практике
• Доступ к курсу навсегда.

Кому подойдёт этот курс:

• Аналитикам и исследователям без опыта программирования на R
  Научитесь программировать на R с нуля и автоматизируете свою работу. Сможете решать более сложные задачи и повысите свою ценность на рынке.
• Аналитикам и исследователям, которые используют R в работе
  Систематизируете знания и изучите продвинутые функции R. Сможете тратить меньше времени на ежедневные рутинные задачи.
• Тем, кто хочет работать в аналитике
  Освоите популярный инструмент для работы с данными и научитесь обрабатывать информацию с помощью языка R.
  Сделаете шаг к карьере в аналитике и обойдёте конкурентов уже на старте.

Чему вы научитесь:

• Обрабатывать данные базовыми средствами R и с помощью библиотеки tidyverse
• Выполнять разведывательный анализ данных в R
• Создавать интерактивные графики с помощью библиотеки Plotly
• Визуализировать данные с помощью библиотеки ggplot2
• Анализировать линейные регрессионные модели и представлять результаты
• Создавать интерактивные аналитические панели с помощью библиотеки Shiny.

Содержание курса:

Онлайн-лекции и практические задания с подробным разбором.
17 тематических модулей, 72 онлайн-урока

Язык программирования R

1. Знакомство с языком R и базовые операции
   Установите R и RStudio — среду для разработки на R — и познакомитесь с её интерфейсом. Узнаете, как создавать файлы R и Rmarkdown, начнёте изучать синтаксис языка и познакомитесь с понятием вектора в R.
2. Типы и структуры данных
   Изучите типы данных в R и научитесь преобразовывать данные из одного типа в другой. Разберёте структуры данных в R: векторы, матрицы, датафреймы и списки. Узнаете, как с ними работать.
3. Управляющие конструкции
   Научитесь использовать условную конструкцию if-else, проверять условия, работать с циклами и функциями.

Обработка данных. Библиотека tidyverse

4. Чтение и запись файлов в R
   Узнаете, как работать с файлами в рабочей папке, читать и записывать файлы форматов csv, txt и Excel.
5. Обработка данных базовыми средствами R
   Научитесь использовать датафреймы и работать с данными с помощью базовых средств R. Узнаете, как выводить описание датафрейма, работать со строками и столбцами.
6. Обработка данных с библиотекой tidyverse: часть 1
   Познакомитесь с библиотекой tidyverse и её возможностями. Разберёте особенности синтаксиса tidyverse и изучите работу с разными функциями. Узнаете, как группировать и агрегировать данные, выгружать сводную информацию с помощью библиотеки stargazer.
7. Обработка данных с библиотекой tidyverse: часть 2
   Научитесь трансформировать структуру данных и объединять таблицы.
8. Работа с пропущенными значениями в R
   Научитесь выполнять поиск и подсчёт пропущенных значений и искать в них закономерности. Поймёте, как визуализировать пропущенные значения с помощью библиотек mice и VIM и заполнять пропуски средствами tidyverse.
9. Работа с порядковыми и категориальными данными в R
   Изучите шкалы данных: числовую, порядковую и категориальную. Разберёте особенности факторных данных в R и операции с ними. Научитесь работать с категориальными данными с forcats.

Визуализация данных

10. Визуализация данных в R
    Научитесь строить простейшие графики базовыми средствами R — гистограмму, диаграмму рассеяния и линейный график. Узнаете, как их настраивать и выгружать в файл.
11. Визуализация данных с библиотекой ggplot2
    Узнаете, как строить графики с библиотекой ggplot2. Научитесь работать с одномерными, двумерными и нечисловыми данными и группировать данные на графиках.

Статистический анализ данных в R

12. Разведывательный анализ данных в R
    Познакомитесь с описательными статистиками в R. Научитесь пользоваться библиотекой psych и искать нетипичные значения. Изучите коэффициенты корреляции Пирсона и Спирмена и поймёте, как их применять. Узнаете о понятии корреляционных матриц, сможете их визуализировать и выгружать в отчёт.
13. A/B-тесты: выборочное оценивание
    Узнаете, как ставить задачи и выбирать дизайн для A/B-тестирования. Научитесь проводить выборочное оценивание, выявлять проблемы в выборке и вычислять её объём с учётом погрешности и уровня доверия к данным. Сможете рассчитывать и анализировать доверительные интервалы в A/B тестировании.
14. A/B-тесты: проверка статистических гипотез
    Научитесь проверять статистические гипотезы с помощью тестов и разберёте возможные ошибки при проверке. Узнаете, как сравнивать доли и средние в A/B-тестировании, и изучите алгоритм запуска A/B-теста.
15. Поиск взаимосвязей в данных в R
    Научитесь выделять взаимосвязи в количественных и категориальных данных. Изучите простую линейную регрессию. Узнаете, как работать с регрессионной моделью, проверять её качество, выгружать результаты и включать их в отчёт Rmarkdown.

Продвинутая визуализация и представление результатов анализа

16. Интерактивные графики с библиотекой Plotly
    Познакомитесь с проектом Plotly, разберёте его возможности, особенности синтаксиса и функции. Научитесь строить интерактивные графики Plotly в 2D и 3D и публиковать результаты на RPubs.
17. Аналитические панели в R: фреймворк Shiny
    Изучите проект Shiny, его возможности и устройство кода. Установите библиотеку Shiny, научитесь редактировать шаблонное приложение, добавлять на дэшборд меню, строки датафрейма и элементы интерфейса.

Дипломный проект

18. Обработка и анализ социально-экономических данных
    Вы выгрузите данные из разных файлов, соберёте их в единый датафрейм и обработаете его. Проведёте разведывательный анализ, построите регрессионные модели и графики, а затем представите результаты и интерпретацию в отчёте.

2 место. Курс «Язык R для аналитики» — Нетология

https://netology.ru/programs/r-analysis

Стоимость: нет информации

Чему вы научитесь:

• Собирать данные
  Из большинства аналитических систем
• Преобразовывать R‑скрипты
  Для переработки получаемых данных в зависимости от задач
• Анализировать процессы
  С помощью скриптов и показывать результаты на графиках.

Программа:

1. Базовые принципы программирования на R
   Рассмотрим базовые возможности языка R, научимся настраивать R-Studio и начнём использовать для простых операций.

• R и R-Studio
• Переменные их типы
• Объявление переменных в R
• Арифметические операции
• Логические переменные и операции
• Ветвление
• Циклы.

2. Отличия R от традиционного программирования
   Познакомимся с векторами и техниками программирования в R.

• Понятие вектора, векторные операции
• Использование функций
• Обзор основных функций и пакетов R.

3. Работа с наборами данных
   Научимся импортировать данные в R, познакомимся с фреймами данных, освоим базовые операции (просмотр, обращение к данным, преобразование, соединение, фильтрация). Разберём этапы анализа данных. Узнаем, какой workflow есть при анализе данных и какие действия нужно выполнить.

• DataFrame — что это и для чего
• Импорт DataFrame в R
• Простейшее исследование DataFrame
• Доступ к переменным DataFrame (знак $)
• Базовые операции с DataFrame
• Фильтрация DataFrame
• Использование библиотеки dplyr для объединения Data Frames
• Тип данных «список» (list): что это такое, для чего и как с ним работать.

4. Визуализация в R
   Познакомимся со способами визуализации данных в R, научимся применять визуализацию в зависимости от данных, интерпретировать графики. Научимся оценивать распределение, описательные статистики для двух и более переменных, узнаем о корреляции и регрессии.

• Базовый шаблон ggplot
• Построение точечной и линейной диаграмм и их параметризация
• Исследование числовых данных с помощью гистограммы и boxplot
• Исследование категориальных переменных на столбчатых диаграммах. Нормирование
• Дополнительные приёмы при исследовании данных на графиках: jitter, география
• Какие типы диаграмм для каких данных использовать и другие правила хорошего тона при визуализации.

5. Этапы анализа данных. Подготовка и очистка данных
   Научимся работать с данными разного формата, а также «очищать» данные — придавать некачественным данным пригодный для анализа вид.

• Некачественные данные: как заполнить отсутствующие значения
• Изменение формата данных: когда данные поступают не в пригодном для анализа формате. Функции spread, gather, separate. Конвертация между типами
• Работа с датами и временем
• Работа со строками и библиотекой stringr
• Основы регулярных выражений в R: как их использовать эффективно и не сломать голову.

6. Основы моделирования в R
   Узнать про основные модели прогнозирования, познакомимся с линейной регрессией и научимся её построению, оценке и использованию.

• Подготовка данных для моделирования. Стандартизация, нормирование, проверка гипотез о нормальном распределении
• Модели прогнозирования. Линейная регрессия
• Определение линейной регрессии
• Построение модели линейной регрессии в R
• Оценка модели линейной регрессии
• Кластеризация. Метод К-средних.

7. Предоставление результатов анализа. Продвинутая визуализация
   Познакомимся с продвинутыми способами визуализации данных в R и предоставления результатов анализа данных бизнесу.

• Картография с помощью библиотеки leaflet
• Таблицы и сводные таблицы: библиотеки DT и rpivotTable
• Возможности библиотеки Plotly для визуализации, использование ggplotly
• Как представлять результаты своей работы
• Что такое веб-приложения Shiny и какие возможности в них есть
• Архитектура веб-приложения: UI-функция, серверная функция, файл Global
• Базовые UI-элементы Shiny.

8. Разработка аналитических веб-приложений в R (Shiny)
   Научимся реализовывать удобный интерфейс для работы с аналитикой в R для бизнес-пользователя.

• Изучаем шаблон дашборда shinydashboard для создания интерфейса приложения
• Изучаем реактивность и возможность её ограничивать функцией isolate()
• Обзор базовых элементов управления и кейсов их использования
• Дополнительные способы визуализации в приложении: встраиваем графики ggplot, таблицы, карты.

9. Дипломный проект
   В рамках дипломного проекта вы будете использовать язык R для улучшения работы интернет-магазина или создадите приложения для моделирования доходности личных накоплений. Вы самостоятельно изучите и подготовите данные для анализа в R, построите предиктивную модель и преобразуете её в удобный и читаемый вид.
   Дипломная работа выполняется самостоятельно под руководством эксперта курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе.

Вашу квалификацию подтвердят документы установленного образца.

3 место.Курс «R для лингвистов: программирование и анализ данных» — Открытое образование

https://openedu.ru/course/hse/RLING/

Стоимость: нет информации

Курс знакомит слушателей с основами программирования на языке R, а также позволяет разобраться во всех этапах анализа данных.
В ходе курса на примере задач теоретической и компьютерной лингвистики будут рассмотрены математические основы методов статистического анализа.
Курс рассчитан на студентов-лингвистов, однако не предполагает никаких предварительных знаний по лингвистике, программированию и математике.

Программа:

1. Введение в R: основные элементы, функции, циклы
2. Продвинутая обработка данных: пакеты tidyr и dplyr
3. Работа со строками: строки в R, регулярные выражения
4. Визуализация данных: base R vs. ggplot2
5. Интерактивная визуализация: rmarkdown, plotly, lingtypology
6. Работа с текстами: пакет tidytext
7. Введение в статистику: основы фриквентисткой статистики, формулировка гипотез
8. Корреляция и линейная регрессия
9. Кластеризация
10. Логистическая регрессия.

Результаты обучения:
Готовность использовать основные законы научных дисциплин в профессиональной деятельности, применять методы математического анализа и моделирования, теоретического и экспериментального исследования в лингвистике.

По окончании обучения выдаётся сертификат.

Курс «R для интернет-маркетинга» — ИП Уваров М. В.

https://needfordata.ru/r

Стоимость: 19 990 ₽ — 34 990 ₽

Курс поможет автоматизировать большую часть повседневной, рутинной работы интернет-маркетологов и веб-аналитиков с помощью скриптов, написанных на языке программирования R.

Целевая аудитория курса — интернет-маркетологи и веб-аналитики, которые ежедневно работают с такими сервисами, как Яндекс Директ, Google Ads, Google Analytics, Яндекс Метрика и т.д.

Вы научитесь:

• Собирать данные из большинства популярных рекламных и веб-аналитических систем
• Преобразовывать данные с помощью R-скриптов
• Работать с клиент-серверными, облачными и локальными базами данных на языке R
• Разрабатывать скрипты, которые будут осуществлять рассылку писем, а также создавать наглядные графики.

Программа курса:

1 модуль. Введение в R

• История, возможности, преимущества и недостатки языка R.
• Загрузка и установка языка R и среды разработки RStudio.
• Области применения R скриптовв Power BI.
• Знакомство со средой разработки RStudio.
• Условные конструкции, Циклы и функции в R
• Основные классы объектов в R.
• Работа со строками в R.
• Манипуляция с данными в R, пакеты dplyr, data.table, tidyr, sqldf.
• Работа с датами и временем в R, пакет lubridate.
• Рекомендации по оформлению кода и обработка ошибок.

2 модуль. Загрузка данных в Power BI из API рекламных площадок и парсинг веб-сайтов с помощью языка R

• Что такое API.
• Загрузка данных из Google AdWords.
• Загрузка данных из Яндекс Директ.
• Загрузка данных из Facebook.
• Загрузка данных из Вконтакте.
• Загрузка данных из MyTarget
• Загрузка данных из Google Analytics.
• Загрузка данных из API Яндекс Метрики.
• Загрузка данных из
• SearchConsoleи Google Trends.
• Работа с API Youtube.
• Парсинг сайтов с помощью пакета rvest.
• Отправка HTTP запросов из R, пакет httr.

3 модуль. Работа с данными загруженными из API рекламных систем и парсинга сайтов

• Работа с Google Таблицами из R.
• Визуализация данных с помощью пакета ggplot2.
• Отправка и чтение данных из СУБД (MySQL, PostgreSQL, SQLite, Google BigQuery)
• Отправка почты с помощью пакета mailR.
• Настройка запуска скриптов по расписанию, пакет taskscheduleR.
• Создание телеграм ботов на языке R.

Электронный сертификат по окончании курса.

Курс «Программирование на языке R. Уровень 1. Базовые знания» — Центр компьютерного обучения «Специалист» при МГТУ им.Н.Э.Баумана

https://www.specialist.ru/course/r1

Стоимость: 17 950 ₽ — 37 800 ₽

Цель курса — дать слушателям знания, которые помогут овладеть базовыми навыками анализа и визуализации данных в среде R.
Курс предназначен для широкого круга специалистов, которым необходимо искать закономерности в большом количестве данных, визуализировать их и строить статистически корректные выводы.

Вы научитесь:

• работать в среде RStudio;
• разбираться в типах данных языка R;
• использовать ветвление и циклы;
• создавать и вызывать функции на R;
• работать с векторами, списками, массивами и таблицами;
• использовать формулы и факторы;
• настраивать атрибуты объектов;
• использовать наследование и полиморфизм;
• обрабатывать ошибки, возникающие в программе;
• использовать трассировку кода;
• научитесь пользоваться отладчиком;
• работать с текстами и датой/временем;
• использовать стандартные распределения и базовую визуализацию данных.

Программа курса:

36 ак. часов

Модуль 1. Знакомство с языком R и со средой разработки (2 ак. ч.)

1. Основные особенности языка R
2. Библиотеки языка R
3. Интерфейс среды разработки RStudio
4. Практика: Конфигурирование RStudio, загрузка и подключение библиотек, и работа со справочной системой

Модуль 2. Типы данных в R и работа с ними (4 ак. ч.)

5. Понимание системы типов R. Всё есть объект
6. Вектора, списки, матрицы и, массивы
7. Практика: Элементарная статистика из базовой библиотеке R
8. Формулы и функции в R
9. Практика: Написание и вызов простейших функций. Файлы скриптов и их подключение
10. Атрибуты объектов
11. Вспомогательные и специальные составные объекты
12. Практика: Работа с объектом Data frame, использование библиотеки dplyr

Модуль 3. Написание выражений и команд в R (4 ак. ч.)

13. Символы, константы и операции языка R
14. Практика: Создание своих операций
15. Условное выполнение кода (if…else)
16. Циклы for, while и repeat
17. Практика: Нахождение минимума и максимума при наличии пропущенных данных (NA)
18. Взаимодействие с другими языками программирования
19. Практика: Вызов написанной на Си функции
20. ДЗ: найти локальные экстремумы функции (x3+2×2-3) /(x2+2) на отрезке [-2;2]

Модуль 4. Написание функций в R (4 ак. ч.)

21. Аргументы функций и сопоставление аргументов
22. Область видимости объектов
23. Понятие окружения (Environment)
24. Замыкание и анонимные функции
25. Возвращаемое значение функции
26. Практика: Написание и вызов функций для вычисления характеристик объектов (минимум/максимум, среднее и т.д.)

Модуль 5. Объектно-ориентированное программирование (4 ак. ч.)

27. Класс объекта
28. Наследование в R
29. Диспетчеризация вызовов функций/методов
30. UseMethod()
31. NextMethod()
32. Практика: Написание и вызов полиморфных функций для вычисления характеристик объектов (минимум/максимум, среднее и т.д.)
33. ДЗ: написать функцию сортировки векторов, матриц и массивов с возможностью выбора алгоритма сортировки

Модуль 6. Исключения и отладка в R (3 ак. ч.)

34. Генерация исключений/ошибок в R
35. Перехват и обработка исключений/ошибок
36. Конфигурирование обработка исключений/ошибок
37. Отладка кода и функций
38. Трассировка кода
39. Практика: Поиск, исправление и/или игнорирование ошибок в R программах

Модуль 7. Полезные функции из базовой библиотеки языка R (3 ак. ч.)

40. Работа с датой и временем
41. Обработка текстов/строк
42. Регулярные выражения
43. Использование стандартных распределений
44. Визуализация графиков функций
45. Практика: Графическая проверка нормальности распределения
46. ДЗ: Проверка гипотез нормальности распределения с использованием различных критериев, гистограмма и построение её огибающей, диаграмма квантиль-квантиль.

Курс «Основы программирования на R» — Stepik

https://stepik.org/course/497/promo

Стоимость: бесплатно

Курс познакомит слушателей с языком R, основными структурами данных и семантическими правилами. Мы также рассмотрим несколько углублённых тем, которые помогут овладеть принципами написания эффективного кода.

Программа курса:

Модуль 1: базовые структуры и понятия

• Введение в курс
• Переменные, глобальное окружение, справка
• Векторы (часть 1)
• Управляющие конструкции, работа с пакетами
• Векторы (часть 2)

Модуль 2: продвинутые структуры

• Матрицы и списки
• Дата фреймы
• Факторы и строки

Модуль 3: продвинутое программирование

• Функции
• Элементы функционального программирования
• Обработка данных при помощи dplyr
• Заключение: что дальше?

По окончании обучения выдаётся сертификат.

Курс «Язык программирования R для начинающих» — BitDegree

https://ru.bitdegree.org/kurs/jazyk-programmirovanija-r

Стоимость: 733 ₽

Научитесь использовать различные пакеты для управления, визуализации данными и других задач, извлекать и передавать данные в среду R, решать проблемы бизнеса в процессе обучения, создавать циклы, переменные, инструкции и т.д.

Содержание:

1. Введение в R
2. Введение в R-программирование
3. Ввод и вывод данных
4. Настройка порядка выполнения
5. Основные концепты R программирования
6. Матричная конструкция в R
7. Таблица данных R
8. Применение новой функции над списком или вектором
9. Управление данными в Dplyr
10. Визуализация данных в R с помощью ggplot2
11. Введение в машинное обучение
12. Заключение R.

Курс «Статистика, R и анализ данных» — Бластим

https://agency.blastim.ru/stat_r

Стоимость: нет информации

Девятидневный практический курс, на котором вы не только научитесь статистике, но и поймете её.
Научим не только получать в программе p-value, но и считать и понимать мощность теста, размер эффекта и другие параметры.
В конце курса вы самостоятельно выполните и презентуете проект. Можно прийти со своим проектом, можно выбрать из предложенных.

Программа:

Первый день: основы R

• Презентация плана программы: краткий overview
• Введение в R и RStudio
• R как калькулятор
• Операторы, функции
• Типы данных
• Вектора, матрицы, списки, датафреймы

Второй день: препроцессинг данных в R, введение в tidyverse

• Импорт данных
• Работа с «проектами» RStudio
• Препроцессинг данных базовыми средствами R
• Условные конструкции в R
• Создание функций
• Циклы и семейство функций apply
• Работа с пакетами
• Пакеты data.table и tidyverse
• Основы tidyverse: readr, tibble, magrittr
• Базовые операции с данными в tidyverse: выбор строк и колонок, создание колонок
• Агрегирование данных в dplyr

Третий день: продвинутый препроцессинг данных в tidyverse, описательная статистика

• Концепция Tidy Data. Широкие и длинные таблицы, tidyr
• Работа с реляционными данными в tidyverse
• Функциональное программирование в purrr
• Описательная статистика (центральные тенденции, меры разброса, ассиметрия, эксцесс, функции и пакеты для описательной статистики)

Четвертый день: визуализация в пакете ggplot2, введение в статистику вывода

• Визуализация в R: базовые средства визуализации
• Layered Grammar of Graphics и ggplot2
• Средства динамической визуализации в R: HTML-виджеты
• Самостоятельное упражнение на визуализацию
• Уровень значимости. Ошибки I и II рода— Выборка и генеральная совокупность
• Виды распределений, параметры распределений
• Нормальное распределение. Функции распределений в R
• Оценка параметров, точечные и интервальные оценки, доверительный интервал
• Проверка гипотез. Нулевая и альтернативная гипотеза, p-value

Пятый день: основные статистические тесты, практика анализа данных

• z-критерий и t-критерий
• Понятия уровня значимости и статистической мощности
• Оценка статистической мощности, размера эффекта и размера выборки в R
• Практика анализа данных, препроцессинг рабочих датасетов для девятого дня

Шестой день: практика анализа данных, основные статистические тесты (продолжение)

• Непараметрические методы
• Обзор задач и методов в статистике. Как выбрать метод для анализа данных
• Дисперсионный анализ (ANOVA) и его разновидности
• Корреляция, коэффициенты корреляции

Седьмой день: Общая линейная модель

• Линейная регрессионная модель
• Допущения линейной модели. «Остатки», МНКи goodness-of-fit
• Множественная линейная регрессия и общая линейная модель (general linear model)

Восьмой день: Обобщения линейной модели, многомерные методы

• Логистическая регрессия. Обобщенная линейная регрессия (generalized linear model)
• Смешанная линейная модель (Linear mixed effects models)
• Другие многомерные методы: кластерный анализ, MDS и PCA

Девятый день: самостоятельный проект.