Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

R: intro / data cleaning and imputation R / basics of visualisation

Informacje ogólne

Kod przedmiotu: 2400-DS1R
Kod Erasmus / ISCED: 14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: R: intro / data cleaning and imputation R / basics of visualisation
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Anglojęzyczna oferta zajęć WNE UW
Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 1 (6*30h)
Przedmioty obowiązkowe dla I roku Data Science and Business Analytics
Punkty ECTS i inne: 3.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Rodzaj przedmiotu:

obowiązkowe

Skrócony opis:

The aim of the course is to introduce the statistical program R-CRAN. The course is dedicated to master's program students of Econometrics and Informatics, Data Science programs and for all who want to learn advanced statistical software and use it both in business analytics and in scientific work. The course is realized in a computer lab. Passing requirements: the final exam.

Pełny opis:

The main aim of the course is to make students familiar with advanced statistical software which requires coding skills. In the course we will focus on:

i) preparation of an efficient work environment

ii) preparing and tidying different types of data sets

iii) visualization.

Students will obtain the necessary knowledge of the language of the R program to use the R program packages, as well as independently develop applications based on available packages. In addition to IT skills, students will be shown examples of the empirical application of the data analysis program to encourage them to use the program in their own areas of interest.

The topics include:

• R and R-Studio basics – graphical interface/editor, projects, package installation

• Data import

• Basics of commands, types of objects and data structures

• Basic data management – operations on data-frames, handling missing values, factors, combining data, sorting, subsetting

• Basic plots – bar plots, pie charts, histograms, box plots, scatter plots, mosaic plots or correlograms

• R as the analytical solution – descriptive statistics, frequency and contingency tables, correlations, example parametric and nonparametric tests

• Basics of user-written functions, control flow

• RMarkdown report preparation

• Introduction to %>% pipe flow in R – basics of tidyverse

The list may be extended, depending on the initial skills and the interest of the group.

Literatura:

- own materials

Compulsory literature:

• Wickham, H., & Grolemund, G. (2016). R for data science.

• Kabacoff R. (2011). R in Action. Data analysis and graphics with R.

Additional (only in Polish):

• Biecek P., 2008, Przewodnik po pakiecie R, Oficyna Wydawnicza GIS, Wrocław

Efekty uczenia się:

After this course the student:

- Student is familiar with R-CRAN computational environment

- Student is able to use different data sets to conduct their own research

- Student gains and processes data independently

- Student is capable of visualizing basic structures and solving simple research problems

- Student is able to perform troubleshooting of their code, finding solutions to simple code-related issues

K_U02, K_U05

Metody i kryteria oceniania:

The final grade includes:

• credits for solving tasks performed in the course of self-study in class and homework (30 credits),

• written exam (70 points),

• extra points for activity.

Grades:

Points Grade

[0-50] ndst (2)

(50-60] Dst (3)

(60-70] dst + (3+)

(70-80] Db (4)

(80-90] db + (4+)

(90-100] Bdb (5)

>100 bdb ! (5!)

Zajęcia w cyklu "Semestr zimowy 2022/23" (w trakcie)

Okres: 2022-10-01 - 2023-01-29
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: Maria Kubara
Prowadzący grup: Maria Kubara
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności USOSweb 6.8.0.0-7 (2022-11-16)