|
|
R_Scripts 및 실습데이터 모음 |
|
|
1. |
|
R 프로그래밍 기초_01 |
R에 대한 소개 및 연산과 객체 유형을 학습한다. |
|
|
|
R 프로그래밍 기초_02 |
R에 대한 기초내용인 객체 유형과 종류와 변환 규칙을 학습한다. |
|
|
|
R 프로그래밍 기초_03 |
R의 함수와 인자, 그리고 함수만들기에 대하여 학습한다. |
|
|
|
R 프로그래밍 기초_04 |
R로 조건문과 반복문에 대하여 학습한다. |
|
|
|
R 프로그래밍 기초_05 |
R과 Rstudio로 패키지와 스크립트 작성 및 활용방법에 대하여 학습한다. |
|
|
|
R 프로그래밍 기초 |
R과 프로그래밍에 대하여 기본적인 지식을 학습한다. |
|
2. |
|
R 데이터 마이닝 기초: 데이터 불러오기와 저장하기 |
R의 데이터 종류와 불러오기, 저장하기, 경로 설정에 대하여 학습한다. |
|
|
|
R 데이터 마이닝 기초: 데이터 탐구하기 |
R로 불러온 데이터를 탐구하는 방법에 대하여 학습한다. |
|
|
|
R 데이터 마이닝 기초: 데이터 가공하기 |
R 기초로 데이터의 정렬, 병합, 변환, 추출, 접근 방법에 대하여 학습한다. |
|
|
|
R 데이터 마이닝 기초: dplyr 패키지로 데이터 가공하기(1) |
dplyr 패키지로 데이터의 추출, 정렬, 변환, 수정 및 변형, 집단별 데이터 분할, 요약 등을 수행하는 방법과 파이프 연산자(%>%)를 활용하는 방법을 학습한다. |
|
|
|
R 데이터 마이닝 기초 |
R을 활용한 데이터 마이닝 기초에 대하여 학습한다. |
|
3. |
|
R 데이터 마이닝 기초: dplyr 패키지로 데이터 가공하기(2) |
dplyr 패키지로 데이터를 수정하고, join() 함수로 데이터를 병합하는 방법에 대하여 학습한다. |
|
|
|
R 데이터 마이닝 기초: 그래프와 데이터 시각화(1) |
R의 그래프 역사와 그래프 작성에 대한 기초와 내장함수로 그래프 작성하기에 대하여 학습한다. |
|
|
|
R 데이터 마이닝 기초: dplyr 패키지로 데이터 가공하기(2) |
dplyr 패키지로 데이터를 수정하고, join() 함수로 데이터를 병합하는 방법에 대하여 학습한다. |
|
|
|
R 데이터 마이닝 기초: 그래프와 데이터 시각화 |
R의 그래프 역사와 그래프 작성에 대한 기초와 내장함수로 그래프 작성하기에 대하여 학습한다. |
|
4. |
|
R 데이터 마이닝 기초: ggplot2 패키지와 데이터 시각화 (1) |
ggplot2 패키지로 데이터를 시각화하는 방법에 대하여 학습한다. |
|
|
|
R 데이터 마이닝 기초: ggplot2 패키지와 데이터 시각화 (2) |
ggplot2 패키지로 데이터 시각화를 하는 고급의 방법에 대하여 학습한다. |
|
|
|
R 데이터 마이닝 기초: ggplot2 패키지와 데이터 시각화 |
ggplot2 패키지로 데이터를 시각화하는 방법에 대하여 학습한다. |
|
5. |
|
R 통계와 머신러닝: 평균 차이와 상관 (1) |
R로 평균차이 검정, 분산분석, 상관분석을 하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 평균 차이와 상관 (2) |
R로 평균차이 검정, 분산분석, 상관분석을 하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 평균 차이와 상관 |
R로 평균차이 검정, 분산분석, 상관분석을 하는 방법을 학습한다. |
|
6. |
|
R 통계와 머신러닝: 회귀와 예측 (1) |
R로 선형 또는 비선형 회귀분석과 예측하는 방법에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: 회귀와 예측 (2) |
R로 선형 또는 비선형 회귀분석과 예측하는 방법에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: 회귀와 예측 |
R로 선형 또는 비선형 회귀분석과 예측하는 방법에 대하여 학습한다. |
|
7. |
|
R 통계와 머신러닝: 머신러닝의 개념과 로지스틱 모델 (1) |
머신러닝에 대한 개념적 이해와 더불어 교차타당성 평가, 로지스틱 모델을 통하여 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 머신러닝의 개념과 로지스틱 모델 (2) |
머신러닝에 대한 개념적 이해와 더불어 교차타당성 평가, 로지스틱 모델을 통하여 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 머신러닝의 개념과 로지스틱 및 판별 모델 |
머신러닝에 대한 개념적 이해와 더불어 교차타당성 평가, 로지스틱 모델을 통하여 예측하는 방법을 학습한다. |
|
8. |
|
R 통계와 머신러닝: 판별 모델과 예측 (1) |
R로 판별모델링을 통하여 분류 수준의 데이터를 예측하는 방법에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: 판별 모델과 예측 (2) |
R로 판별모델링을 통하여 분류 수준의 데이터를 예측하는 방법에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: 판별 모델과 예측 (3) |
R로 판별모델링을 통하여 분류 수준의 데이터를 예측하는 방법에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: 판별 모델과 예측 (4) |
R로 판별모델링을 통하여 분류 수준의 데이터를 예측하는 방법에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: 판별 모델과 예측 |
R로 판별모델링을 통하여 분류 수준의 데이터를 예측하는 방법에 대하여 학습한다. |
|
9. |
|
R 통계와 머신러닝: K-최근접 분류와 예측 (1) |
R로 K-최근접 이웃 모델링을 통하여 데이터를 예측하는 방법에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: K-최근접 분류와 예측 (2) |
R로 K-최근접 이웃 모델링을 통하여 데이터를 예측하는 방법에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: K-최근접 분류와 예측 |
R로 K-최근접 이웃 모델링을 통하여 데이터를 예측하는 방법에 대하여 학습한다. |
|
10. |
|
R 통계와 머신러닝: 앙상블 학습과 예측 (1) |
R로 앙상블학습인 랜덤포레스트와 XGBOOST 모델링을 통하여 데이터를 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 앙상블 학습과 예측 (2) |
R로 앙상블학습인 랜덤포레스트와 XGBOOST 모델링을 통하여 데이터를 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 앙상블 학습과 예측 (3) |
R로 앙상블학습인 랜덤포레스트와 XGBOOST 모델링을 통하여 데이터를 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 앙상블 학습과 예측 |
R로 앙상블학습인 랜덤포레스트와 XGBOOST 모델링을 통하여 데이터를 예측하는 방법을 학습한다. |
|
11. |
|
R 통계와 머신러닝: 비지도학습 (1) |
R로 비지도학습모델링인 주성분 분석과 군집분석을 통하여 데이터를 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 비지도학습 (2) |
R로 비지도학습모델링인 주성분 분석과 군집분석을 통하여 데이터를 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 비지도학습 |
R로 비지도학습모델링인 주성분 분석과 군집분석을 통하여 데이터를 예측하는 방법을 학습한다. |
|
12. |
|
R 통계와 머신러닝: 나이브 베이즈 (1) |
R로 베이즈 정리와 라플라스 근사량 추정, 그리고 나이브 베이즈 학습모델링을 통하여 분류 데이터를 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 나이브 베이즈 (2) |
R로 베이즈 정리와 라플라스 근사량 추정, 그리고 나이브 베이즈 학습모델링을 통하여 분류 데이터를 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 시계열 예측 (1) |
R의 날짜와 시간의 형식과 표기, 그리고 연산하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 나이브 베이즈 |
R로 베이즈 정리와 라플라스 근사량 추정, 그리고 나이브 베이즈 학습모델링을 통하여 분류 데이터를 예측하는 방법을 학습한다. |
|
|
|
R 통계와 머신러닝: 나이브 베이즈 |
R로 베이즈 정리와 라플라스 근사량 추정, 그리고 나이브 베이즈 학습모델링을 통하여 분류 데이터를 예측하는 방법을 학습한다. |
|
13. |
|
R 통계와 머신러닝: 시계열 예측 (2) |
시계열 데이터의 특성과 모델링에 대한 이론을 학습한 후에 시계열 데이터를 분석하는 방법인 아리마 모델링에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: 시계열 예측 (3) |
시계열 데이터의 특성과 모델링에 대한 이론을 학습한 후에 시계열 데이터를 분석하는 방법인 아리마 모델링에 대하여 학습한다. |
|
|
|
R 통계와 머신러닝: 시계열 예측 |
시계열 데이터의 특성과 모델링에 대한 이론을 학습한 후에 시계열 데이터를 분석하는 방법인 아리마 모델링에 대하여 학습한다. |
|