Aktion	Zweigstelle	Standorte	Status	Frist	Vorbestellungen
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NN.MNS Adle / College 6a - Naturwissenschaften	Status: Verfügbar	Frist:	Vorbestellungen: 0

Wozu sollte man R lernen? Da gibt es viele Gründe: Weil man damit natürlich ganz andere Möglichkeiten hat als mit einer Tabellenkalkulation wie Excel, aber auch mehr Spielraum als mit gängiger Statistiksoftware wie SPSS und SAS. Anders als bei diesen Programmen hat man nämlich direkten Zugriff auf dieselbe, vollwertige Programmiersprache, mit der die fertigen Analyse- und Visualisierungsmethoden realisiert sind ? so lassen sich nahtlos eigene Algorithmen integrieren und komplexe Arbeitsabläufe realisieren. Und nicht zuletzt, weil R offen gegenüber beliebigen Datenquellen ist, von der einfachen Textdatei über binäre Fremdformate bis hin zu den ganz großen relationalen Datenbanken. Zudem ist R Open Source und erobert momentan von der universitären Welt aus die professionelle Statistik. R kann viel. Und Sie können viel mit R machen ? wenn Sie wissen, wie es geht. Willkommen in der R-Welt Installieren Sie R und stöbern Sie in Ihrem gut bestückten Werkzeugkasten: Sie haben eine Konsole und eine grafische Benutzeroberfläche, unzählige vordefinierte Analyse- und Visualisierungsoperationen ? und Pakete, Pakete, Pakete. Für quasi jeden statistischen Anwendungsbereich können Sie sich aus dem reichen Schatz der R-Community bedienen. Sprechen Sie R! Sie müssen Syntax und Grammatik von R nicht lernen ? wie im Auslandsurlaub kommen Sie auch hier gut mit ein paar aufgeschnappten Brocken aus. Aber es lohnt sich: Wenn Sie wissen, was es mit R-Objekten auf sich hat, wie Sie eigene Funktionen schreiben und Ihre eigenen Pakete schnüren, sind Sie bei der Analyse Ihrer Daten noch flexibler und effektiver. Datenanalyse und Statistik in der Praxis Anhand unzähliger Beispiele aus Medizin, Wirtschaft, Sport und Bioinformatik lernen Sie, wie Sie Daten aufbereiten, mithilfe der Grafikfunktionen des lattice-Pakets darstellen, statistische Tests durchführen und Modelle anpassen. Danach werden Ihnen Ihre Daten nichts mehr verheimlichen. (Verlagsinformation)

 

 

Aus dem Inhalt:

Vorwort XI / / Teil I: R-Grundlagen / 1 Beschaffung und Installation von R 3 / R-Versionen 3 / Gebrauchsfertige R-Distribution laden und installieren 4 / 2 Die R-Benutzerschnittstelle 7 / Die grafische Benutzerschnittstelle von R 7 / DieR-Konsole 11 / Stapelverarbeitung 13 / Mit Microsoft Excel auf R zugreifen 14 / Andere Methoden, R auszuführen 15 / 3 Kurzeinführung in R 17 / Einfache Operationen in R 17 / Funktionen 19 / Variablen 20 / Einführung in Datenstrukturen 22 / Objekte und Klassen 26 / Modelle und Formeln 27 / Diagramme und Grafiken 29 / Hilfe abrufen 34 / 4 R-Pakete 37 / Überblick über Pakete 37 / Pakete in lokalen Bibliotheken auflisten 38 / Pakete laden 40 / Durchsuchen von Paket-Repositories 40 / Eigene Pakete 45 / / Teil II: Die Programmiersprache R / 5 Überblick über die Programmiersprache R 51 / Ausdrücke 51 / Objekte 52 / Symbole 52 / Funktionen 53 / Objekte werden in Zuweisungen kopiert 54 / In R ist alles ein Objekt 55 / Spezielle Werte 55 / Typumwandlung 56 / Der R-lnterpreter 57 / R-Sprachelemente inspizieren 59 / 6 R-Syntax 63 / Konstanten 63 / Operatoren 66 / Ausdrücke 69 / Kontrollstrukturen 71 / Zugriff auf Datenstrukturen 74 / R-Codekonventionen 80 / 7 R-Objekte 83 / Basisdatentypen 83 / Vektoren 86 / Listen 87 / Weitere Datentypen 88 / Attribute 97 / 8 Symbole und Umgebungen 103 / Symbole 103 / Mit Umgebungen arbeiten 104 / Die globale Umgebung 105 / Umgebungen und Funktionen 106 / Ausnahmen HO / 9 Funktionen 113 / Funktionen deklarieren 113 / Argumente 113 / Rückgabewerte 115 / Funktionen als Argumente 115 / Benannte Argumente und Auswertungsreihenfolge 119 / Seiteneffekte 120 / 10 Objektorientierte Programmierung 123 / Überblick über objektorientierte Programmierung in R 124 / Objektorientierte Programmierung in R: S4-Klassen 131 / OOP nach alter Schule in R: S3 138 / 11 Hochperformantes R 143 / Interne Mathematikfunktionen benutzen 143 / Auswertungsumgebungen als Look-up-Tabellen 144 / Große Datensätze in einer Datenbank verwalten 145 / Speicher vorbelegen 145 / Arbeitsspeicher verwalten 145 / Funktionen für große Datensätze 147 / Paralleles Rechnen mit R 148 / Hochperformante R-Binaries 148 / / Teil III: Daten aufbereiten und darstellen / 12 Daten speichern, laden und bearbeiten 157 / Dateneingabe in R 157 / R-Objekte speichern und laden 161 / Daten aus externen Dateien importieren 163 / Daten exportieren 174 / Daten aus Datenbanken importieren 174 / 13 Datenaufbereitung 193 / Datensätze kombinieren 194 / Transformationen 200 / Klasseneinteilung 205 / Teilmengen 207 / Daten aggregieren 210 / Datenbereinigung 224 / Dubletten identifizieren und beseitigen 225 / Daten sortieren 225 / 14 Grafik 229 / Überblick über Grafiken in R 229 / Grafik-Devices 266 / Grafiken anpassen 267 / 15 Trellis-Grafik mit Lattice 291 / Geschichte 291 / Überblick über das lattice-Paket 292 / High-Level-Grafikfunktionen in Lattice 297 / Lattice-Grafiken anpassen 340 / Low-Level-Grafikfunktionen in Lattice 352 / / Teil IV: Statistik mit R / 16 Datenexploration 357 / Lage- und Streuungsmaße 357 / Korrelation und Kovarianz 362 / Hauptkomponentenanalyse 366 / Faktorenanalyse 370 / Bootstrap-Resampling 371 / 17 Wahrscheinlichkeitsverteilungen 375 / Die Normalverteilung 375 / Argumente von Verteilungsfunktionen 379 / Wahrscheinlichkeitsverteilungsfamilien 379 / 18 Statistische Testverfahren 383 / Parametrische Tests 384 / Verfahren für Rangdaten 401 / Verfahren für Häufigkeitsdaten 406 / 19 Poweranalyse 417 / Beispiel: Planung einer Medikamentenstudie 417 / Planung eines i-Tests 418 / Planung eines Anteilstests 419 / Planung einer Varianzanalyse 421 / 20 Regressionsmodelle 423 / Beispiel: Ein einfaches lineares Regressionsmodell 424 / Die klassische lineare Regression im Detail 433 / Prädiktorselektion und Schrumpfungsmethoden 440 / Regressionsverfahren für andere Modellannahmen 445 / Überlebensanalyse 451 / Glättungsverfahren 457 / Regression und maschinelles Lernen 462 / 21 Klassifikationsmodelle 491 / Lineare Klassifikationsmodelle 491 / Klassifikation und maschinelles Lernen 503 / 22 Maschinelles Lernen 513 / Warenkorbanalyse 513 / Verfahren der Clusteranalyse 519 / 23 Zeitreihenanalyse 525 / Autokorrelationsmaße 525 / Zeitreihenmodelle 526 / 24 Bioconductor 531 / Ein Beispiel 532 / Wichtige Bioconductor-Pakete 546 / Datenstrukturen 548 / Wie geht es weiter? 554 / Anhang A: Funktionsreferenz 557 / Anhang B: Datensatzreferenz 705 / Literatur 729 / Index 731