Der Data Analysis Bootcamp in R vermittelt in einzeln buchbaren Modulen Grundkenntnisse in R (Modul 1), praktisches Wissen zur deskriptiven Datenanalyse, der statistischen Inferenz und Modellierung in R (Modul 2), sowie fortgeschrittene Kenntnisse zur effizienten Nutzung von R (Modul 3). Für die Anwendungsbeispiele und praktische Übungsaufgaben kommt die statistische Software R zum Einsatz.
Ziel: Vermittlung von theoretischen Statistik-Kenntnissen sowie technischen und praktischen Wissen in R. Dies soll es den Teilnehmern erleichtern, in ihrem Arbeitsalltag eigene Analysen und Projekte zielgerichteter und effizienter bearbeiten zu können, ohne sich tagelang selber in bestimmte Themen einarbeiten zu müssen. Zudem werden in den einzelnen Themenblöcken hilfreiche Zusatzpakete in R empfohlen, deren Nutzung oft unnötige Programmierarbeit, zusätzliche Recherchen und Anfängerfehler ersparen können.

Modul 1: R Crashkurs (1-tägig)
- Arbeiten mit R und RStudio.
- Installation und Nutzung von Erweiterungspaketen.
- Einführung in Hilfeseiten und Selbsthilfe.
- Datentypen, Operatoren, Funktionen.
- Datenimport/-export (z. B. CSV, Excel).
- Arbeiten mit Dataframes und Vektoren (z. B. Indizieren, Umwandeln).
- Berechnung einfacher statistischer Kennzahlen (z. B. Mittelwert, Varianz).
Modul 2: Praktische Datenanalyse in R (2-tägig)
- Einführung in Data Science und ggplot2.
- Univariate deskriptive Statistik: Häufigkeitstabellen, Visualisierungen, Verteilungen.
- Multivariate deskriptive Statistik: Kreuztabellen, Scatter-Plots, Korrelation.
- Einführung in statistische Tests: t-Test, Mann-Whitney-U-Test, Shapiro-Wilk-Test.
- Statistische Modellierung: Lineare Regression, multiple Regression, Modellevaluation (z. B. MSE, Residuenanalyse).
- Ausblick auf generalisierte lineare Modelle (z. B. logistische Regression).
Modul 3: Supervised Machine Learning in R (2-tägig)
- Grundkonzepte: Verlustfunktion, Overfitting, Resampling-Methoden.
- Einführung in Algorithmen: Lineare und logistische Regression, K-nächste Nachbarn.
- Modellevaluation: Kreuzvalidierung, Bootstrap.
- Einführung in Algorithmen: Entscheidungsbäume, Random Forests, (ggf. Gradient Boosting).
- Hyperparameteroptimierung: Gittersuche, Zufallssuche.
- Genestete Kreuzvalidierung und praktische Tipps.