-10%
Ανάλυση δεδομένων με την R
- Διαθεσιμότητα: Διαθέσιμο
-10%
45,00€
50,00€
Χωρίς ΦΠΑ: 45,00€
Ανάλυση δεδομένων με την R
Από την αστρονομία ως την μοριακή βιολογία και από την κοινωνιολογία ως τα οικονομικά, ο όγκος και η πολυπλοκότητα των δεδομένων που συλλέγουμε και καλούμαστε να αναλύσουμε αυξάνονται με εκρηκτικούς ρυθμούς. Eπιστήμονες, ερευνητές, επαγγελματίες και ερασιτέχνες από τις ιατρικές κλινικές ως το χρηματιστήριο και τον επαγγελματικό αθλητισμό “σκύβουν” καθημερινά πάνω από σειρές, λίστες και πίνακες, δημιουργούν γραφικές παραστάσεις, εφαρμόζουν στατιστικούς ελέγχους και μοντέλα με σκοπό να καταλάβουν καλύτερα φαινόμενα που μέχρι πριν από λίγα χρόνια θεωρούσαμε ότι ήταν τελείως απρόβλεπτα.
Από αυτήν την άποψη, το ερώτημα που βρίσκεται στο επίκεντρο του συγκεκριμένου βιβλίου είναι απλό. Πώς μπορεί κανείς να αναλύσει τα δεδομένα του, έτσι ώστε να μάθει κάτι που δεν γνώριζε πριν; Η προσέγγιση που ακολουθούμε ισορροπεί μεταξύ τεχνικής και μεθοδολογίας. Σε ένα πρώτο επίπεδο δίνονται αναλυτικά οι βασικές αρχές του προγραμματισμού στην R, που αποτελεί σήμερα την γλώσσα επιλογής για την στατιστική ανάλυση δεδομένων. Σε δεύτερο και τρίτο επίπεδο, παρουσιάζονται μεθοδολογίες στατιστικής ανάλυσης και μηχανικής μάθησης που απευθύνονται τόσο σε νέους, όσο και σε έμπειρους χρήστες της R. Οι βασικές αρχές για τον τρόπο με τον οποίο διατυπώνουμε αναλυτικά ερωτήματα παρουσιάζονται μέσα από πρακτικές εφαρμογές σε πραγματικά δεδομένα από διαφορετικά ερευνητικά και επαγγελματικά πεδία.
Γραμμένο και το ίδιο στην R μέσω του μορφοτύπου R-markdown, το βιβλίο παρουσιάζει τη θεωρία σε άμεση σύνδεση με τον κώδικα και τα αποτελέσματά του, με τρόπο που να μπορεί να αναπαραχθεί πλήρως από τους αναγνώστες από την πρώτη ως την τελευταία σελίδα.
Περιεχόμενα
Πρόλογος
Ευχαριστίες
• Μέρος Πρώτο •
Κεφάλαιο 1
1.1 Σε ποιον απευθύνεται αυτό το βιβλίο
1.2 Στόχοι του βιβλίου
1.3 Περιεχόμενα
1.4 Πλεονεκτήματα της R
1.5 Ξεκινώντας με την R
1.6 Το ολοκληρωμένο περιβάλλον R-Studio
1.7 Πως είναι γραμμένο αυτό το βιβλίο
1.8 Διαβάστε περισσότερα
Κεφάλαιο 2 - Μεταβλητές, τελεστές και δεδομένα
2.1 Μεταβλητές στην R
2.2 Τελεστές και απλές πράξεις με μεταβλητές
2.3 Συναρτήσεις
2.4 Πολυδιάστατα δεδομένα
2.5 Εισαγωγή δεδομένων από αρχεία
2.6 Εγγραφή αποτελεσμάτων σε αρχεία
Συμπεράσματα
Κεφάλαιο 3 - Τύποι δεδομένων
Εισαγωγή
Τύποι δεδομένων στην R
3.1 Διανύσματα (vectors)
3.2 Πράξεις σε διανύσματα
3.3 Πίνακες δύο διαστάσεων
3.4 Πλαίσια δεδομένων
3.5 Πίνακες περισσότερων από δύο διαστάσεων
3.6 Λίστες
Συμπεράσματα
Κεφάλαιο 4 - Πλαίσια δεδομένων, παράγοντες και χειρισμοί συνόλων
Εισαγωγή
4.1 Χειρισμοί πλαίσιων δεδομένων
4.2 Παράγοντες (factors)
4.3 Δημιουργία υποσυνόλων (subsetting)
4.4 Πράξεις σε σύνολα
Κεφάλαιο 5 - Γραφικές παραστάσεις
Εισαγωγή
5.1 Ραβδογράμματα με την barplot()
5.2 Προχωρημένα ραβδογράμματα
5.3 Πίτες με την pie()
5.4 Διαγράμματα σκέδασης για συζευγμένα δεδομένα με την plot()
5.5 Χρήση της plot() για σειριακά δεδομένα
5.6 Πολλαπλά διαγράμματα σε μια γραφική με την lines().
5.7 Τρισδιάστατα δεδομένα με τις persp() και filled.contour()
5.7.1 Διαγράμματα 3D περιγραμμάτων
5.8 Αποθήκευση και εκτύπωση γραφικών
Συμπεράσματα
• Μέρος Δεύτερο •
Κεφάλαιο 6 - Εισαγωγή στη στατιστική. Περιγραφική στατιστική
Εισαγωγή
6.1 Μέτρα κεντρικής τάσης
6.2 Μέτρα διασποράς
6.3 Ιστογράμματα
6.3.1 Χρήση μεταβλητών ιστογραμμάτων
6.4 Ποσοστημόρια
6.5 Θηκογράμματα
6.6 Δειγματοληψία και τυχαία δείγματα
6.7 Συναρτήσεις προσομοίωσης κατανομών
Εφαρμογή: Ανάλυση Μαθητικών Επιδόσεων
Συμπεράσματα
Κεφάλαιο 7 - Επαγωγή και έλεγχος υποθέσεων
Εισαγωγή
7.1 Έλεγχος κανονικότητας
7.2 Σύγκριση μέσων τιμών
7.3 Σύγκριση λόγων και αναλογιών
7.4 Έλεγχος υπερ-εκπροσωπήσεων με την υπεργεωμετρική κατανομή
7.5 Στατιστικοί έλεγχοι μέσω μεταθέσεων (permutation tests)
Εφαρμογή: Ανάλυση αξίας Ακινήτων στην Πολιτεία της Καλιφόρνια
Συμπεράσματα
Κεφάλαιο 8 - Ανάλυση διακύμανσης και έλεγχοι Πολλαπλών Υποθέσεων
Εισαγωγή
8.1 Πολλαπλοί ζευγαρωτοί έλεγχοι (pairwise tests)
8.2 Έλεγχος πολλαπλών υποθέσεων
8.2.1 Διόρθωση τιμής p-value
8.3 Έλεγχος διακύμανσης
8.4 Ανάλυση διακύμανσης (ANOVA)
8.5 Πολύ-παραγοντική ANOVA (multi-way ANOVA)
8.6 Προϋποθέσεις για την διενέργεια ANOVA
8.7 ANOVA σε μη κανονικά κατανεμημένα δείγματα
Εφαρμογή: Ανάλυση Επιπέδων Γονιδιακής Έκφρασης
Συμπέρασμα
Κεφάλαιο 9 - Συσχέτιση και γραμμική παλινδρόμηση
Εισαγωγή
9.1 Συσχέτιση (correlation)
9.2 Διακύμανση και μερική συσχέτιση (covariance)
9.3 Παλινδρόμηση (regression)
9.4 Απλή γραμμική παλινδρόμηση
9.5 Παλινδρόμηση με την συνάρτηση lm()
9.6 Στοιχεία διάγνωσης μοντέλων παλινδρόμησης
9.7 Σύγκριση μοντέλων και ιεράρχηση παραμέτρων
Εφαρμογή: Τιμές Lego Sets. Πόσο αξίζει στ’ αλήθεια το Millenium Falcon;
Συμπεράσματα
• Μέρος Τρίτο •
Κεφάλαιο 10 - Μείωση Διαστασιμότητας
Εισαγωγή10.1 Ανάλυση Κυρίων Συνιστωσών (Principal Component Analysis, PCA)
10.2 Πολυδιάστατη Κλιμάκωση (Multidimensional Scaling, MDS)
10.4 Διερευνητική Ανάλυση Παραγόντων (Exploratory Factor Analysis, EFA)
10.5 Συμπεράσματα
Εφαρμογή: Κυνηγοί Ταλέντων. Πώς να διαλέξουμε τον επόμενο επιθετικό μας;
Συμπεράσματα
Κεφάλαιο 11 - Ομαδοποίηση
Εισαγωγή
11.1 Γενικές Αρχές Ομαδοποίησης
11.2 Στόχοι της Ομαδοποίησης
11.3 Ιεραρχική Ομαδοποίηση (Hierarchical Clustering)
11.4 Ομαδοποίηση Διαμερισμού (Partition Clustering)
11.5 Ομαδοποίηση μέσω πυκνότητας
11.6 Συμπεράσματα
Εφαρμογή: Διάγνωση Καρκίνου του Μαστού. Πότε είμαστε σίγουροι για τα κακά νέα;
Συμπεράσματα
Κεφάλαιο 12 - Ταξινόμηση
Εισαγωγή
12.1 Ταξινόμηση, ομαδοποίηση και παλινδρόμηση
12.2 Εκμάθηση υπό επίβλεψη. Σύνολα εκμάθησης και Σύνολα ελέγχου
12.3 Μέθοδοι που σχετίζονται με την ομαδοποίηση. Ταξινόμηση k πλησιέστερων γειτόνων (k Nearest Neighbours, kNN)
12.4 Δυαδική Ταξινόμηση με Λογιστική Παλινδρόμηση (Logistic Regression)
12.5 Γενικευμένα Γραμμικά μοντέλα για μη-κανονικές κατανομές (Generalized Linear Models, GLM)
12.6 Δέντρα αποφάσεων (Decision Trees)
12.7 Τυχαία Δάση (Random Forests)
12.8 Μηχανές Διανυσματικής Στήριξης (Support Vector Machines, SVM)
12.9 Συμπεράσματα
Εφαρμογή: Ταξινόμηση πελατών. Σε ποιους θα πρέπει να κάνουμε έκπτωση;
Συμπεράσματα
Νικολάου Χριστόφορος
O Χριστόφορος Νικολάου αποφοίτησε από το Τμήμα Χημείας του Πανεπιστημίου Πατρών το 1999 και έλαβε Διδακτορικό Δίπλωμα από το Τμήμα Βιολογίας του Εθνικού Καποδιστριακού Πανεπιστημίου Αθηνών το 2005. Η διδακτορική του διατριβή είχε τίτλο “Μελέτη και Ποσοτικοποίηση της μη-Τυχαιότητας σε Γονιδιωματικές Αλληλουχίες σε σχέση με το λειτουργικό τους ρόλο”. Τα ερευνητικά του ενδιαφέροντα επικεντρώνονται σε θέματα Υπολογιστικής Γονιδιωματικής με έμφαση στην δομή και λειτουργία της χρωματινής και την εξέλιξη της γονιδιωματικής αρχιτεκτονικής.
Από το 1999 ως το 2004 εκπόνησε την διδακτορική του διατριβή στο Ινστιτούτο Βιολογίας του ΕΚΕΦΕ “Δημόκριτος” ως μεταπτυχιακός υπότροφος. Από το 2005 έως το 2009 εργάστηκε ως μετα-διδακτορικός ερευνητής στο Βιοϊατρικό Πάρκο της Βαρκελώνης. Το 2007 ήταν επισκέπτης ερευνητής στο Τμήμα Χημείας του Πανεπιστημίου της Βοστώνης. Από το 2010 εργάζεται ως διδάσκων ΠΔ407 στο Τμήμα Βιολογίας του Πανεπιστημίου Κρήτης, στο οποίο εξελέγη στη βαθμίδα του Επίκουρου Καθηγητή τον Δεκέμβριο του 2010.
Τα Επιστημονικά του ενδιαφέροντα επικεντρώνονται στην Υπολογιστική Γονιδιωματική και Βιοπληροφορική, με τα κύρια ενδιαφέροντά του να σχετίζονται με:
- Τη δομή του γονιδιωματικού DNA και την οργάνωση της χρωματινής σε σχέση με την ρύθμιση της γονιδιακής έκφρασης, τη μελέτη του ρόλου των νουκλεοσωμάτων στην δομή των ευκαρυωτικών γονιδιών και την μεταγραφική τους ενεργότητα.
- Τη συντήρηση δομικών, χρωματινικών χαρακτηριστικών του ευκαρυωτικού γονιδιώματος.
- Την εξέλιξη της γονιδιωματικής αρχιτεκτονικής σε επίπεδο ρυθμιστικών και επαναλαμβανόμενων στοιχείων και
- Την ανάπτυξη αλγορίθμων για την ανάλυση πρωτοταγών αλληλουχιών και την επεξεργασία βιολογικών δεδομένων υψηλής απόδοσης.
