Data Science with R

"R ilə Data Science" təlimi sizə R ilə tətbiq olunan, analiz və modelləşmədə ən çox istifadə olunan müxtəlif data analitikası texnikaları üzrə bacarıqlar qazandırmaq üçün dizayn olunmuşdur.

Proqramın Əhatəsi: Data Science, Data Analitikası, Data Mining, Statistika, Ekonometrika, Marketinq Araşdırmaları, Araşdırma Metodları kimi sahə bilgiləri və R proqramı ilə praktiki tətbiqi.

Kamal Mirzəyev, Qafqaz Universiteti İqtisadiyyat və İdarəetmə fakültəsinin bakalavr dərəcəsini kafedra birincisi və fərqlənmə diplomu ilə bitirmişdir. Avropa Birliyinin Erasmus KA1+ proqramı çərçivəsində İtaliyanın L`Aquila unversitetində təhsil almış və universiteti ən yüksək qiymətlərlə tamamlamış eyni zamanda UNEC-də Strateji İdarəetmə ixtisası üzrə magistr dərəcəsini fərqlənmə diplomu ilə tamamlamışdır. Hazırda ÜNEC-də doktorantura təhsilini davam etdirir.

Kamal Mirzəyev bir çox şirkətlərdə Data Analitikası üzrə baş mütəxəsis, şöbə rəhbəri və departament rəhbəri vəzifələrində çalışmışdır. Hal-hazırda Azərbaycan Kredit Bürosunda "Data Analytics and Predictive Modelling"-in rəhbəri vəzifəsində çalışır və universitetlərdə tədris prosesini həyata keçirir.

Data Science, Data Analitikası, Biznes Analitikası, Müştəri Əlaqələrinin İdarə Olunması (CRM), Marketing Research, Maliyyə Analitikası və Risklərin İdarə Olunması kimi sahələrdə çalışmaq istəyənlər və çalışanlar.

Introduction to R 

• R basics (variables, logical operators, etc.) 
• Vectors,  Matrices, Factors, Lists
• Importing and exporting data frames, data types
• Conditional Statements (If, else and else if statements)
• For and while loops
• Apply family

Introduction to R tidyverse package

• dplyr
• tidyr
• ggplot
• magrittr
• flexdashboard
• R markdown

Introduction to Data Science

• Data Science, Statistics, and Machine Learning
• Descriptive Statistics (mean, median, mode, variance, standard deviation)
• Exploratory Data Analysis (Univariate, Bivariate analysis, etc.)
• Visualisation: Box-Plot, Histogram, Scatter plots and etc.
• Missing Data: Imputation methods
• Multicollinearity, Expectation, Variance, Correlation & Covariance, Outliers
• Confounding variables & Interaction effects
• Normal Distributions, Standardize Normal distribution & Central Limit Theorem 

Inferential Statistics

• Descriptive Statistics vs Inferential statistics
• Populations, parameters, samples in inferential statistics
• Point Estimates and Confidence Intervals
• One-way and two-way ANOVA, MANOVA
• Hypothesis Testing : Null and Alternative hypothesis, Decision Making
• T-test for one sample and two sample proportion, Paired T-tests

Nonparametric Statistics

• What is nonparametric statistics? 
• The Sign Test
• The Wilcoxon Signed-Rank Tests
• The Kruskal Wallis Test
• Spearman Rank Correlation Test

Linear Regression Modelling

• Simple & Multiple Linear Regression Models
• Assumptions of the Multiple Linear Regression
• Standard Deviation of random errors, Coefficients
• Model Validation techniques (Stepwise Regression,  Goodnes-of-Fit test, Cross Validation)
• Nonlinear Regression

Introduction to Machine Learning 

• Supervised & Unsupervised learning
• Classification
• Logistic Regression
• Decision Trees, XGBoost and Random Forest
• Clustering Analysis: K-means clustering
• K Nearest Neighbors

Step to Business World

• Data Scientist CV Preparation

• Interview preparation