Zaman serisi nesnesi

Birçok şirket, eğilimleri veya mevsimsel dalgalanmaları görmek için zaman bağımlı veriler toplar. Zaman düzensiz olduğundan, özellikle iş görüşmesi gibi stresli ortamlarda, zaman bağımlı verilerle uğraşmak zor olabilir.

Verileri bir zaman serisi nesnesine dönüştürmek, bu tür veri kümelerini analiz etmeyi kolaylaştırır.

xts nesnesi şu argümanları alır:

x - bir değerler kümesi,
order.by - karşılık gelen tarihlerin kümesi (Date sınıfında olmalıdır).

Bu egzersizde doğal gaz fiyatları ile çalışacaksın. Veri kümesi iki değişken içerir:

Price - sayısal değerler,
Date - faktör olarak saklanan tarihler.

gas veri kümesi ortamında hazır.

Bu egzersiz

R ile İstatistik Mülakat Soruları Pratiği

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

library(xts)

# View the structure of gas
str(___)

# Coerce to date class
gas$Date <- ___(gas$Date)

Kodu Düzenle ve Çalıştır

Bu egzersiz

R ile İstatistik Mülakat Soruları Pratiği

kursunun bir parçasıdır

AvançadoNível de habilidade

4.7+

Kursa Ücretsiz Başlayın

Want to increase your odds of acing your job interview? If so, brush up on your knowledge of probability theory. In this chapter, we'll roll dice and shoot baskets to explain probabilities using real-life examples.

Exercise 1: Discrete distributions Exercise 2: Probability functions Exercise 3: Bernoulli trials Exercise 4: Binomial distribution Exercise 5: Continuous distributions Exercise 6: Uniform distribution Exercise 7: Shape of normal distribution Exercise 8: Sample from normal distribution Exercise 9: Central limit theorem Exercise 10: Law of large numbers Exercise 11: Simulating central limit theorem

If the job description appeals to you review descriptive statistics before the interview. In this chapter, you will practice exploratory data analysis (EDA) using natural gas prices and data from a survey analysis.

Exercise 1: Betimsel istatistikler Exercise 2: Merkezî eğilim ölçüleri Exercise 3: Değişkenlik ölçüleri Exercise 4: Kategorik veriler Exercise 5: Anket analizi Exercise 6: Veri kodlama Exercise 7: Zaman serileri Exercise 8: Zaman serisi nesnesi

Geçerli Egzersiz

Exercise 9: Zaman serilerini düzenleme Exercise 10: Temel Bileşen Analizi Exercise 11: PCA - döndürme Exercise 12: PCA - boyut indirgeme

March confidently into your job interview after reviewing confidence intervals. We'll review the t-test, ANOVA, and normality tests to prepare you for statistics-based coding questions.

Exercise 1: Normality tests Exercise 2: Shapiro-Wilk test Exercise 3: Q-Q plot Exercise 4: Inference for a mean Exercise 5: Confidence interval Exercise 6: One-sample t-test Exercise 7: Comparing two means Exercise 8: Two-sample t-test Exercise 9: Paired test Exercise 10: ANOVA Exercise 11: Comparing groups Exercise 12: ANOVA for plant growth

Is your potential employer planning to test your R skills? Make sure you’re prepared and practice model evaluation beforehand. In this chapter, we will fit and evaluate linear and logistic regression models using various biomedical datasets. By the end of this chapter, you’ll be fully prepared to answer any question the interviewer throws your way!

Exercise 1: Covariance and correlation Exercise 2: Covariance by hand Exercise 3: Linear relationship Exercise 4: Nonlinear relationship Exercise 5: Linear regression model Exercise 6: Fitting linear models Exercise 7: Predicting with linear models Exercise 8: Logistic regression model Exercise 9: Fitting logistic models Exercise 10: Predicting with logistic models Exercise 11: Model evaluation Exercise 12: Validation set approach Exercise 13: Regression evaluation Exercise 14: Classification evaluation Exercise 15: Wrapping up