Data Science

3.
Computational Foundations and Tools
3.1.
Programming for Data Science
3.1.1.
Python
3.1.1.2.
Data Structures
3.1.1.2.1.
Lists
3.1.1.2.2.
Tuples
3.1.1.2.3.
Dictionaries
3.1.1.2.4.
Sets
3.1.1.2.5.
Strings
3.1.1.6.
Matplotlib
3.1.1.6.1.
Basic Plotting
3.1.1.6.3.
Subplots
3.1.1.6.4.
Saving Figures
3.1.1.9.
Additional Libraries
3.1.1.9.1.
Plotly
3.1.1.9.2.
Bokeh
3.1.1.9.3.
Statsmodels
3.1.1.9.4.
SciPy
3.1.2.
R
3.1.2.1.
R Fundamentals
3.1.2.1.2.
R Syntax
3.1.2.1.3.
Data Types
3.1.2.1.4.
Vectors
3.1.2.1.5.
Lists
3.1.2.1.6.
Data Frames
3.1.2.1.7.
Factors
3.1.2.1.9.
Functions
3.1.2.1.10.
Packages
3.1.2.2.
Data Manipulation
3.1.2.2.2.
dplyr
3.1.2.2.2.1.
Filtering
3.1.2.2.2.2.
Selecting
3.1.2.2.2.3.
Mutating
3.1.2.2.2.4.
Summarizing
3.1.2.2.2.5.
Grouping
3.1.2.2.3.
data.table
3.1.2.2.3.1.
Syntax
3.1.2.2.4.
tidyr
3.1.2.2.4.1.
Reshaping Data
3.1.2.3.
Data Visualization
3.1.2.3.1.
Base R Graphics
3.1.2.3.2.
ggplot2
3.1.2.3.2.2.
Geometric Objects
3.1.2.3.2.3.
Aesthetic Mappings
3.1.2.3.2.4.
Faceting
3.1.2.3.2.5.
Themes
3.1.2.3.3.
Interactive Visualizations
3.1.2.3.3.1.
plotly
3.1.2.3.3.2.
shiny
3.1.2.5.
Machine Learning in R
3.1.2.5.1.
caret Package
3.1.2.5.2.
randomForest
3.1.2.5.3.
e1071
3.1.2.5.4.
glmnet

Previous

2. Mathematical and Statistical Foundations

Go to top

Next

4. Data Acquisition and Management