lapply(1:42, function(timeseries) timeseries^2)

Márciusban találkozhattok Ágival, aki Londonból látogat haza, valamint Milibák Eszter beszél az idősorelemzésről.

------------------
Néhány tipp hackeléshez: indexek és iterációk (Salánki Ágnes)

Az R alapcsomagjai nagyszerűen támogatják az összes tipikusan előforduló elemzői tevékenységet: néhány sor kóddal gyorsan tudjuk transzformálni az adatainkat egyik táblázatos formából a másikba esetleg vizualizálni az eredményeinket. Azokban az esetekben viszont, ha az adataink nem ilyen szép, könnyen kezelhető formátumban kerülnek hozzánk, szükségünk lehet némi tudásra arról például, mik azok a listák és hogyan lehet a tartalmukon végigmenni. A márciusi alkalommal így visszatérünk kicsit a nyelv alapköveihez és megtanuljuk:

• mik a listák, vektorok és data frame-ek közös vonása és kapcsolata egymással,
• mit csinál a [], [[]] és a $ operátor ezeken az adattípusokon,
• miért a barátunk a más programozási nyelvekből esetleg ismert for ciklus,
• mit csinál az sapply, lapply, map függvény és
• ez a tudás hogyan alkalmazható például annak eldöntésében, hogy legközelebb milyen darabot nézzünk meg a Katonában.

Előkövetelmény nincs, de azok várhatóan kicsit jobban tudnak majd haladni, akik a februári eseményen részt vettek és tudják, mi az a scrape-elés és micsoda az if() else{} kifejezés.

A meetup előtt érdemes a következő két állományt letölteni: https://raw.githubusercontent.com/rladies/meetup-presentations_budapest/master/Meetup_2018_03_09/Data%20structures%20and%20loops/Data%20structures%20and%20loops/R/warmup.R és https://raw.githubusercontent.com/rladies/meetup-presentations_budapest/master/Meetup_2018_03_09/Data%20structures%20and%20loops/Data%20structures%20and%20loops/R/exploratory.R .
Aki teheti, indulás előtt telepítse a purrr és az rvest csomagokat is, de természetesen ezek az előmunkálatok mind megoldhatóak ott helyben is.

------------------
Idősoros előrejelzések készítése R-ben (Milibák Eszter)

Az üzleti és tudományos életben számos olyan adatsorral találkozhatunk, amelyek alakulása az időben több-kevesebb szabályosságot mutat. Az ezekben rejlő mintázatok felismerésére, előrejelzésekhez történő felhasználására az R számos hasznos csomagot és algoritmust kínál. A workshopon először megismerkedünk az idősoros elemzések alapfogalmaival, az ilyen típusú adatok feltérképezésének módszereivel. Ezután közösen kipróbáljuk az auto.arima, nnetar és hybridModel algoritmusokat az R forecast és forecastHybrid csomagjaiból.