Este curso se centra en los conceptos y las herramientas que permiten realizar análisis de datos modernos de forma reproducible. La investigación reproducible se basa en la idea de que los análisis de datos y, en general, las afirmaciones científicas, se publican con sus datos y el código del software para que otros puedan verificar los hallazgos y basarse en ellos. La necesidad de reproducibilidad aumenta drásticamente a medida que los análisis de datos se vuelven más complejos, con conjuntos de datos más grandes y cálculos más sofisticados. La reproducibilidad permite que las personas se centren en el contenido real de un análisis de datos, en lugar de en los detalles superficiales que aparecen en un resumen escrito. Además, la reproducibilidad hace que un análisis sea más útil para otros, ya que los datos y el código que en realidad permitieron llevar a cabo el análisis están disponibles. Este curso se centrará en las herramientas de análisis estadístico alfabetizadas que permiten publicar los análisis de datos en un único documento que permite a otros ejecutar fácilmente el mismo análisis para obtener los mismos resultados.
ofrecido por
Universidad Johns HopkinsAcerca de este Curso
Qué aprenderás
Organiza el análisis de datos para que sea más fácil reproducirlo
Write up a reproducible data analysis using knitr
Determine the reproducibility of analysis project
Publish reproducible web documents using Markdown
Habilidades que obtendrás
- Knitr
- Data Analysis
- R Programming
- Markup Language
ofrecido por
Universidad Johns Hopkins
The mission of The Johns Hopkins University is to educate its students and cultivate their capacity for life-long learning, to foster independent and original research, and to bring the benefits of discovery to the world.
Programa - Qué aprenderás en este curso
Week 1: Concepts, Ideas, & Structure
This week will cover the basic ideas of reproducible research since they may be unfamiliar to some of you. We also cover structuring and organizing a data analysis to help make it more reproducible. I recommend that you watch the videos in the order that they are listed on the web page, but watching the videos out of order isn't going to ruin the story.
Week 2: Markdown & knitr
This week we cover some of the core tools for developing reproducible documents. We cover the literate programming tool knitr and show how to integrate it with Markdown to publish reproducible web documents. We also introduce the first peer assessment which will require you to write up a reproducible data analysis using knitr.
Week 3: Reproducible Research Checklist & Evidence-based Data Analysis
This week covers what one could call a basic check list for ensuring that a data analysis is reproducible. While it's not absolutely sufficient to follow the check list, it provides a necessary minimum standard that would be applicable to almost any area of analysis.
Week 4: Case Studies & Commentaries
This week there are two
Reseñas
- 5 stars68,64 %
- 4 stars22,95 %
- 3 stars5,71 %
- 2 stars1,64 %
- 1 star1,04 %
Principales reseñas sobre INVESTIGACIÓN REPRODUCIBLE
This is a necessary evil. You can try to do the other classes in the specialization without it, but learning to use R markdown well is hard with out this or a similar class
My favorite course, at least it gives me an argument why scripted statistics is awesome and can be applied to a number of data related activities. Recycling chunks of code has proven useful to me.
it shows how to better communicate one analysis and i have learnt a lot from it. the lectures should be updated as some details and figures were irrelevant a this time
I took this course as part of the Data Science specialization without any real expectation and realized that this subject is probably one of the most important in data analysis.
Preguntas Frecuentes
¿Cuándo podré acceder a las lecciones y tareas?
¿Qué recibiré si me suscribo a este Programa especializado?
¿Hay ayuda económica disponible?
¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.
