Język R jest jednym z najważniejszych narzędzi wykorzystywanych obecnie do analizy danych w nauce. Jego możliwości pozwalają na prowadzenie analiz statystycznych, wizualizację wyników oraz tworzenie powtarzalnych i odtwarzalnych procesów analitycznych.
Efektywna praca w R wymaga jednak czegoś więcej niż znajomości pojedynczych poleceń czy korzystania z gotowych skryptów. Kluczowe jest zrozumienie sposobu działania środowiska, struktur danych oraz zasad organizacji pracy, które pozwalają samodzielnie tworzyć, rozwijać i modyfikować własne analizy.
Podczas webinaru zostało zaprezentowane środowisko R oraz jego możliwości w pracy z danymi. Uczestnicy poznali podstawowe założenia pracy w R – sposób organizacji danych, logikę działania środowiska oraz znaczenie tworzenia analiz w sposób powtarzalny i odtwarzalny. Przedstawione zostaną również przykłady zastosowania R w analizie danych, wizualizacji wyników oraz pracy z bardziej złożonymi zbiorami danych.
O prowadzącym
prof. dr hab. Łukasz Komsta jest absolwentem farmacji Akademii Medycznej w Lublinie oraz filologii słowiańskiej Uniwersytetu Śląskiego. Jest autorem pierwszego polskiego krótkiego wprowadzenia do środowiska R, opublikowanego online w 2004 roku, jak również kilku powszechnie używanych pakietów rozszerzeń (np. outliers z testami do odrzucania obserwacji odstających). Programowaniem zajmuje się od czasów studiów, a środowisko R wykorzystuje w codziennej pracy naukowej praktycznie od początku jego istnienia. Zainteresowania naukowe obejmują wielowymiarową eksplorację wyników retencji chromatograficznej różnych związków chemicznych (chemometria), obróbkę złożonych sygnałów i obrazów, projektowanie nowych współczynników charakteryzujących retencję oraz opracowywanie nowych metod analizy danych (np. Directional Median Analysis, stworzona w 2016 roku). Jest członkiem Zespołu Chemometrii, Metrologii i Sztucznej Inteligencji Komitetu Chemii Analitycznej PAN. Prowadzi regularne szkolenia z R i Matlab (w tym zagraniczne) dla studentów, doktorantów i pracowników uczelni, zorientowane zarówno na praktyczną analizę danych, jak i na naukę samego programowania.