Soumettre la recherche
Mettre en ligne
Tokyo r27
•
Télécharger en tant que PPTX, PDF
•
2 j'aime
•
855 vues
Takashi Minoda
Suivre
Tokyo.R 第27回 CodeIQとのコラボレーション解説編
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 30
Télécharger maintenant
Recommandé
Sec15 dynamic programming
Sec15 dynamic programming
Keisuke OTAKI
R による文書分類入門
R による文書分類入門
Takeshi Arabiki
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
Long-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向について
Plot Hong
クラスタリングとレコメンデーション資料
クラスタリングとレコメンデーション資料
洋資 堅田
20170422 数学カフェ Part1
20170422 数学カフェ Part1
Kenta Oono
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
Recommandé
Sec15 dynamic programming
Sec15 dynamic programming
Keisuke OTAKI
R による文書分類入門
R による文書分類入門
Takeshi Arabiki
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
Long-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向について
Plot Hong
クラスタリングとレコメンデーション資料
クラスタリングとレコメンデーション資料
洋資 堅田
20170422 数学カフェ Part1
20170422 数学カフェ Part1
Kenta Oono
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
4thNLPDL
4thNLPDL
Sho Takase
潜在ディリクレ配分法
潜在ディリクレ配分法
y-uti
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
R seminar on igraph
R seminar on igraph
Kazuhiro Takemoto
20130716 はじパタ3章前半 ベイズの識別規則
20130716 はじパタ3章前半 ベイズの識別規則
koba cky
オセロ求解へ向けた取り組み
オセロ求解へ向けた取り組み
hashimoto_mct
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
Takuma Yagi
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
Satoru Yamamoto
Random Forests
Random Forests
Hironobu Fujiyoshi
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
Infinite SVM [改] - ICML 2011 読み会
Infinite SVM [改] - ICML 2011 読み会
Shuyo Nakatani
FHE in Action
FHE in Action
文杰 陆
Pythonではじめる競技プログラミング
Pythonではじめる競技プログラミング
cocodrips
クラシックな機械学習の入門 4. 学習データと予測性能
クラシックな機械学習の入門 4. 学習データと予測性能
Hiroshi Nakagawa
[Ridge-i 論文読み会] ICLR2019における不完全ラベル学習
[Ridge-i 論文読み会] ICLR2019における不完全ラベル学習
Masanari Kimura
Random Forestsとその応用
Random Forestsとその応用
MPRG_Chubu_University
Deep learning for acoustic modeling in parametric speech generation
Deep learning for acoustic modeling in parametric speech generation
Yuki Saito
Comment
Comment
oupc
実験計画法(直交表実験)の応用によるLpoの実例 slide share
実験計画法(直交表実験)の応用によるLpoの実例 slide share
Kazuya Obanayama
Tokyo r21 2
Tokyo r21 2
Takashi Minoda
Tokyo r28 1
Tokyo r28 1
Takashi Minoda
Contenu connexe
Tendances
4thNLPDL
4thNLPDL
Sho Takase
潜在ディリクレ配分法
潜在ディリクレ配分法
y-uti
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
R seminar on igraph
R seminar on igraph
Kazuhiro Takemoto
20130716 はじパタ3章前半 ベイズの識別規則
20130716 はじパタ3章前半 ベイズの識別規則
koba cky
オセロ求解へ向けた取り組み
オセロ求解へ向けた取り組み
hashimoto_mct
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
Takuma Yagi
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
Satoru Yamamoto
Random Forests
Random Forests
Hironobu Fujiyoshi
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
Infinite SVM [改] - ICML 2011 読み会
Infinite SVM [改] - ICML 2011 読み会
Shuyo Nakatani
FHE in Action
FHE in Action
文杰 陆
Pythonではじめる競技プログラミング
Pythonではじめる競技プログラミング
cocodrips
クラシックな機械学習の入門 4. 学習データと予測性能
クラシックな機械学習の入門 4. 学習データと予測性能
Hiroshi Nakagawa
[Ridge-i 論文読み会] ICLR2019における不完全ラベル学習
[Ridge-i 論文読み会] ICLR2019における不完全ラベル学習
Masanari Kimura
Random Forestsとその応用
Random Forestsとその応用
MPRG_Chubu_University
Deep learning for acoustic modeling in parametric speech generation
Deep learning for acoustic modeling in parametric speech generation
Yuki Saito
Comment
Comment
oupc
実験計画法(直交表実験)の応用によるLpoの実例 slide share
実験計画法(直交表実験)の応用によるLpoの実例 slide share
Kazuya Obanayama
Tendances
(20)
4thNLPDL
4thNLPDL
潜在ディリクレ配分法
潜在ディリクレ配分法
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
R seminar on igraph
R seminar on igraph
20130716 はじパタ3章前半 ベイズの識別規則
20130716 はじパタ3章前半 ベイズの識別規則
オセロ求解へ向けた取り組み
オセロ求解へ向けた取り組み
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
ABテスト・LPOのための統計学【社内向けサディスティックエディション】データアーティスト株式会社
Random Forests
Random Forests
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
Infinite SVM [改] - ICML 2011 読み会
Infinite SVM [改] - ICML 2011 読み会
FHE in Action
FHE in Action
Pythonではじめる競技プログラミング
Pythonではじめる競技プログラミング
クラシックな機械学習の入門 4. 学習データと予測性能
クラシックな機械学習の入門 4. 学習データと予測性能
[Ridge-i 論文読み会] ICLR2019における不完全ラベル学習
[Ridge-i 論文読み会] ICLR2019における不完全ラベル学習
Random Forestsとその応用
Random Forestsとその応用
Deep learning for acoustic modeling in parametric speech generation
Deep learning for acoustic modeling in parametric speech generation
Comment
Comment
実験計画法(直交表実験)の応用によるLpoの実例 slide share
実験計画法(直交表実験)の応用によるLpoの実例 slide share
En vedette
Tokyo r21 2
Tokyo r21 2
Takashi Minoda
Tokyo r28 1
Tokyo r28 1
Takashi Minoda
Tokyo r24 r_graph_tutorial
Tokyo r24 r_graph_tutorial
Takashi Minoda
ggplot2 110129
ggplot2 110129
Takashi Minoda
Tokyo r21 修正版
Tokyo r21 修正版
Takashi Minoda
Tokyo r18
Tokyo r18
Takashi Minoda
Tokyo r50 beginner_2
Tokyo r50 beginner_2
Takashi Minoda
Tokyo r49 beginner
Tokyo r49 beginner
Takashi Minoda
En vedette
(8)
Tokyo r21 2
Tokyo r21 2
Tokyo r28 1
Tokyo r28 1
Tokyo r24 r_graph_tutorial
Tokyo r24 r_graph_tutorial
ggplot2 110129
ggplot2 110129
Tokyo r21 修正版
Tokyo r21 修正版
Tokyo r18
Tokyo r18
Tokyo r50 beginner_2
Tokyo r50 beginner_2
Tokyo r49 beginner
Tokyo r49 beginner
Similaire à Tokyo r27
Code iq×japanr 公開用
Code iq×japanr 公開用
Nobuaki Oshiro
R's anti sparseness
R's anti sparseness
ybenjo
R language definition3.1_3.2
R language definition3.1_3.2
Yoshiteru Kamiyama
LET2011: Rによる教育データ分析入門
LET2011: Rによる教育データ分析入門
Yuichiro Kobayashi
HiRoshimaR3_IntroR
HiRoshimaR3_IntroR
SAKAUE, Tatsuya
Nagoya.R #12 入門者講習
Nagoya.R #12 入門者講習
Yusaku Kawaguchi
Tokyo r33 beginner
Tokyo r33 beginner
Takashi Minoda
2017年3月版データマエショリスト入門
2017年3月版データマエショリスト入門
Yuya Matsumura
形式手法とalloyの紹介
形式手法とalloyの紹介
Daisuke Tanaka
K010 appstat201201
K010 appstat201201
t2tarumi
2017年3月版データマエショリスト入門(誤植修正版)
2017年3月版データマエショリスト入門(誤植修正版)
Yuya Matsumura
多次元配列の効率的利用法の検討
多次元配列の効率的利用法の検討
Yu Sato
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章
Tomonobu_Hirano
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案
yushin_hirano
2016年6月版データマエショリスト入門
2016年6月版データマエショリスト入門
Yuya Matsumura
R note 01_ver1.2
R note 01_ver1.2
Satoshi Kume
SappoRo.R #2 初心者向けWS資料
SappoRo.R #2 初心者向けWS資料
考司 小杉
Python 機械学習プログラミング データ分析ライブラリー解説編
Python 機械学習プログラミング データ分析ライブラリー解説編
Etsuji Nakai
Donutsプロコンチャレンジ 2015 解説
Donutsプロコンチャレンジ 2015 解説
kuno4n
Ⅰ. Rの基礎 2017
Ⅰ. Rの基礎 2017
wada, kazumi
Similaire à Tokyo r27
(20)
Code iq×japanr 公開用
Code iq×japanr 公開用
R's anti sparseness
R's anti sparseness
R language definition3.1_3.2
R language definition3.1_3.2
LET2011: Rによる教育データ分析入門
LET2011: Rによる教育データ分析入門
HiRoshimaR3_IntroR
HiRoshimaR3_IntroR
Nagoya.R #12 入門者講習
Nagoya.R #12 入門者講習
Tokyo r33 beginner
Tokyo r33 beginner
2017年3月版データマエショリスト入門
2017年3月版データマエショリスト入門
形式手法とalloyの紹介
形式手法とalloyの紹介
K010 appstat201201
K010 appstat201201
2017年3月版データマエショリスト入門(誤植修正版)
2017年3月版データマエショリスト入門(誤植修正版)
多次元配列の効率的利用法の検討
多次元配列の効率的利用法の検討
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案
2016年6月版データマエショリスト入門
2016年6月版データマエショリスト入門
R note 01_ver1.2
R note 01_ver1.2
SappoRo.R #2 初心者向けWS資料
SappoRo.R #2 初心者向けWS資料
Python 機械学習プログラミング データ分析ライブラリー解説編
Python 機械学習プログラミング データ分析ライブラリー解説編
Donutsプロコンチャレンジ 2015 解説
Donutsプロコンチャレンジ 2015 解説
Ⅰ. Rの基礎 2017
Ⅰ. Rの基礎 2017
Plus de Takashi Minoda
Introduction r (R入門)
Introduction r (R入門)
Takashi Minoda
RStudioでRをはじめよう(R for Beginner using RStudio)
RStudioでRをはじめよう(R for Beginner using RStudio)
Takashi Minoda
RからGoogle Cloud Vision API を利用する
RからGoogle Cloud Vision API を利用する
Takashi Minoda
TokyoR:RMarkdownでレポート作成
TokyoR:RMarkdownでレポート作成
Takashi Minoda
Rとデータベース 第61回 Tokyo.R
Rとデータベース 第61回 Tokyo.R
Takashi Minoda
Tokyo r47 beginner
Tokyo r47 beginner
Takashi Minoda
Tokyo r47 beginner_2
Tokyo r47 beginner_2
Takashi Minoda
Tokyo r45 beginner_2
Tokyo r45 beginner_2
Takashi Minoda
Tokyo r39 beginner
Tokyo r39 beginner
Takashi Minoda
Tokyo r38
Tokyo r38
Takashi Minoda
Tokyo r30 anova_part2
Tokyo r30 anova_part2
Takashi Minoda
Tokyo r30 anova
Tokyo r30 anova
Takashi Minoda
Tokyo r30 beginner
Tokyo r30 beginner
Takashi Minoda
Tokyo r sqldf
Tokyo r sqldf
Takashi Minoda
ggplot2 110129
ggplot2 110129
Takashi Minoda
Japan r 101127
Japan r 101127
Takashi Minoda
Tokyo r r_excel
Tokyo r r_excel
Takashi Minoda
Tokyo r no8_海外サイトの紹介
Tokyo r no8_海外サイトの紹介
Takashi Minoda
Plus de Takashi Minoda
(18)
Introduction r (R入門)
Introduction r (R入門)
RStudioでRをはじめよう(R for Beginner using RStudio)
RStudioでRをはじめよう(R for Beginner using RStudio)
RからGoogle Cloud Vision API を利用する
RからGoogle Cloud Vision API を利用する
TokyoR:RMarkdownでレポート作成
TokyoR:RMarkdownでレポート作成
Rとデータベース 第61回 Tokyo.R
Rとデータベース 第61回 Tokyo.R
Tokyo r47 beginner
Tokyo r47 beginner
Tokyo r47 beginner_2
Tokyo r47 beginner_2
Tokyo r45 beginner_2
Tokyo r45 beginner_2
Tokyo r39 beginner
Tokyo r39 beginner
Tokyo r38
Tokyo r38
Tokyo r30 anova_part2
Tokyo r30 anova_part2
Tokyo r30 anova
Tokyo r30 anova
Tokyo r30 beginner
Tokyo r30 beginner
Tokyo r sqldf
Tokyo r sqldf
ggplot2 110129
ggplot2 110129
Japan r 101127
Japan r 101127
Tokyo r r_excel
Tokyo r r_excel
Tokyo r no8_海外サイトの紹介
Tokyo r no8_海外サイトの紹介
Dernier
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Dernier
(7)
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
Tokyo r27
1.
×
コラボレーション企画 解説編 TOKYO.R #27
2.
目次 1. 自己紹介 2. どうしてこの企画を【私が】やることになったか 3.
CodeIQって? 4. どんな問題を出したのか 5. 解答例 6. まとめ 7. おまけ ※ スクリーンショットや機能等はMac版となります。
3.
目次 1. 自己紹介 2. どうしてこの企画を【私が】やることになったか 3.
CodeIQって? 4. どんな問題を出したのか 5. 解答例 6. まとめ 7. おまけ ※ スクリーンショットや機能等はMac版となります。
4.
自己紹介 •
名前 :簑田 高志 • Twitter ID :aad34210 • ブログ :http://pracmper.blogspot.com/ • 出身地 :熊本県 • 仕事 :インターネット広告のアナリスト
5.
目次 1. 自己紹介 2. どうしてこの企画を【私が】やることになったか 3.
CodeIQって? 4. どんな問題を出したのか 5. 解答例 6. まとめ 7. おまけ ※ スクリーンショットや機能等はMac版となります。
6.
どうしてこの企画を【私が】やることになっ た? • みなさん、すでにお気づきかと思いますが… •
この方から CodeIQとTokyoRとでコラボしたらおもしろい よね @millionsmile • この方に相談が行き… おお!いいっすね〜。(さて誰にふろうか なー?) @yokkuns • 猫にムチャぶりされた。 おお、人柱っすね。いいっすよー(安請け合い @aad34210
7.
目次 1. 自己紹介 2. どうしてこの企画を【私が】やることになったか 3.
CodeIQってどんなサイト? 4. どんな問題を出したのか 5. 解答例 6. まとめ 7. おまけ ※ スクリーンショットや機能等はMac版となります。
8.
CODEIQってどんなサイト?
URL:https://codeiq.jp/ 企業やオープンソースの団体などから質問を出してもらい、 それをエンジニアが解答をして、出題者から評価してもらうというサイト。 → Tokyo.Rで問題をだすのは初めての試み。
9.
CODEIQってどんなサイト?
https://codeiq.jp/ace/aad34210/q62
10.
目次 1. 自己紹介 2. どうしてこの企画を【私が】やることになったか 3.
CodeIQってどんなサイト? 4. どんな問題を出したのか? 5. 解答例 6. まとめ 7. おまけ ※ スクリーンショットや機能等はMac版となります。
11.
どんな問題をだしたのか? • Rをさわり始めた人や、初心者の人たちに向けて、教科書の問
題に加えて、実践的なコードを書くほうが習得が早いはず。 • 実際の問題のねらいとしては、このように書いています。 ■出題のねらい Rを使いはじめて間もない方が、この問題をスムーズに解け ると、ひと通りのRの機能を使って解析ができるだろうという ことをねらいとしています。 • 問題を解答してくれるターゲットは、「Rの初心者」です。 • なので、この問題を時間以内に解ける!という自信がある方 は、Rの初心者以上の方かも?!
12.
どんな問題をだしたのか?(前提) 【前提】 あなたは、ある大学の大学入試センターの職員です。 今年の受験者数は1000人でした。 手元にあるテスト結果データを使って、各教科の傾向を確認したいと考えています。 データは以下のような形式になっています。 ・student_no
: 受験番号 ・city : 受験地域 ・national_language : 国語 ・math : 数学 ・english : 英語 ・society : 社会 ・science : 理科 【データ格納場所】 http://www.geocities.jp/ados/exam_results.csv ※ 課題は全部で5題出題されています。
13.
どんな問題をだしたのか?(問題文1) 【課題1】 データはCSV形式になっています。exam_results.csvをダウンロードし、 解析環境のRへの読み込んでください。CSVを読み込んだのRのコードを提出してくだ 【課題2】 各教科の以下の統計量を知りたいです。Rを使って求めてください。 計算に使ったRのコードと計算結果を提出してください。 (1) 各教科の平均点 (2) 各教科の標準偏差 (3)
各教科の最高得点 (4) 各教科の最低得点 (5) 各教科の範囲
14.
どんな問題をだしたのか?(問題文2) 【課題3】 地域別の統計量も知りたいです。Rを使って求めて下さい。 計算に使ったRのコードと計算結果を提出してください。 (1) 地域別の各教科の平均点 (2) 地域別の各教科の標準偏差 (3)
地域別の各教科の最高得点 (4) 地域別の各教科の最低得点 (5) 地域別の各教科の範囲 【課題4】 各教科の「平均点」「最高得点」「最低得点」「範囲」の統計量が一目でわかる ようなグラフを描きたいです。どのようなグラフがわかりやすいでしょうか。 描画に使ったRのコードと描画したグラフを提出してください。
15.
どんな問題をだしたのか?(問題文3) 【課題5】 過去5年分でも同じようなデータがあることがわかりました。過去の傾向も同じ ように調べたいと思っています。 複数年度を同じように見たい場合、1年ずつコードを書くのは面倒なため、 Funcitonを使って簡略化したいと思っています。 ファイル名はexam_results2011.csv 、exam_results2010.csv ....
となっており、 このファイル名の年数の部分を変えるだけで、【課題2】の結果が表示されるよ うにしたいです。 Functionを作成し、そのコードを提出してください。
16.
目次 1. 自己紹介 2. どうしてこの企画を【私が】やることになったか 3.
CodeIQってどんなサイト? 4. どんな問題を出したのか? 5. 解答例 6. まとめ 7. おまけ ※ スクリーンショットや機能等はMac版となります。
17.
解答例(課題1) 【課題1】 データはCSV形式になっています。exam_results.csvをダウンロードし、 解析環境のRへの読み込んでください。CSVを読み込んだのRのコードを提出し てください。 【解答1】 file <- "http://www.geocities.jp/ados/exam_results.csv" dt
<- read.csv(file , header = TRUE , sep = ",") head(dt) tail(dt) • 直接インターネット上のファイルを取得する形でRに取り込んでいます。 • もちろん、ダウンロードした上で、ローカルファイルパスを指定しても問題あ りません。 • Read.csvでデータを読み込みます。 • ちゃんとデータが入っているかどうか確認するため、head(),tail()関数でデータ 内容を確認します。
18.
解答例(課題2) 【課題2】 各教科の以下の統計量を知りたいです。Rを使って求めてください。 計算に使ったRのコードと計算結果を提出してください。 (1) 各教科の平均点 (2) 各教科の標準偏差 (3)
各教科の最高得点 (4) 各教科の最低得点 (5) 各教科の範囲 【解答2】 #解答例1 summary(dt[,c(-1:-3)]) apply(dt[,c(-1:-3)] , 2 , range) apply(dt[,c(-1:-3)] , 2 , sd) #解答例2 apply(dt[,c(-1:-3)] , 2 , max) apply(dt[,c(-1:-3)] , 2 , min) apply(dt[,c(-1:-3)] , 2 , mean) apply(dt[,c(-1:-3)] , 2 , sd) apply(dt[,c(-1:-3)] , 2 , range)
19.
解答例(課題2) 【解答2】 #解答例1 summary(dt[,c(-1:-3)]) apply(dt[,c(-1:-3)] , 2
, range) apply(dt[,c(-1:-3)] , 2 , sd) #解答例2 apply(dt[,c(-1:-3)] , 2 , max) apply(dt[,c(-1:-3)] , 2 , min) apply(dt[,c(-1:-3)] , 2 , mean) apply(dt[,c(-1:-3)] , 2 , sd) apply(dt[,c(-1:-3)] , 2 , range) • 解答例1では、Summaryを使って一気に平均・最高点・最低点を出しています。 足りていない統計値(範囲・標準偏差)はapply関数を使って別で出していま す。 • 解答例2では、それぞれの統計量をapply関数を使って出しています。
20.
解答例(課題3) 【課題3】 地域別の統計量も知りたいです。Rを使って求めて下さい。 計算に使ったRのコードと計算結果を提出してください。 (1) 地域別の各教科の平均点 (2) 地域別の各教科の標準偏差 (3)
地域別の各教科の最高得点 (4) 地域別の各教科の最低得点 (5) 地域別の各教科の範囲 【解答例1】 【解答例2】 nl <- tapply(dt[,4] , dt[,3] , summary) by(dt[,c(-1:-3)] , dt[,3] , summary) nl_r <- tapply(dt[,4] , dt[,3] , range) by(dt[,c(-1:-3)] , dt[,3] , range) nl_sd <- tapply(dt[,4] , dt[,3] , sd) by(dt[,c(-1:-3)] , dt[,3] , sd) mt <- tapply(dt[,5] , dt[,3] , summary) mt_r <- tapply(dt[,5] , dt[,3] , range) mt_sd <- tapply(dt[,4] , dt[,3] , sd) en <- tapply(dt[,6] , dt[,3] , summary) en_r <- tapply(dt[,6] , dt[,3] , range) en_sd <- tapply(dt[,4] , dt[,3] , sd) so <- tapply(dt[,7] , dt[,3] , summary) so_r <- tapply(dt[,7] , dt[,3] , range) so_sd <- tapply(dt[,4] , dt[,3] , sd) sc <- tapply(dt[,8] , dt[,3] , summary) sc_r <- tapply(dt[,8] , dt[,3] , range) sc_sd <- tapply(dt[,4] , dt[,3] , sd)
21.
解答例(課題3) 【解答例1】
【解答例2】 by(dt[,c(-1:-3)] , dt[,3] , summary) nl <- tapply(dt[,4] , dt[,3] , summary) nl_r <- tapply(dt[,4] , dt[,3] , range) by(dt[,c(-1:-3)] , dt[,3] , range) nl_sd <- tapply(dt[,4] , dt[,3] , sd) by(dt[,c(-1:-3)] , dt[,3] , sd) mt <- tapply(dt[,5] , dt[,3] , summary) mt_r <- tapply(dt[,5] , dt[,3] , range) mt_sd <- tapply(dt[,4] , dt[,3] , sd) en <- tapply(dt[,6] , dt[,3] , summary) en_r <- tapply(dt[,6] , dt[,3] , range) en_sd <- tapply(dt[,4] , dt[,3] , sd) so <- tapply(dt[,7] , dt[,3] , summary) so_r <- tapply(dt[,7] , dt[,3] , range) so_sd <- tapply(dt[,4] , dt[,3] , sd) sc <- tapply(dt[,8] , dt[,3] , summary) sc_r <- tapply(dt[,8] , dt[,3] , range) sc_sd <- tapply(dt[,4] , dt[,3] , sd) • 解答例1では、by関数を使ってCityごとに平均・最高点・最低点を出していま す。足りていない統計値(範囲・標準偏差)は同じようにBy関数を使って別で 出しています。 • 解答例2では、それぞれの統計量をapply関数を使って出しています。
22.
解答例(課題4) 【課題4】 各教科の「平均点」「最高得点」「最低得点」「範囲」の統計量が一目でわかる ようなグラフを描きたいです。どのようなグラフがわかりやすいでしょうか。 描画に使ったRのコードと描画したグラフを提出してください。 【解答4】 boxplot(dt[,c(4:8)] , main
= "Boxplot") • ここで解答してほしいのは「箱ひげ図」 • デフォルトの箱ひげ図では「中央値」を表示します。平均値を計算して、Plot してください。(上記コードはデフォルトのまま利用しています)
23.
解答例(課題5) 【課題5】 過去5年分でも同じようなデータがあることがわかりました。過去の傾向も同じ ように調べたいと思っています。 複数年度を同じように見たい場合、1年ずつコードを書くのは面倒なため、 Funcitonを使って簡略化したいと思っています。 ファイル名はexam_results2011.csv 、exam_results2010.csv ....
となっており、 このファイル名の年数の部分を変えるだけで、【課題2】の結果が表示されるよ うにしたいです。 Functionを作成し、そのコードを提出してください。
24.
解答例(課題5) get_results <- function(file_name){
#課題1 file <- paste("http://www.geocities.jp/ados/" , file_name , sep = "" , collapse = "") dt <- read.csv(file , header = TRUE , sep = ",") #課題2 print(summary(dt[,c(-1:-3)])) print(apply(dt[,c(-1:-3)] , 2 , range)) } • Functionを使って次回以降パラメータ(ファイル名)を指定するだけで計算結 果を実行できるようにします。 • ポイントは、課題1のコードをどのように受け渡すか。 • Paste関数を使ってファイルURLを組み立ててデータを取得しています。 • それ以外のコードはPrint関数を使って結果を表示させています。
25.
目次 1. 自己紹介 2. どうしてこの企画を【私が】やることになったか 3.
CodeIQってどんなサイト? 4. どんな問題を出したのか? 5. 解答例 6. まとめ 7. おまけ ※ スクリーンショットや機能等はMac版となります。
26.
解答例(解答ポイント) • 課題1
:ファイルの取り込み Read.csv関数を使ってRに読み込む • 課題2 :統計量計算 集計関数(apply関数)を使って計算をします。Rに実装されている関 数を利用すること。 • 課題3 :カテゴリごとの統計量計算 Tapply、aggregate関数などを使って統計量を計算しましょう。 • 課題4 :グラフ作成 Boxplotを使ってグラフを描画します。 • 課題5 :Function作成 パラメータ設定を工夫すれば、後は課題で出したコードをPrint文で囲 むだけ
27.
目次 1. 自己紹介 2. どうしてこの企画を【私が】やることになったか 3.
CodeIQってどんなサイト? 4. どんな問題を出したのか? 5. 解答例 6. まとめ 7. おまけ ※ スクリーンショットや機能等はMac版となります。
28.
おまけ(1) :参考資料 ■参考資料
「はじめてのR」:Tokyo.R 第18回資料 http://www.slideshare.net/aad34210/tokyo-r18 「はじめてのR」:Tokyo.R 第21回資料 http://www.slideshare.net/aad34210/tokyo-r21 「はじめてのR」:Tokyo.R 第24回資料 http://www.slideshare.net/aad34210/tokyo-r24-rgraphtutorial
29.
おまけ(2):参加者募集中!
10月20日(土)10時半時点 まだまだ挑戦者募集中です! 10月29日(月) AM10:00ま で! 時間が足りなくて断念したり、解答結果が未送信な方もいらっしゃ いますので今日の解説を覚えてもらって準備してください。
30.
ご清聴ありがとうございました
m(___)m
Télécharger maintenant