Чему вы научитесь
- Писать понятный R-код и читать чужие R-проекты без ощущения, что язык устроен «не как все».
- Загружать, очищать, преобразовывать и объединять данные из файлов, таблиц, баз данных и веб-источников.
- Использовать tidyverse как основной рабочий инструмент анализа данных.
- Строить аккуратные графики через ggplot2 и понимать, как устроена грамматика графиков.
- Применять базовую статистику не механически, а с пониманием: где нужны сводки, где тесты, где регрессия, где классификация.
- Создавать простые модели машинного обучения через tidymodels и оценивать их качество.
- Делать воспроизводимые отчёты через Quarto и RMarkdown.
- Собирать интерактивные Shiny-приложения для демонстрации результатов анализа.
- Организовывать R-проект так, чтобы его можно было повторить, проверить и передать другому человеку.
- Понимать современную R-экосистему и выбирать подходящие пакеты под задачу, а не искать случайные фрагменты кода в интернете.
О курсе
[Полностью обновлён в августе 2026!]
Курс «Современный R 4.6 для анализа данных: язык и экосистема» — это последовательный путь от первой строки кода на R до самостоятельных аналитических проектов.
Мы начинаем с базовых вещей: установка R и RStudio, синтаксис, типы данных, векторы, факторы, датафреймы, функции и пакеты. Затем переходим к тому, ради чего R чаще всего и используют: подготовке данных, визуализации, статистике, моделированию, отчётам и автоматизации аналитических пайплайнов.
В курсе используется актуальная экосистема R:
tidyverse, dplyr, tidyr, ggplot2, tidymodels, Shiny, Quarto, renv, targets, data.table, arrow, DuckDB, S7.
Отдельный акцент сделан на том, как писать R-код в современном рабочем стиле: понятно, воспроизводимо, с нормальной структурой проекта и без привычки держать весь анализ в одном бесконечном скрипте.
Курс рассчитан не только на абсолютных новичков в R, но и на тех, кто уже пишет на Python, SQL, JavaScript, Java, C++ или другом языке и хочет быстро понять, как устроен R: где он похож на другие языки, где отличается, и почему многие вещи в нём сделаны именно так.
После прохождения курса вы сможете использовать R не как «калькулятор для статистики», а как полноценный инструмент для анализа данных, подготовки отчётов, визуализации, прототипирования моделей и исследовательской работы.
Для кого этот курс
Начальные требования
Знание R не требуется. Курс начинается с основ языка.
Для комфортного прохождения желательно:
- понимать базовые идеи программирования: переменные, функции, условия, циклы.
- иметь минимальный опыт работы с любым языком программирования: Python, JavaScript, Java, C++, C#, PHP, Go или другим.
- иметь базовое представление о таблицах, процентах, графиках и простой статистике.
Опыт SQL, Excel или Python будет полезен, но не обязателен.
Наши преподаватели
Как проходит обучение
Курс построен в формате текстовых уроков с кодом и практикой.
Каждый урок содержит объяснение темы, примеры кода, разбор типичных ошибок и рекомендации по рабочему стилю. Материал лучше проходить не пассивно, а параллельно запускать примеры в RStudio или Positron, менять параметры, смотреть результаты и повторять код руками.
После теоретических уроков идут практические задания: работа с таблицами, трансформации данных, графики, функции, статистические расчёты, модели, отчёты и небольшие аналитические сценарии.
Темп можно выбирать самостоятельно. Оптимальный режим — несколько часов в неделю с регулярной практикой. Курс остаётся доступен после прохождения, поэтому к материалам можно возвращаться как к справочнику.
В комментариях к урокам можно задавать вопросы, обсуждать решения и разбирать непонятные места.
Программа курса
Сертификат
Отзывы прошедших курс
Что вы получаете
- Системное понимание языка R 4.6 и его ключевых особенностей.
- Навык работы с основными структурами данных: векторами, факторами, списками, матрицами, датафреймами, датами и временем.
- Практический опыт обработки данных через dplyr, tidyr, data.table, arrow и DuckDB.
- Умение строить графики в базовом R и через ggplot2.
- Понимание, как подключать пакеты, управлять окружением через renv и организовывать воспроизводимый проект.
- Базу по статистике: описательные сводки, тесты гипотез, корреляции, регрессия, классификация и оценка качества моделей.
- Знакомство с tidymodels для машинного обучения в R.
- Навык создания отчётов через Quarto и RMarkdown.
- Понимание, как собирать интерактивные приложения и дашборды на Shiny.
- Практику загрузки данных из CSV, Excel, баз данных, веб-API и внешних источников.
- Материалы курса, которые можно использовать как справочник после завершения обучения.
- Сертификат Stepik после успешного прохождения курса.