Första kursen: Forskningsmetoder och Analys med R
-
Analys och forskning med R och Posit (Rstudio)
-
Grunderna i R och Rstudio7 Ämnen
-
Importera, exportera, spara och ladda data5 Ämnen
-
Strängar och regular expressions (regex)1 Ämne
-
Bearbetning av data med dplyr12 Ämnen
-
Dplyr: Introduktion
-
Dplyr filter(): Filtrera rader (observationer)
-
Dplyr select(): Selektera kolumner (variabler)
-
Dplyr mutate(): Skapa kolumner (variabler)
-
Dplyr arrange(): sortera rader (observationer)
-
Dplyr rename(): Namnge kolumer
-
Dplyr slice(): Selektera rader på positioner
-
Dplyr summarise(): Summera variabler (kolumner)
-
Dplyr ifelse(), if_else(), case_when(): Villkor
-
Dplyr row_number(): Numrering av rader
-
Dplyr rowwise(): Radvis beräkning
-
Dplyr distinct(): Identifiera unika observationer och rader
-
Dplyr: Introduktion
-
Visualisera och presentera14 Ämnen
-
Att visualisera data
-
Introduktion till ggplot2
-
Grunderna i ggplot2
-
Estetisk mappning
-
Färger, färgkoder och färgpaletter
-
Facets (subgrafer)
-
Geoms (geometriska objekt)
-
Geoms med statistiska beräkningar (transformationer)
-
Koordinatsystemet
-
Scales, axlar, legends (guides)
-
Fokusering och avgränsning
-
Tema (themes)
-
Organisering och layout av figurer med multipla paneler
-
Spara grafer till hårddisk
-
Att visualisera data
-
Explorerande och deskriptiva analyser6 Ämnen
-
Prediktionsmodeller12 Ämnen
-
Learning: Supervised och Unsupervised Learning
-
Parametriska och Icke-Parametriska Modeller
-
Osäkerhet (Uncertainty)
-
Kausal inferens (Kausalitet, Causality)
-
Strategier för att Skapa Prediktionsmodeller
-
Hantering av Kontinuerliga variabler, Icke-Linjära samband och Flexibla Funktioner
-
Variabelselektion (Feature Selection)
-
Missing Data och Multipel Imputation
-
Observationer med Stark Inverkan på Modellen
-
Att Jämföra och Välja Bland Modeller
-
Mått på prediktiv förmåga (Evaluation metrics)
-
Sammanfattande Principer för Prediktionsmodellering
-
Learning: Supervised och Unsupervised Learning
-
Klassisk regressionsanalys8 Ämnen
-
Machine learning (ML) och Artificiell Intelligens (AI)9 Ämnen
-
Introduktion till artificiell intelligens och machine learning
-
Vad är AI och ML?
-
Varför AI och ML nu?
-
Introduktion till Machine Learning (Maskininlärning)
-
Terminologi inom AI och ML
-
Brister i humana prediktioner och beslut
-
Learning (Inlärning)
-
Deep Learning (Djupinlärning, Neuronnät)
-
Ensemble metoder
-
Introduktion till artificiell intelligens och machine learning
-
Skapa prediktionsmodeller med Tidymodels6 Ämnen
-
Hypotestester och epidemiologiska mått5 Ämnen
Färger, färgkoder och färgpaletter
Principer för kodning av digitala färger
Det finns olika typer av färgkoder för att specificera en färg. Koder kan specificeras med en textsträng, RGB (Red Green Blue) eller hexadecimal. Dessa är de vanligaste formaten för att specificera en färg i digitala format. Det finns andra färgkoder (t ex CMYK) men de diskuteras inte här.
RGB (Red Green Blue)
RGB-färger skapas genom att specificera färgens röda, gröna och blå innehåll. Genom att variera mängden rött, grönt och blått kan många färger och nyanser skapas. Användning av RGB liknar människans fysiologi. I ögats näthinna (retina) finns två typer av synceller: stavar och tappar. Tappar registrerar färg i ljuset. Det görs genom att registrera rött, grönt och blått ljus. Stavar är ljuskänsliga och behövs för mörkerseende. I RGB definieras varje färg med en siffra från 0 till 255. Exempel på RGB-färger med tillhörande RGB-koder följer:
Hexadecimal
Färger kan även anges med hexadecimaler. Dessa färgkoder består av bokstäver och siffror. Exempel på hexadecimalkoder följer (samma färger som ovan):
Textsträngar
I R kan färger anges med textsträngar. Nedan ses en lathund med färger och deras motsvarande textsträngar.

Generera färger
För att hitta färgkoder i RGB, Hex, HSL och andra format finns bland annat följande verktyg:
Färgkoder i ggplot2
Här följer flera exempel med varierande metoder för att färgkoda grafer i ggplot2()
. I första exemplet specificeras färgen på punkterna med en textsträng. Notera att color inte anges i aes()
eftersom vi inte använder en data frame för att specificera färgen.
ggplot(data=mpg, aes(x = displ,
y = hwy)) +
geom_point(size=3, color='gold1')

I nästa exempel specificeras färgen på punkterna med en HEX-kod. Vi använder HEX-koden #2AB4CA
som är en vecker turkosblå färg. Notera ånyo att color inte anges i aes()
eftersom vi inte använder en data frame för att specificera färgen.
BLOCKERAD KOD, BILD ELLER TEXT
Du måste logga in för att komma åt allt material.

I nästa exempel specificeras färgen på punkterna med variabel i vår data frame. Då måste color
specificeras i aes()
. Vi börjar med att mappa color till en numerisk variabel, nämligen
som anger bränsleförbrukning i stadsmiljö. I figuren nedan framgår att punkterna fått en färg längs en färgskala som förklaras till höger om grafen. De mörkaste punkterna har cty
cty
på 10, medan de ljusaste har cty
på 35, med en kontinuerlig skala där emellan. Det innebär att en numerisk variabel mappas till en kontinuerlig färgskala med ggplot()
.
BLOCKERAD KOD, BILD ELLER TEXT
Du måste logga in för att komma åt allt material.

I nästa exempel specificeras färgen på punkterna med kategorisk variabel (factor) i vår data frame. Som framgår av nedanstående bild får de olika faktornivåerna distinkta färger som förklaras till höger om grafen.
BLOCKERAD KOD, BILD ELLER TEXT
Du måste logga in för att komma åt allt material.
