زبان برنامه نویسی R چیست؟ | مقدمات و مبانی R

R یک زبان برنامه نویسی و نرم افزار رایگان است که در سال 1993 توسط راس ایهاکا و رابرت جنتلمن توسعه یافته است. زبان برنامه نویسی R دارای فهرست گسترده‌ای از روش‌های آماری و گرافیکی است. این موارد شامل الگوریتم‌های یادگیری ماشین، رگرسیون خطی، سری‌های زمانی و استنتاج آماری هستند. اکثر کتابخانه‌های R به زبان R نوشته شده‌اند. اما برای کارهای محاسباتی سنگین، کدهای C ، ++C و Fortran بهتر هستند.

زبان برنامه نویسی R نه تنها مورد اعتماد افراد آکادمیک است، بلکه بسیاری از شرکت‌های بزرگ از جمله Uber، Google، Airbnb، Facebook و غیره نیز از آن استفاده می‌کنند.

تجزیه و تحلیل داده‌ها با R طی چند مرحله انجام می‌شود. برنامه نویسی، تبدیل، کشف، مدل‌سازی و ارتباط نتایج.

برنامه نویسی: R یک ابزار برنامه نویسی واضح و در دسترس است.

انتقال (Transform) : R از مجموعه‌ای از کتابخانه‌ها تشکیل شده است که به طور خاص برای علم داده طراحی شده‌اند.

کشف (Discover) : داده‌ها را بررسی کنید، فرضیه خود را اصلاح کنید و آن‌ها را تجزیه و تحلیل کنید.

مدل‌سازی (Model) : R مجموعه‌ای از ابزارها را به منظور انتخاب مدل مناسب برای داده‌های شما فراهم می‌کند.

ارتباط (Communicate) : کدها، نمودارها و خروجی‌ها را در یک گزارش با R Markdown ادغام کنید یا اپلیکیشن‌های درخشان بسازید و آن‌ها را با جهان به اشتراک بگذارید!

زبان برنامه نویسی R برای چه مواردی استفاده می‌شود؟

• استنباط آماری (Statistical inference)
• تحلیل داده‌ها
• الگوریتم یادگیری ماشین

کاربرد زبان برنامه نویسی R در صنایع

اگر به بررسی کاربرد R در صنعت بپردازیم، می‌بینیم که دانشگاهیان در اولویت استفاده از آن هستند. زبان برنامه نویسی R زبانی برای انجام کارهای آماری است. همچنین اولین انتخاب در صنعت مراقبت‌های بهداشتی، صنایع دولتی و مشاوره‌ای است.

پکیج R

کاربردهای اصلی زبان برنامه نویسی R ، در تجسم داده و یادگیری ماشین است و همیشه هم همین خواهد بود. تصویر زیر نشان می‌دهد که کدام پکیج R بیشترین پرسش‌ها را در Stack Overflow داشته است. در ده مورد اول، بیشتر موارد مربوط به گردش کار یک مدیر ارشد داده است. یعنی آماده‌سازی داده‌ها و برقراری ارتباط با نتایج.

تمام کتابخانه‌های R ، که تقریباً 12 هزارتا هستند، در CRAN ذخیره می‌شوند. CRAN یک کتابخانه منبع‌باز و رایگان است. شما می‌توانید برای انجام کارهای یادگیری ماشین و تجزیه و تحلیل سری‌های زمانی، کتابخانه‌های متعددی را دانلود و استفاده کنید.

ارتباط با R

R راه‌های متعددی برای ارائه و به اشتراک‌گذاری کار دارد. چه از طریق یک سند markdown و چه از طریق یک اپلیکیشن درخشان. هر چیزی که مربوط به زبان برنامه نویسی R باشد را می‌توان در Rpub ، GitHub و یا وب سایت‌های بیزنس میزبانی کرد.

در زیر نمونه‌ای از ارائه میزبانی‌شده در Rpub را می‌بینید:

Rstudio برای نوشتن یک سند، markdown را می‌پذیرد. می‌توانید اسناد را در فرمت‌های مختلفی export کنید:

• HTML
• PDF/Latex
• Word
• Presentation
• HTML
• PDF beamer

Rstudio یک ابزار آسان برای ایجاد یک برنامه آسان با زبان برنامه نویسی R دارد. در زیر نمونه‌ای از برنامه با داده‌های بانک جهانی را می‌بینید:

استفاده از این زبان چه مزیتی دارد؟

علم داده در حال شکل دادن به روشی است که شرکت‌ها کسب و کارشان را با آن اداره کنند. بدون شک، دور ماندن از هوش مصنوعی و یادگیری ماشین باعث شکست یک شرکت خواهد شد. پرسش مهمی که پیش می‌آید این است که باید از کدام ابزار/زبان استفاده کنید؟

ابزارهای زیادی برای تجزیه و تحلیل داده‌ها در بازار موجود هستند. یادگیری یک زبان جدید نیاز به سرمایه‌گذاری زمانی دارد. تصویر زیر منحنی یادگیری را در مقایسه با قابلیت تجاری یک زبان نشان می‌دهد. رابطه منفی به این معنی است که هیچ چیز رایگانی وجود ندارد. اگر می‌خواهید بهترین بینش را از داده‌ها به دست آورید، باید مدتی را صرف یادگیری ابزار مناسب کنید. که این ابزار مناسب، زبان برنامه نویسی R است.

در سمت چپ بالای نمودار، Excel و PowerBI را می‌بینید. یادگیری این دو ابزار ساده است، اما قابلیت تجاری برجسته‌ای را (به خصوص در زمینه مدل‌سازی) ارائه نمی‌دهند. در وسط نمودار می‌توانید Python و SAS را ببینید. SAS یک ابزار اختصاصی برای اجرای تجزیه و تحلیل آماری در تجارت است. اما رایگان نیست. SAS یک نرم افزار click and run است. با این حال، Python یک زبان برنامه نویسی با منحنی یادگیری یکنواخت است. پایتون ابزاری فوق‌العاده برای استقرار یادگیری ماشین و هوش مصنوعی است، اما فاقد ویژگی‌های ارتباطی است. زبان برنامه نویسی R با منحنی یادگیری یکسان، یک معامله خوب بین پیاده‌سازی و تجزیه و تحلیل داده‌ها را به سرانجام می‌رساند.

Tableau یا R ؟

وقتی صحبت از تجسم داده‌ها (DataViz) می‌شود، احتمالاً به یاد Tableau می‌افتید. Tableau بی‌شک ابزاری عالی برای کشف الگوها از طریق گراف‌ها و نمودارها است. علاوه بر این، یادگیری آن زمان‌بر نیست. یکی از مشکلات بزرگ در تجسم داده‌ها می‌تواند این باشد: ممکن است در نهایت هرگز الگویی پیدا نکنید، یا فقط نمودارهای بی‌فایده زیادی ایجاد کنید. Tableau ابزار خوبی برای تجسم سریع داده‌ها و هوش تجاری است. ولی وقتی صحبت از آمار و ابزار تصمیم‌گیری می‌شود، R مناسب‌تر است.

Stack Overflow یک انجمن بزرگ با محوریت زبان‌های برنامه نویسی است. اگر مشکل کد نویسی دارید، یا برای درک یک مدل نیاز به کمک دارید، Stack Overflow این‌جاست تا به شما کمک کند. درصد question-view های مربوط به زبان برنامه نویسی R در طول سال گذشته، در مقایسه با زبان‌های دیگر به طور قابل توجهی افزایش یافته است. این روند البته با عصر پررونق علم داده مرتبط است، اما منعکس‌کننده تقاضای R برای علم داده نیز هست.

در علم داده، دو ابزار با یکدیگر رقابت می‌کنند. R و Python احتمالاً دو زبان برنامه نویسی هستند که علم داده بر اساس آن‌ها تعریف می‌شود.

آیا باید زبان برنامه نویسی R را انتخاب کنید؟

مدیران ارشد داده می‌توانند از دو ابزار عالی استفاده کنند: R و Python . ممکن است شما برای یادگیری هر دوی آن‌ها وقت نداشته باشید، به خصوص اگر شروع به یادگیری علم داده کنید. یادگیری مدل‌سازی و الگوریتم آماری بسیار مهم‌تر از یادگیری یک زبان برنامه نویسی است. زبان برنامه نویسی ابزاری برای محاسبه و برقراری ارتباط با کشف و شهود شماست.  مهمترین وظیفه در علم داده، نحوه برخورد شما با داده‌هاست. باید تمرکز شما در وارد کردن، پاکسازی، آماده‌سازی، مهندسی ویژگی و انتخاب ویژگی باشد. اگر می‌خواهید R و Python را همزمان و بدون پیش‌زمینه آماری یاد بگیرید، این کار احمقانه‌ای است. مدیران ارشد داده برنامه نویس نیستند. وظیفه آن‌ها درک داده‌ها، دستکاری آن‌ها و ارائه بهترین رویکرد است. اگر به این فکر می‌کنید که کدام زبان را یاد بگیرید، بیایید با هم بررسی کنیم که کدام زبان برای شما مناسب است.

مخاطبان اصلی علم داده، افراد حرفه‌ای در تجارت هستند. در کسب و کار، ارتباط یک مفهوم بزرگ است. راه‌های زیادی برای برقراری ارتباط وجود دارد: گزارش، web app ، داشبورد. شما به ابزاری نیاز دارید که همه این کارها را با هم انجام دهد.

آیا زبان برنامه نویسی R سخت است؟

سال‌ها پیش، تسلط بر زبان برنامه نویسی R کار سختی بود. این زبان گیج‌کننده بود و ساختاری به اندازه سایر ابزارهای برنامه نویسی نداشت. برای غلبه بر این مشکل بزرگ، هدلی ویکهام مجموعه‌ای از پکیج‌ها با نام tidyverse را توسعه داد. در نتیجه قاعده بازی برای بهترین‌ها تغییر کرد و دستکاری داده‌ها (Data manipulation) بی‌اهمیت و تبدیل به امری شهودی شد. ایجاد نمودار دیگر چندان دشوار نبود.

بهترین الگوریتم‌های یادگیری ماشین را می‌توان با R پیاده‌سازی کرد. بسته‌هایی مانند Keras و TensorFlow اجازه می‌دهند تکنیک‌های یادگیری ماشین پیشرفته‌ای ایجاد شود. زبان برنامه نویسی R همچنین دارای پکیجی برای اجرای Xgboost است که یکی از بهترین الگوریتم‌ها برای رقابت با Kaggle است.

زبان برنامه نویسی R می‌تواند با زبان‌های دیگر ارتباط برقرار کند. امکان فراخوانی Python ، Java و C++ در R وجود دارد. دنیای داده‌های بزرگ نیز برای R قابل دسترس است. همچنین می‌توانید R را به دیتابیس‌های مختلفی مانند Spark یا Hadoop متصل کنید.

در نهایت، R تکامل یافته است و برای سرعت بخشیدن به محاسبات، به عملیات موازی اجازه داده است. در واقع، R به دلیل استفاده از یک CPU در یک زمان واحد، مورد انتقاد قرار گرفت. بسته موازی به شما امکان می‌دهد وظایف را در هسته‌های مختلف دستگاه انجام دهید.

خلاصه

به طور خلاصه، زبان برنامه نویسی R یک ابزار عالی برای کاوش و بررسی داده‌ها است. کارهایی مانند تجزیه و تحلیل دقیق، خوشه‌بندی، همبستگی و کاهش داده‌ها با R انجام می‌شود. اما مهم‌ترین نکته‌ای که باید به آن اشاره کنیم این است که بدون مهندسی ویژگی و مدل خوب، استقرار یادگیری ماشین نتایج معنی‌داری به همراه نخواهد داشت.

منبع ترجمه: guru99