Referenz
R-Pakete des Kurses
Auf dieser Seite
Das Gegenstück zu requirements.txt für die R-Spur.
Reine R-Nutzung braucht kein Python. Die Kurs-Datensätze liegen fertig unter
https://datascience.medizin.dev/data/. Die Codeblöcke der Lektionen lesen sie direkt über diese Web-Adresse, undlib/helpers.Rlädt sie bei Bedarf automatisch nach – du musst nichts erzeugen. Python wird nur gebraucht, wenn du das komplette Repository klonst und die Daten lokal neu erzeugen willst (python data/generate_data.py); zum Mitrechnen ist das nicht nötig.Fehlt ein Paket, bricht das Skript laut ab.
require_pkgs()inlib/helpers.Rnennt das fehlende Paket und beendet das Skript mit Exitcode 1, statt still ohne Ausgabe durchzulaufen.
Installation
Kopiere den install.packages(...)-Block unten in deine R-Konsole – das
funktioniert immer, auch ohne das Repository. Wer den Kurs geklont hat, kann
stattdessen in einem Schritt dieselbe Liste installieren:
source("tools/install_r_packages.R")
Oder von Hand – Kernpfad (Module 01–10, 12–25, 32, 34):
install.packages(c( "tidyverse", "gtsummary", "broom", "survival", "DBI", "duckdb", "readxl", "writexl", "jsonlite", "httr2", "tidymodels", "pROC", "lme4", "sandwich", "lmtest", "mice", "cmprsk" ))
Vertiefungen (Module 26–31, 33 – der Kernpfad läuft ohne sie):
install.packages(c( "xgboost", "vip", "pdp", "DALEX", "DALEXtra", "randomForestSRC", "timeROC", "umap", "factoextra", "cluster", "tidytext", "nnet", "recipes", "ranger" ))
Nur für einzelne optionale Snippets (nicht für die Skripte unter code/):
fhircrackr (Modul 07), pwr (Modul 10), MatchIt (Modul 19),
rms, dcurves und PRROC (Modul 25). Installiere sie, wenn du genau diesen
Abschnitt in R nachrechnen willst.
install.packages(c("fhircrackr", "pwr", "MatchIt", "rms", "dcurves", "PRROC"))
Pro Modul
| Modul | Pakete |
|---|---|
| 01 Einführung | dplyr |
| 02 Werkzeuge | tidyverse |
| 03 Grundlagen | dplyr |
| 04 Datenimport | dplyr, readr, readxl, writexl, jsonlite, httr2 |
| 05 SQL | DBI, duckdb, dplyr |
| 06 Transformation | tidyverse |
| 07 FHIR / OMOP | jsonlite |
| 08 EDA | tidyverse, ggplot2 |
| 09 Deskriptive Statistik | tidyverse, gtsummary |
| 10 Inferenzstatistik | tidyverse |
| 11 Bayes-Inferenz | Basis-R (stats) |
| 12 Regression | tidyverse, survival |
| 13 Studiendesign & Power | tidyverse |
| 14 Fehlende Werte | tidyverse, mice |
| 15 Kausale Inferenz | tidyverse, sandwich, lmtest |
| 16 Diagnostik & Schwellen | tidyverse, pROC |
| 17 Survival (klassisch) | survival |
| 18 Longitudinal / Mixed Models | lme4 |
| 19 Propensity Score | survival, sandwich, lmtest |
| 20 Konkurrierende Risiken | survival, cmprsk |
| 21 Methodenwahl | tidyverse |
| 22 Reproduzierbare Berichte | tidyverse |
| 23 Machine Learning | tidyverse, tidymodels |
| 24 Prädiktions-Workflow | tidyverse, tidymodels |
| 25 Modellgüte & Validierung | tidyverse, tidymodels, pROC |
| 26 Ensembles & Boosting | tidyverse, tidymodels, ranger, xgboost |
| 27 Erklärbarkeit | tidyverse, tidymodels, ranger, vip, pdp, DALEX, DALEXtra |
| 28 Survival-ML | tidyverse, survival, randomForestSRC, timeROC |
| 29 Unüberwacht / Phänotypisierung | tidyverse, recipes, cluster, factoextra, umap |
| 30 Deep Learning | tidyverse, tidymodels, nnet, xgboost |
| 31 Klinische Texte / LLM | tidyverse, tidymodels, tidytext |
| 32 Einsatz & Governance | tidyverse |
| 33 RAG / LLM-Pipelines | – (reines Base R) |
| 34 Design von KI-Studien | – (reines Base R) |
Versionen
Der Kurs pinnt R-Pakete bewusst nicht auf exakte Versionen (anders als
requirements.txt für Python). Wer exakte Reproduzierbarkeit braucht, legt ein
renv-Projekt an:
install.packages("renv") renv::init() renv::snapshot() # erzeugt renv.lock
Der Kurscode ist gegen R ≥ 4.2 getestet (nutzt die native Pipe |>).