Beginning Data Science in R

Manual formativo y práctico escrito por Thomas Mailund (profesor de bioinformática en Aarhus University) y publicado por Apress en marzo de 2017. El libro introduce el ciclo integral de la ciencia de datos utilizando el lenguaje de programación R (versión R 3.x con el ecosistema tidyverse). Está concebido para principiantes, analistas y programadores noveles que desean aprender a manipular datos tabulares, generar visualizaciones analíticas y entrenar modelos predictivos y descriptivos en R, sin requerir experiencia previa en este lenguaje, aunque con nociones elementales de álgebra y estadística descriptiva.

El texto acompaña al lector desde la sintaxis básica y los tipos de estructuras en R (vectores, listas y data frames) hasta buenas prácticas de desarrollo de software reproducible. Enseña a redactar informes y documentos reproducibles con R Markdown y knitr; a importar y estructurar colecciones de datos con paquetes como readr, dplyr (filter, select, mutate, group_by, summarise) y tidyr (gather, spread); y a crear gráficos estadísticos con la gramática de gráficos de ggplot2. En el área del modelado cuantitativo, aborda aprendizaje supervisado con regresión lineal múltiple (lm), regresión logística (glm), matrices de fórmulas y distinción entre inferencia y predicción; además de aprendizaje no supervisado mediante reducción de dimensionalidad con PCA y agrupamiento con k-means. En sus capítulos avanzados, profundiza en programación funcional, orientación a objetos con el sistema S3 y el empaquetado formal de código R mediante devtools y testthat.

El aprendizaje combina explicaciones conceptuales, ejercicios prácticos al final de cada capítulo y dos proyectos integradores destacados: un análisis exploratorio y predictivo completo sobre la calidad del vino ("Hitting the Bottle") y el desarrollo paso a paso de un paquete propio en R para regresión lineal bayesiana ("Bayesian Linear Regression"), con pruebas unitarias y documentación profesional. La gran ventaja del libro es que no solo enseña análisis de datos, sino hábitos rigurosos de ingeniería de software que diferencian a un analista de scripts de un desarrollador en R. No abarca aprendizaje profundo (deep learning) ni procesamiento de datos masivos con Sparklyr. Conviene dedicar tiempo a asimilar la filosofía funcional de R para aprovechar al máximo sus últimos capítulos.