-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathmateriais.qmd
182 lines (168 loc) · 11.6 KB
/
materiais.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
---
title: "Materiais recomendados"
lang: pt-br
---
Nesta página, você encontra diversos materiais complementares
que podem te auxiliar no processo de aprendizagem de R. Os temas
estão divididos nas seguintes seções:
gerais, visualização de dados, estatística,
reprodutibilidade e comunicação, aprendizado de máquina e metanálise.
Todos os materiais são de acesso aberto sem custo algum.
A lista abaixo é mantida pelo autor Bruno Montezano.
## Gerais
* [R for Data Science (segunda edição)](https://r4ds.hadley.nz/): trata-se de um
livro escrito por Hadley Wickham, Mine Çetinkaya-Rundel e Garrett Grolemund
que foca em uma coleção de pacotes (`tidyverse`) voltados para ciência de dados
com R.
* [Advanced R](http://adv-r.had.co.nz/): escrito por Hadley Wickham, aborda aspectos
mais avançados referentes à programação em R de forma mais aprofundada.
* [Reproducible Medical Research with R](https://www.bookdown.org/pdr_higgins/rmrwr/):
Livro escrito por um médico sobre fluxos de trabalho em R para criação de *pipelines*
reprodutíveis.
* [The Epidemiologist R Handbook](https://epirhandbook.com/en/): Livro de referência para
códigos em R que facilitam rotinas de análise de dados para epidemiologia.
* [Introdução ao R](https://www.lampada.uerj.br/arquivosdb/_book2/): em português,
escrito por
Sergio Miranda Freire, trata aspectos introdutórios da programação em R com
aplicações.
* [R for Health Data Science](https://argoshare.is.ed.ac.uk/healthyr_book/): livro
breve escrito por Ewen Harrison e Riinu Pius sobre aplicação de programação em R
na manipulação, análise e interpretação de dados em saúde.
* [Hands-On Programming with R](https://rstudio-education.github.io/hopr/):
escrito por Garrett Grolemund, trata-se de um livro breve de introdução a
programação em R com aplicações e exemplos práticos que pode ser utilizado
como material auxiliar.
* [Materiais sobre R por Beatriz Milz](https://materiais-estudo-r.netlify.app/):
criado pela professora e doutoranda Beatriz Milz e mantido pela comunidade,
trata-se de uma página que armazena diversas fontes de informação sobre R
nos idiomas português, inglês e espanhol.
## Visualização de dados
* [Data Visualization: A Practical Introduction](https://socviz.co/): um livro muito
completo escrito por Kieran Healy sobre visualização de dados com `ggplot2`. Caso opte
por apenas uma referência em visualização, recomendo este livro.
* [R Graphics Cookbook (segunda edição)](https://r-graphics.org/): escrito por Winston Chang,
é um guia prático com mais de 150 receitas para gerar gráficos em R rapidamente.
* [ggplot2: Elegant Graphics for Data Analysis](https://ggplot2-book.org/): livro escrito por Hadley Wickham, trata-se da terceira edição da obra que explica a gramática dos gráficos por trás do `ggplot2`. Material para entender os detalhes que constituem o pacote.
* [Fundamentals of Data Visualization](https://clauswilke.com/dataviz/):
escrito por Claus O. Wilke, trata-se de um livro que aborda aspectos
mais gerais de como criar visualizações que refletem os dados, como
contar uma história e montar visualizações profissionais. Os plots do
livro foram todos criados usando `ggplot2`.
* [PDF com cores do R](https://www.stat.columbia.edu/~tzheng/files/Rcolor.pdf):
este documento criado pelo Dr. Ying Wei, lista a maioria das cores nomeadas do R que podem
ser utilizadas para personalizar seus gráficos.
## Estatística
* [OpenIntro Statistics](https://www.openintro.org/book/os/): escrito por Diez et al.,
um livro livre e de código aberto para introdução à estatística.
* [OpenIntro Introduction to Modern Statistics](https://openintro-ims.netlify.app/):
escrito por Cetinkaya-Rundel et al., também livre e de código aberto, também apresenta
conceitos introdutórios enfatizando exemplos com programação em R. Esse livro possui
tutoriais interativos em R ao final dos capítulos.
* [Fundamentos de Estatística para Ciência de Dados](https://filipezabala.com/fdepcdd/):
livro em português, escrito por Filipe Zabala, apresenta diversos capítulos desde
análise descritiva até modelos de aprendizado de máquina não-supervisionado com
exemplos em R no decorrer do texto.
* [Learning Statistics with R](https://learningstatisticswithr.com/book/): escrito
por Danielle Navarro, trata-se de um livro voltado para introdução de conceitos
de estatística e probabilidade através de aplicações em R.
* [Playlist de Statistics Fundamentals do canal StatQuest](https://youtube.com/playlist?list=PLblh5JKOoLUK0FLuzwntyYI10UQFUhsY9):
criado por Josh Starmer, trata-se de uma playlist no YouTube que dá uma visão geral
de conceitos fundamentais de estatística. A [playlist sobre regressão linear e modelos
lineares](https://youtube.com/playlist?list=PLblh5JKOoLUIzaEkCLIUxQFjPIlapw8nU) também vale muito a pena assistir.
* [Statistical Inference via Data Science: A ModernDive into R and the Tidyverse](https://moderndive.com/index.html):
livro escrito por Chester Ismay e Albert Y. Kim, demonstra vários
exemplos de como usar ferramentas do `tidyverse` e do *framework*
`moderndive` para criar rotinas completas de análise de dados englobando
a visualização, manipulação, modelagem, inferência e apresentação dos dados. Não
assume nenhum conhecimento matemático ou de programação
prévio.
* [Regression and Other Stories](https://users.aalto.fi/~ave/ROS.pdf):
escrito por Andrew Gelman, Jennifer Hill e Aki Vehtari, é um livro sobre
como usar modelos de regressão para resolver problemas reais de
comparação, estimação, predição e inferência causal. O livro apresenta
vários exemplos e códigos em R para todos os capítulos.
* [Introduction to Data Science: Data Analysis and Prediction Algorithms with R](https://rafalab.dfci.harvard.edu/dsbook/): livro escrito pelo estatístico
Rafael Irizarry, aborda conceitos básicos de R e pacote `tidyverse`,
visualização de dados, probabilidade, inferência e regressão, além de comentar
sobre *machine learning* e algumas ferramentas de produtividade.
* [Beyond Multiple Linear Regression: Applied Generalized Linear Models and Multilevel Models in R](https://bookdown.org/roback/bookdown-BeyondMLR/):
livro escrito por Paul Roback e Julie Legler, é uma introdução a modelos
lineares generalizados e modelos multinível em R. Assume conhecimento prévio
em regressão linear e logística.
* [Bayes Rules! An Introduction to Applied Bayesian Modeling](https://www.bayesrulesbook.com/): livro de Alicia Johnson, Miles Ott e
Mine Dogucu sobre o poder da estatística bayesiana como uma alternativa para
métodos frequentistas de análise de dados. Assume conhecimentos introdutórios
de estatística.
## Reprodutibilidade e Comunicação
* [Building reproducible analytical pipelines with R](https://raps-with-r.dev/): escrito por Bruno Rodrigues,
é um ótimo material para criar fluxos de trabalho reprodutíveis de maneira robusta. É um
livro mais aprofundado do que o *Reproducible Medical Research with R*, e requer maior
conhecimento em computação.
* [R Markdown: The Definitive Guide](https://bookdown.org/yihui/rmarkdown/): escrito
por Yihui Xie, J. J. Allaire e Garrett Grolemund, trata-se de um guia completo para
criar relatórios, artigos, livros, websites, blogs, dashboards em R através de uma
sintaxe unificada do RMarkdown.
* [Mastering Shiny](https://mastering-shiny.org/): escrito por Hadley Wickham,
trata-se de um livro para criação de aplicativos web em R a partir do framework
`shiny`.
* [Happy Git and GitHub for the useR](https://happygitwithr.com//): escrito por
Jennifer Bryan, é um livro guia
de como instalar `git`, trabalhar com GitHub e integrar seus projetos do R com
estas ferramentas. Material para quem busca desenvolver fluxos de trabalho
de colaboração ou reprodutibilidade.
* [blogdown: Creating Websites with R Markdown](https://bookdown.org/yihui/blogdown/):
livro por Yihui Xie, Amber Thomas e Alison Presmanes Hill, é um guia para o pacote
`blogdown`, usado para criar websites e blogs com a sintaxe do R Markdown.
* [bookdown: Authoring Books and Technical Documents with R Markdown](https://bookdown.org/yihui/bookdown/):
do autor Yihui Xie, é um livro guia para o pacote `bookdown`, que facilita o
processo de criação de livros e relatórios técnicos em R com R Markdown.
Suporta saídas em PDF, Word, HTML, etc, e apresenta diversas outras
funcionalidades.
* [Good enough practices in scientific computing](https://doi.org/10.1371/journal.pcbi.1005510):
escrito por Greg Wilson et al., o paper publicado em 2017 apresenta boas
práticas de computação para pesquisadores, independentemente do nível de
habilidade em computação, a fim de melhorar a efetividade em
trabalhar com dados, software e projetos.
* [R Packages (segunda edição)](https://r-pkgs.org/): livro escrito por
Hadley Wickham e Jennifer Bryan sobre como criar pacotes em R para compartilhar
e reutilizar seu código de forma reprodutível e encapsulada.
* [Engineering Production-Grade Shiny Apps](https://engineering-shiny.org/):
livro escrito por Colin Fay, Sébastien Rochette, Vincent Guyader e
Cervan Girard, discute o processo de construir uma aplicação web em Shiny que
possa ser enviada para produção (*deploy*). Assume conhecimentos prévios com
o framework `shiny`.
## Machine Learning
* [An Introduction to Statistical Learning](https://www.statlearning.com/): livro
escrito por Gareth James, Daniela Witten, Trevor Hastie e Rob Tibshirani sobre
introdução ao aprendizado estatístico com exemplos em R em todos os capítulos.
* [Aprendizado de máquina: uma abordagem estatística](http://www.rizbicki.ufscar.br/ame/):
livro em português escrito pelo prof. Rafael Izbicki da UFSCAR. Segue moldes parecidos com
o *An Introduction to Statistical Learning*, mas trabalha mais conceitos estatísticos.
* [Feature Engineering and Selection: A Practical Approach for Predictive Models](https://bookdown.org/max/FES/):
livro escrito por Max Kuhn e Kjell Johnson, trata de aspectos
relacionados com a engenharia e seleção de variáveis, abordando temas
como pré-processamento de dados, divisão dos dados, tunagem de
hiperparâmetros, etc.
* [Tidy Modeling with R](https://www.tmwr.org/): o melhor livro
prático para aprendizado de máquina em R atualmente, escrito por
Max Kuhn e Julia Silge, apresenta o *framework* `tidymodels` para
criar modelos, aplicando boas práticas metodológicas e estatísticas.
* [Supervised Machine Learning for Text Analysis in R](https://smltar.com/):
se você tiver interesse em trabalhar com aprendizado de máquina
supervisionado e análise de texto, esse livro escrito por Emil Hvitfeldt
e Julia Silge é uma boa pedida.
* [Deep Learning and Scientific Computing with R torch](https://skeydan.github.io/Deep-Learning-and-Scientific-Computing-with-R-torch/):
Livro sobre o `torch`, um *framework* em R para criar modelos de deep learning, além
de possibilitar rotinas complexas de computação científica. Publicado em abril de 2023.
* [Text Mining with R: A Tidy Approach ](https://www.tidytextmining.com/):
trata-se de um livro escrito por Julia Silge e David Robinson para
introduzir a mineração de texto com R usando o pacote `tidytext`.
Apresenta diversos exemplos de problemas reais.
## Metanálise
* [Doing Meta-Analysis with R: A Hands-On Guide](https://bookdown.org/MathiasHarrer/Doing_Meta_Analysis_in_R/):
livro escrito por Mathias Harrer, Pim Cuijpers, Toshi Furukawa e
David Ebert que aborda uma breve introdução em como metanálises
podem ser conduzidas no R, abordando métodos avançados.
* [How to perform a meta-analysis with R: a practical tutorial](https://mentalhealth.bmj.com/content/22/4/153): artigo
publicado em 2019 pela *BMJ Mental Health* sobre passos práticos para
rodar uma metanálise com R.