A review of R for Data Science: key elements and a critical analysis
Notice bibliographique
Résumé
A detailed review of a recent data science book by Hadley Wickham and Garrett Grolemund is developed herein. Technical book reviews should provide a guide to the readers, a sense of the appropriate audience, the specifics of the software/language, and identify critical thinking questions that emerge through reading the specifics of these books. This is a pre-print, extended version of a review of 'R for Data Science', and it provides a relatively comprehensive framing of this particular book. The context and background of the authors is introduced, key elements of this book - primarily the workflow proposed and the value of the tidyverse - are summarized, and a critical analysis of the book was done. The following critical questions were addressed in the review. (1) Does this book (or any data science book for that matter) effectively communicate basic versus advanced data science concepts to the reader? (2) Does this book extend or improve upon previous resources particularly for the individual in- terested in using and learning data science to do statistics in R? (3) Can this book be read as a general data science book and by extension how much is this an R versus RStudio book? The importance of reading a book associated with tools one uses in computer science such as R versus rapid, online solution-based reading is very effectively established in 'R for Data Science'. Time spent with a technical book providing the big picture for the tools one uses to solve problems in R is important for deeper learning and insights.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,009 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,015 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».