La ciencia de datos continúa su avance como una de las disciplinas más influyentes en la era de la información. En el volumen I de esta serie, “Introducción a la Ciencia de Datos con R: Preparación de los datos y Análisis No Supervisado”, exploramos las bases de la Ciencia de Datos preparando los conjuntos de datos, descubriendo patrones ocultos y estructuras subyacentes en los datos. A través de técnicas como el clustering y la reducción de dimensionalidad, ese primer volumen ofreció las herramientas necesarias para comenzar a navegar el mundo de los datos.

En este segundo volumen, “Introducción a la Ciencia de Datos con R: Análisis Supervisado”, nos sumergimos en el campo del aprendizaje supervisado. Aquí, la predicción y la clasificación toman el papel central, aprendiendo a partir de ejemplos a predecir resultados futuros y clasificar nuevas observaciones. Este enfoque se vuelve esencial para resolver problemas complejos y reales que requieren modelos predictivos. Desde los diferentes modelos de regresión, logística, Lasso, etc…, hasta los árboles de predicción y clasificación, cada técnica es abordada de manera detallada, con la ventaja de utilizar R en el entorno RStudio, una de las plataformas más versátiles y potentes para el análisis de datos.

Al igual que en la primera parte, una característica clave de este libro es su enfoque práctico. A lo largo de sus capítulos, cada ejemplo es acompañado por videos explicativos que guiarán paso a paso a través de los conceptos y su implementación en RStudio. Estos videos permitirán no solo leer, sino ver cómo se aplican las técnicas a datos reales, ayudando a reforzar el aprendizaje de manera visual e interactiva. Además, el libro incluye todos los ficheros de datos utilizados en los ejemplos en la plataforma de Ingebook, de modo que se pueda seguir cada ejercicio y practicar con los mismos conjuntos de datos, mejorando la habilidad para replicar los resultados y experimentar con los métodos aprendidos.

Esperamos que este volumen no solo proporcione las herramientas técnicas necesarias para el análisis supervisado, sino también la confianza para aplicar estos conceptos en proyectos del mundo real.