由于R语言主要是和统计、计量、数据挖掘等领域相互联系，因此核心是这些领域中的问题，R的任务就是帮助你花更多的精力在思考和解决这些问题，而不是做计算上或者技术上的底层架构，或者不断重造轮子，并且不丧失灵活性（可编程性）。因此，学习R可能并不像学习纯粹的一门编程语言一样，最好需要在这些问题的上下文中学习，脱离了数据科学的背景学习R，仿佛就是学习如何使用扳手，却根本不认识螺丝钉。

根据我自己的经验，学习R比较有效的过程基本上是：
看在线互动教程、打代码，了解R的最基本的东西，大概能做哪些事情（比如计算一些线性回归），自己根据这些教程去做各种变化，做许多实验，探索一下这个语言的基本语法和构造。
看一些入门书籍，比如 Introductory Time Series with R等等，给你展示怎样用R来比较完整地解决一个问题。可以根据你的领域选择类似的书籍。
开始用R解决一些统计、计量相关的计算性问题，比如用自己的数据跑一些模型，探索这些数据里面可能有趣的东西。
在数据较为复杂一些的项目中使用R，发现数据操作能力太弱，开始接触更深层的R概念，比如可以看 Data Manipulation With R (Phil Spector)，形成更加系统的概念，逐渐掌握操作复杂一些的数据和对象的能力。
学习最流行的R扩展包的使用方法，发现整理数据和建模中的许多工作都大幅简化，工作效率出现质的提升。
逐渐开始做更为复杂的项目，形成一整套数据处理、建模的技术和技巧，形成较为系统、完整的认识和知识结构，有较强的社区检索能力，遇到问题能够自行解决或者通过社区解决。
阅读进阶的书籍，例如 Hadley 的 Advanced R Programming，对R的底层和开发有了更加深刻和全面的认识，形成了使用R的基本直觉。
参与到开源社区，不断跟进最新的发展和技术。
参与到R会议，结交更多的朋友，交流使用经验，进一步提升视野和能力。