Lerne, lästige Geschwindigkeitsengpässe in deinem R-Code zu erkennen. Du führst eine klassische numerische Operation parallel aus und prüfst, ob es wirklich hilft!

Sollten wir parallelisieren?

Wann kannst du parallelisieren?

Verwendung von parLapply()

Parallelisierung in R

Dateien parallel einlesen

Tägliche Preisspannen

Die Vorteile messen

Bootstrapping des durchschnittlichen mütterlichen Alters

Optionen

Vektorisierbar

Nicht vektorisierbar

Können wir vektorisieren?

Umsätze microbenchmarken

Einführung in paralleles Programmieren

Setze Parallelität in R in verschiedenen Situationen ein und verwalte Abhängigkeiten effizient. Verwandle langsame Schleifen in reibungslos laufende Arbeitstiere!

parLapply in der Praxis

Code auf dem Cluster ausführen

Ein paralleler Filter

Die parallele Apply-Familie

Gesundheitsausgaben mit clusterMap()

Bevölkerungswachstumsraten mit mclapply()

Spaltenoperationen mit Handelsvolumina

foreach verwenden

Schleifen mit foreach

foreach mit Variablen und Paketen

Fortgeschrittene foreach-Operationen

Iterieren und filtern

Verschachtelte foreach-Schleifen für Kurstrends

parallel und foreach

Tauche tief in die Nutzung von Futures im parallelen Programmieren ein. Lerne, Vektoren, Listen und Data Frames parallel zu verarbeiten – und halte deinen Code trotzdem gut wartbar.

Futures

Verzögerte Quadratwurzeln

Futures für Werbeziele

Sozialwissenschaften mit Futures fördern

Die Zukunft abbilden

Aktien mit furrr ranken

Furrr-Typspezifikation

Fortgeschrittene Operationen mit furrr

Mehrere Eingaben verarbeiten

Die furrr-Konfiguration

Mehr mit future_map() machen

Gruppiertes Bootstrap von Aktienkursen

future_map-Ergebnisse zeilenweise binden

Parallele Futures

Lerne, Speicher für parallele Prozesse zu verwalten. Mach deinen Code reproduzierbar und erweitere dein Toolkit fürs parallele Programmieren um effizientes Debugging.

Speicher überwachen und verwalten

Speicherprofil von parLapply()

Bootstrap in Blöcke aufteilen

Reproduzierbarkeit in Parallelumgebungen

Reproduzierbare Lotterieergebnisse

Bootstrap reproduzieren

Debugging in Parallel

Die Debugging-Schritte

Korrelationen debuggen

Fortgeschrittenes Debugging

Der Bootstrap-Fehler

Modellierungsfehler abfangen

Das war's!

Troubleshooting in Parallel

Die Programmiersprache R ist ein wichtiger Baustein des modernen Tech-Stacks, aber R-Code kann manchmal etwas Zeit benötigen. Dieser Kurs zum parallelen Programmieren hilft dir, deinen Code zu optimieren, indem du die mehreren Prozessoren nutzt, die in den meisten modernen Computern stecken. Du verstehst zentrale Konzepte des parallelen Programmierens und erkennst Operationen, die von Parallelisierung profitieren. Außerdem lernst du etablierte R-Pakete (parallel, foreach, future) für die Parallelisierung kennen und erwirbst die Fähigkeiten, Laufzeiten zu verkürzen, zu überwachen, zu debuggen und Reproduzierbarkeit in parallelisiertem Code sicherzustellen.

<h2>Mach deinen Code schneller mit Parallelprogrammierung</h2>
<br><br>
Die Programmiersprache R ist ein wichtiger Teil des modernen Tech-Stacks. Aber manchmal dauert es echt ewig, bis der R-Code fertig ist. Die gute Nachricht ist, dass die meisten modernen Computer mehrere Prozessoren haben. Dieser Kurs über paralleles Programmieren kann dir helfen, deinen Code schneller zu machen, indem du die Hardware nutzt, die du schon hast.
<br><br>
<h2>Lerne die wichtigsten Konzepte</h2>
<br><br>
In diesem Kurs lernst du systematisch die wichtigsten Konzepte der parallelen Programmierung kennen. Du wirst gängige Berechnungen wie Bootstraps und Funktionsabbildungen profilieren und benchmarken. Du lernst auch, welche Vorgänge von Parallelisierung profitieren können.
<br><br>
<h2>R-Pakete zum Parallelisieren von Vorgängen nutzen</h2>
<br><br>
Im Laufe des Kurses wirst du eine Reihe ausgereifter R-Pakete kennenlernen (parallel, foreach, future). Du lernst, wie du diese Pakete nutzen kannst, um Operationen mit Listen, Matrizen und Datenrahmen parallel zu machen. Durch die Bearbeitung verschiedener Aufgaben lernst du, wie du die Ausführungszeit von verschachtelten for-Schleifen einschränken kannst. Du lernst auch, wie du Probleme mit der Reproduzierbarkeit von parallelisiertem Code überwachen, debuggen und lösen kannst.
<br><br>
<h2>Mach deinen bestehenden Code parallel</h2>
<br><br>
Mit diesen Tools kannst du parallelisierten Code schreiben, der deutlich schneller läuft. Wenn du fertig bist, wirst du die Fähigkeiten haben, bestehenden Code auf eine systematische Art parallelisieren und pflegen zu können.

Writing Efficient R Code

Introduction to the Tidyverse

Nutzen Sie die Leistung des parallelen Rechnens in R. Verbessern Sie Ihre Datenanalyse und beschleunigen Sie Berechnungen.

Paralleles Programmieren in R

In diesem Kurs tauchst du ein ins Parallel Computing in R und verbesserst unter anderem deine Datenanalysefähigkeiten.


R Entwickler

Verwendung von parLapply()

Paralleles Programmieren in R

Interaktive Übung