Apprenez à repérer ces goulots d'étranglement agaçants qui ralentissent votre code R. Vous exécuterez une opération numérique classique en parallèle et verrez comment vérifier si cela aide vraiment !

Devrait-on paralléliser ?

Quand peut-on paralléliser?

Utiliser parLapply()

Parallélisation dans R

Lecture de fichiers en parallèle

Plages de prix quotidiennes

Mesurer les avantages

Bootstrap de l'âge maternel moyen

Options

Vectorisable

Non vectorisable

Peut-on vectoriser ?

Microbenchmark des revenus

Introduction à la programmation parallèle

Exploitez le parallélisme en R dans divers contextes tout en gérant efficacement les dépendances. Transformez ces boucles lentes en processus fluides et efficaces !

parLapply dans la vraie vie

Exécuter du code sur la grappe

Un filtre en parallèle

La famille apply en parallèle

Dépenses de santé avec clusterMap()

Taux de croissance de la population avec mclapply()

Opérations par colonne avec les volumes d'échanges

Utiliser foreach

Boucler avec foreach

foreach avec variables et packages

Opérations foreach avancées

Itérer et filtrer

Boucles foreach imbriquées pour les tendances de prix

parallel et foreach

Approfondissez l'utilisation des futures en programmation parallèle. Apprenez à traiter en parallèle des vecteurs, des listes et des cadres de données, tout en gardant un code facile à maintenir.

Futurs

Racines carrées différées

Futurs pour le ciblage publicitaire

Financer les sciences sociales avec des futures

Cartographier l'avenir

Classer des actions avec furrr

Spécification du type avec furrr

Opérations avancées avec furrr

Traiter plusieurs entrées

La configuration de furrr

Aller plus loin avec future_map()

Bootstrap groupé des prix boursiers

Concaténer par lignes les résultats de future_map

Futures parallèles

Apprenez à gérer la mémoire pour les processus parallèles. Rendez votre code reproductible et ajoutez un débogage efficace à votre boîte à outils de programmation parallèle.

Surveiller et gérer la mémoire

Profil de mémoire de parLapply()

Regrouper par blocs le bootstrap

Reproductibilité en parallèle

Résultats de loterie reproductibles

Reproduire le bootstrap

Débogage en parallèle

Les étapes de débogage

Déboguer des corrélations

Débogage avancé

L'erreur du bootstrap

Intercepter les erreurs de modélisation

Et voilà, c'est terminé !

Dépannage en parallèle

Le langage R fait partie intégrante de l'écosystème technologique moderne, mais l'exécution du code R peut parfois prendre du temps. Ce cours sur la programmation parallèle vous aidera à optimiser votre code en tirant parti des multiples processeurs de la plupart des ordinateurs actuels. Vous comprendrez les concepts clés de la programmation parallèle et saurez repérer les opérations qui gagnent à être parallélisées. Vous explorerez aussi des trousses R éprouvées (parallel, foreach, future) pour la parallélisation et acquerrez les compétences pour réduire le temps d'exécution, effectuer le suivi, déboguer et assurer la reproductibilité d'un code parallélisé.

<h2>Accélérez votre code grâce à la programmation parallèle</h2>
<br><br>
Le langage de programmation R est un élément clé de la pile technologique moderne. Mais parfois, le code R prend beaucoup de temps à s’exécuter. La bonne nouvelle, c’est que la plupart des ordinateurs modernes disposent de plusieurs processeurs. Ce cours sur la programmation parallèle peut vous aider à accélérer votre code en exploitant le matériel que vous possédez déjà.
<br><br>
<h2>Apprenez les concepts clés</h2>
<br><br>
Dans ce cours, vous apprendrez de façon systématique les concepts clés de la programmation parallèle. Vous allez profiler et comparer des calculs courants comme les bootstraps et les mappages de fonctions. Vous apprendrez également à identifier les opérations qui peuvent bénéficier de la parallélisation.
<br><br>
<h2>Utiliser des packages R pour paralléliser les opérations</h2>
<br><br>
Au fur et à mesure de votre progression, vous explorerez une suite de packages R matures (parallel, foreach, future). Vous apprendrez à utiliser ces packages pour paralléliser des opérations avec des listes, des matrices et des cadres de données. En travaillant sur une variété de tâches, vous développerez les compétences nécessaires pour réduire le temps d’exécution des boucles for imbriquées. Vous apprendrez également à surveiller, déboguer et résoudre les problèmes de reproductibilité du code parallélisé.
<br><br>
<h2>Parallélisez votre code existant</h2>
<br><br>
Avec ces outils à votre actif, vous serez en mesure d’écrire du code parallélisé qui s’exécute beaucoup plus rapidement. À la fin de cette formation, vous aurez les compétences nécessaires pour paralléliser et maintenir du code existant de manière rigoureuse.

Writing Efficient R Code

Introduction to the Tidyverse

Libérez la puissance du calcul parallèle en R. Améliorez vos analyses et accélérez les calculs.

Programmation parallèle en R

Développeur R

Quand peut-on paralléliser?

Programmation parallèle en R

Exercice interactif pratique