Apprenez à identifier les goulots d’étranglement qui ralentissent votre code R. Vous exécuterez une opération numérique classique en parallèle et verrez comment vérifier si cela améliore les performances.

Faut-il paralléliser ?

Quand pouvez-vous paralléliser ?

Utiliser parLapply()

Parallélisation en R

Lire des fichiers en parallèle

Plages de prix quotidiennes

Mesurer les bénéfices

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 diverses situations tout en gérant efficacement les dépendances. Transformez des boucles lentes en processus fluides et efficaces.

parLapply dans la pratique

Exécuter du code sur le cluster

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 échangés

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

Plongez au cœur de l’utilisation des futures en programmation parallèle. Apprenez à traiter en parallèle des vecteurs, des listes et des data frames, tout en conservant un code facile à maintenir.

Futures

Racines carrées différées

Des futures pour des cibles publicitaires

Financer les sciences sociales avec des futures

Cartographier le futur

Classer des actions avec furrr

Spécification du type furrr

Opérations avancées avec furrr

Traiter plusieurs entrées

La configuration de furrr

Aller plus loin avec future_map()

Bootstrap groupé des cours boursiers

Concaténer par lignes les résultats de future_map

Futures parallèles

Apprenez à gérer la mémoire des 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 mémoire de parLapply()

Découper le bootstrap en blocs

Reproductibilité en parallèle

Des résultats de loterie reproductibles

Reproduire le bootstrap

Débogage en parallèle

Les étapes du 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 est un élément essentiel de la pile technologique moderne, mais l’exécution du code R peut parfois être lente. Ce cours sur la programmation parallèle vous aide à optimiser votre code en tirant parti des multiples processeurs présents dans 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 également des packages R éprouvés (parallel, foreach, future) pour la parallélisation, et vous apprendrez à réduire le temps d’exécution, à surveiller, déboguer et garantir la reproductibilité de votre code parallélisé.

<h2>Accélérez votre code grâce à la programmation parallèle</h2>
<br><br>
Le langage de programmation R est un élément essentiel de la pile technologique moderne. Cependant, il arrive parfois que le code R prenne un certain temps à s'exécuter. La bonne nouvelle est que la plupart des ordinateurs modernes sont équipés de plusieurs processeurs. Ce cours sur la programmation parallèle peut vous aider à accélérer votre code en exploitant le matériel dont vous disposez déjà.
<br><br>
<h2>Apprenez les concepts clés</h2>
<br><br>
Dans ce cours, vous apprendrez de manière systématique les concepts clés de la programmation parallèle. Vous établirez le profil et comparerez les calculs courants tels que les bootstraps et les mappages de fonctions. Vous apprendrez également à identifier les opérations pouvant bénéficier d'une parallélisation.
<br><br>
<h2>Utiliser les paquets R pour paralléliser les opérations</h2>
<br><br>
Au fur et à mesure de votre progression, vous découvrirez une série de packages R aboutis (parallel, foreach, future). Vous apprendrez à utiliser ces packages pour paralléliser les opérations avec des listes, des matrices et des data frames. En accomplissant diverses tâches, vous acquerrez les compétences nécessaires pour optimiser 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>
Grâce à ces outils, vous serez en mesure d'écrire du code parallélisé qui s'exécute beaucoup plus rapidement. À la fin de cette formation, vous serez en mesure de paralléliser et de maintenir le code existant de manière systématique.

Writing Efficient R Code

Introduction to the Tidyverse

Exploitez la puissance du calcul parallèle en R. Accélérez vos analyses et traitez de grands ensembles de données.

Programmation parallèle en R

R Développeur

Quand pouvez-vous paralléliser ?

Exercice interactif pratique