Impara a individuare quei fastidiosi colli di bottiglia nelle prestazioni del tuo codice R. Eseguirai un’operazione numerica classica in parallelo e imparerai a verificare se porta benefici!

Dovremmo parallelizzare?

Quando puoi parallelizzare?

Uso di parLapply()

Parallelizzazione in R

Lettura dei file in parallelo

Intervalli di prezzo giornalieri

Misurare i benefici

Bootstrap dell’età media materna

Possiamo vettorializzare?

Microbenchmark dei ricavi

Introduzione alla programmazione parallela

Usa il parallelismo in R in vari scenari gestendo in modo efficiente le dipendenze. Trasforma quei cicli lenti in meccanismi fluidi e scattanti!

parLapply nella pratica

Esecuzione di codice sul cluster

Un filtro in parallelo

La famiglia apply in parallelo

Spesa sanitaria con clusterMap()

Tassi di crescita della popolazione con mclapply()

Operazioni per colonna con i volumi di trading

Usare foreach

Ciclare con foreach

foreach con variabili e pacchetti

Operazioni avanzate con foreach

Iterare e filtrare

Cicli foreach annidati per i trend dei prezzi

parallel e foreach

Approfondisci l’uso dei futures nella programmazione parallela. Impara a elaborare in parallelo vettori, liste e data frame, mantenendo il codice facile da mantenere.

Futures

Radici quadrate rimandate

Futures per i target pubblicitari

Finanziare le scienze sociali con i futures

Mappare il futuro

Classificare titoli azionari con furrr

Specificare il tipo in furrr

Operazioni avanzate con furrr

Elaborare più input

La configurazione di furrr

Vai oltre con future_map()

Bootstrap raggruppato dei prezzi azionari

Unire per righe i risultati di future_map

Futures paralleli

Impara a gestire la memoria per i processi paralleli. Rendi il tuo codice riproducibile e aggiungi un debug efficiente al tuo toolkit per la programmazione parallela.

Monitoraggio e gestione della memoria

Profilo di memoria di parLapply()

Suddividere in chunk il bootstrap

Riproducibilità in parallelo

Risultati della lotteria riproducibili

Riprodurre il bootstrap

Debugging in parallelo

I passaggi del debugging

Debugging delle correlazioni

Debugging avanzato

L'errore del bootstrap

Intercetta gli errori di modellazione

Abbiamo finito!

Risoluzione dei problemi in parallelo

Il linguaggio di programmazione R è un elemento fondamentale dell’attuale stack tecnologico, ma a volte il codice R può richiedere tempo per l’esecuzione. Questo corso sulla programmazione parallela ti aiuta a ottimizzare il tuo codice sfruttando i molteplici processori presenti nella maggior parte dei computer moderni. Apprenderai i concetti chiave della programmazione parallela e saprai riconoscere le operazioni che traggono vantaggio dalla parallelizzazione. Esplorerai pacchetti R consolidati (parallel, foreach, future) per la parallelizzazione e acquisirai le competenze per ridurre i tempi di esecuzione, monitorare, fare debug e garantire la riproducibilità del codice parallelizzato.

<h2>Accelera il tuo codice con la programmazione parallela</h2>
<br><br>
Il linguaggio di programmazione R è una parte fondamentale dello stack tecnologico moderno. Ma a volte, il codice R ci mette un sacco di tempo a funzionare. La buona notizia è che quasi tutti i computer di oggi hanno più processori. Questo corso sulla programmazione parallela può aiutarti a velocizzare il tuo codice sfruttando l'hardware che già hai.
<br><br>
<h2>Impara i concetti chiave</h2>
<br><br>
In questo corso imparerai in modo sistematico i concetti chiave della programmazione parallela. Farai il profilo e il benchmark di calcoli comuni come bootstrap e mappature di funzioni. Imparerai anche a capire quali operazioni possono essere migliorate con la parallelizzazione.
<br><br>
<h2>Usa i pacchetti R per parallelizzare le operazioni</h2>
<br><br>
Man mano che vai avanti, scoprirai una serie di pacchetti R già pronti (parallel, foreach, future). Imparerai a usare questi pacchetti per parallelizzare operazioni con elenchi, matrici e data frame. Lavorando su un sacco di compiti diversi, imparerai a gestire il tempo di esecuzione dei cicli for annidati. Imparerai anche come controllare, risolvere i bug e sistemare i problemi di riproducibilità del codice parallelizzato.
<br><br>
<h2>Rendi parallelo il tuo codice già pronto</h2>
<br><br>
Con questi strumenti a disposizione, potrai scrivere codice parallelizzato che gira molto più velocemente. Quando avrai finito, avrai le competenze per parallelizzare e mantenere il codice esistente in modo sistematico.

Writing Efficient R Code

Introduction to the Tidyverse

Sblocca la potenza del calcolo parallelo in R. Migliora l'analisi dati e accelera i calcoli.

Futures

Create Your Free Account