Learn to identify those pesky speed bottlenecks in your R code. You will run a classic numerical operation in parallel and learn to check if it helps!

Moeten we paralleliseren?

Wanneer kun je paralleliseren?

parLapply() gebruiken

Paralleliseren in R

Bestanden parallel inlezen

Dagelijkse prijsranges

De voordelen meten

Bootstrapping van de gemiddelde maternale leeftijd

Opties

Vectoriseerbaar

Niet vectoriseerbaar

Kunnen we vectoriseren?

Microbenchmark van omzet

Introduction to Parallel Programming

Use parallelism in R for a variety of situations while efficiently managing dependencies. Turn those slow loops into smooth-running machines!

parLapply in real life

Running code on the cluster

A parallel filter

The parallel apply family

Healthcare spending with clusterMap()

Population growth rates with mclapply()

Column operations with trading volumes

Using foreach

Looping with foreach

foreach with variables and packages

Advanced foreach operations

Iterate and filter

Nested foreach loops for price trends

Parallel and foreach

Dive deep into the use of futures in parallel programming. Learn to process vectors, lists, and data frames in parallel, all the while keeping your code easy to maintain.

Futures

Delayed square roots

Futures for advertisement targets

Funding social sciences with futures

Mapping the future

Ranking stocks with furrr

Furrr type specification

Advanced operations with furrr

Processing multiple inputs

The furrr configuration

Do more with future_map()

Grouped bootstrap of stock prices

Row-binding future_map results

Parallel Futures

Learn to manage memory for parallel processes. Make your code reproducible, and add efficient debugging to your parallel programming toolkit.

Monitoring and managing memory

Memory profile of parLapply()

Chunking the bootstrap

Reproducibility in parallel

Reproducible lottery results

Reproduce the bootstrap

Debugging in parallel

The debugging steps

Debugging correlations

Advanced debugging

The bootstrap error

Catch modeling errors

That's a wrap!

Troubleshooting in Parallel

De programmeertaal R is een essentieel onderdeel van de moderne techstack, maar R-code kan soms traag uitvoeren. Deze cursus over parallel programmeren helpt je je code te optimaliseren door de meerdere processors in de meeste moderne computers te benutten. Je begrijpt de kernconcepten van parallel programmeren en leert bepalen welke bewerkingen baat hebben bij parallelisatie. Je verkent bovendien gevestigde R-pakketten (parallel, foreach, future) voor parallelisatie en ontwikkelt de vaardigheden om uitvoeringstijd te verkorten, te monitoren, te debuggen en reproduceerbaarheid te waarborgen in geparalleliseerde code.

<h2>Maak je code sneller met parallel programmeren</h2>
<br><br>
De programmeertaal R is een belangrijk onderdeel van de moderne tech stack. Maar soms duurt het lang voordat R-code is uitgevoerd. Het goede nieuws is dat de meeste moderne computers meerdere processors hebben. Deze cursus over parallel programmeren kan je helpen je code sneller te maken door de hardware die je al hebt beter te gebruiken.
<br><br>
<h2>Leer de belangrijkste concepten</h2>
<br><br>
In deze cursus leer je stap voor stap de belangrijkste dingen van parallel programmeren. Je gaat veelgebruikte berekeningen zoals bootstraps en functiemappings profileren en benchmarken. Je leert ook welke bewerkingen je kunt paralleliseren.
<br><br>
<h2>Gebruik R-pakketten om dingen tegelijk te doen</h2>
<br><br>
Naarmate je vordert, ga je een reeks volwassen R-pakketten ontdekken (parallel, foreach, future). Je leert hoe je deze pakketten kunt gebruiken om bewerkingen met lijsten, matrices en dataframes parallel uit te voeren. Door verschillende taken te doen, leer je hoe je de uitvoeringstijd van geneste for-lussen kunt beperken. Je leert ook hoe je reproduceerbaarheidsproblemen van geparalleliseerde code kunt monitoren, debuggen en oplossen.
<br><br>
<h2>Maak je bestaande code parallel</h2>
<br><br>
Met deze tools kun je code schrijven die veel sneller werkt. Als je klaar bent, heb je de vaardigheden om bestaande code op een goede manier te parallelliseren en te onderhouden.

Writing Efficient R Code

Introduction to the Tidyverse

Ontgrendel de kracht van parallel computing in R. Versnel berekeningen en verwerk grote datasets moeiteloos.

Parallel programmeren in R

R-ontwikkelaar

Een booleaanse (TRUE of FALSE) kolom maken op basis van een numerieke kolom

Het kwadraat nemen van alle elementen in een vector

Alle waarden in een numerieke vector met 20% verhogen

Een betrouwbaarheidsinterval bootstrappen

Kunnen we vectoriseren?

Parallel programmeren in R

Praktische interactieve oefening