Leer die lastige snelheidsknelpunten in je R-code herkennen. Je voert een klassieke numerieke bewerking parallel uit en leert controleren of het helpt!

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

Kunnen we vectoriseren?

Microbenchmark van omzet

Introductie tot parallel programmeren

Gebruik parallelisme in R voor allerlei situaties terwijl je afhankelijkheden efficiënt beheert. Tover trage lussen om tot soepel draaiende machines!

parLapply in de praktijk

Code draaien op het cluster

Een parallelle filter

De parallelle apply-familie

Zorguitgaven met clusterMap()

Bevolkingsgroeipercentages met mclapply()

Kolombewerkingen met handelsvolumes

foreach gebruiken

Lussen met foreach

foreach met variabelen en packages

Geavanceerde foreach-bewerkingen

Itereren en filteren

Geneste foreach-lussen voor prijstrends

Parallel en foreach

Duik dieper in het gebruik van futures in parallel programmeren. Leer vectors, lijsten en dataframes parallel te verwerken, terwijl je code toch makkelijk te onderhouden blijft.

Futures

Uitgestelde worteltrekkingen

Futures voor advertentiedoelgroepen

Sociale wetenschappen financieren met futures

De toekomst in kaart brengen

Aandelen rangschikken met furrr

Specificatie van furrr-typen

Geavanceerde bewerkingen met furrr

Meerdere inputs verwerken

De furrr-configuratie

Haal meer uit future_map()

Gegroepeerde bootstrap van aandelenkoersen

Resultaten van future_map per rij binden

Parallelle futures

Leer geheugen beheren voor parallelle processen. Maak je code reproduceerbaar en voeg efficiënte debugging toe aan je parallelle toolkit.

Geheugen monitoren en beheren

Geheugenprofiel van parLapply()

Bootstrap in stukken opdelen

Reproduceerbaarheid in parallel

Reproduceerbare loterijuitslagen

Reproduceer de bootstrap

Debuggen in parallel

Parallelle code repareren

De stappen voor debuggen

Correlaties debuggen

Geavanceerd debuggen

De bootstrap-fout

Modelleerfouten opvangen

Dat was ’m!

Probleemoplossing 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

Maak de resultaten van de code reproduceerbaar

Voer code sequentieel uit op een kleine subset van de input om te controleren of het werkt

De stappen voor debuggen

Parallel programmeren in R

Interactieve oefening met praktijkervaring