Lär dig identifiera prestandaflaskhalsar i din R-kod. Du kör en klassisk numerisk operation parallellt och kontrollerar om det verkligen hjälper!

Ska vi parallellisera?

När kan du parallellisera?

Använda parLapply()

Parallellisering i R

Läsa filer parallellt

Dagliga prisintervall

Mäta fördelarna

Bootstrap av genomsnittlig mödraålder

Kan vi vektorisera?

Microbenchmark av intäkter

Introduktion till parallell programmering

Använd parallellism i R för en mängd olika situationer och hantera beroenden på ett effektivt sätt. Förvandla långsamma loopar till smidig och välflödande kod!

parLapply i praktiken

Köra kod på klustret

Ett parallellt filter

Den parallella apply-familjen

Sjukvårdsutgifter med clusterMap()

Befolkningstillväxttakter med mclapply()

Kolumnoperationer med handelsvolymer

Använda foreach

Loopar med foreach

foreach med variabler och paket

Avancerade foreach-operationer

Iterera och filtrera

Kapslade foreach-loopar för pristrender

Parallel och foreach

Fördjupa dig i användningen av futures inom parallell programmering. Lär dig bearbeta vektorer, listor och dataramar parallellt – och håll koden lättunderhållen.

Futures

Fördröjda kvadratrötter

Futures för annonsmålgrupper

Finansiera samhällsvetenskap med futures

Kartlägg framtiden

Rangordna aktier med furrr

Typspecifikation i furrr

Avancerade operationer med furrr

Bearbeta flera indata

furrr-konfigurationen

Gör mer med future_map()

Grupperad bootstrapping av aktiekurser

Radbindning av future_map-resultat

Parallella futures

Lär dig hantera minne för parallella processer. Gör din kod reproducerbar och lägg till effektiv felsökning i din verktygslåda för parallell programmering.

Övervaka och hantera minne

Minnesprofil för parLapply()

Dela upp bootstrappingen i delar

Reproducibilitet i parallell körning

Reproducerbara lotteriresultat

Reproducera bootstrappingen

Felsökning i parallell

Åtgärda parallell kod

Felsökningsstegen

Felsökning av korrelationer

Avancerad felsökning

Bootstrap-felet

Fånga modelleringsfel

Det var det!

R är ett viktigt programmeringsspråk i den moderna teknikstacken, men R-kod kan ibland ta lång tid att köra. Den här kursen i parallell programmering hjälper dig att optimera din kod genom att utnyttja de flera processorer som finns i de flesta moderna datorer. Du lär dig grundläggande begrepp inom parallell programmering och identifierar operationer som kan dra nytta av parallellisering. Du utforskar också etablerade R-paket (parallel, foreach, future) för parallellisering och utvecklar färdigheter för att minska körtid, övervaka, felsöka och säkerställa reproducerbarhet i parallelliserad kod.

<h2>Snabba upp din kod med parallell programmering</h2>
<br><br>
R-programmeringsspråket är en viktig del av den moderna teknikstacken. Men ibland tar R-kod lång tid att köra. Den goda nyheten är att de flesta moderna datorer har flera processorer. Den här kursen i parallellprogrammering kan hjälpa dig att snabba upp din kod genom att utnyttja den hårdvara du redan har.
<br><br>
<h2>Lär dig de viktigaste begreppen</h2>
<br><br>
I den här kursen kommer du systematiskt att lära dig de viktigaste begreppen inom parallell programmering. Du kommer att profilera och benchmarka vanliga beräkningar som bootstraps och funktionsmappningar. Du kommer också att lära dig att identifiera operationer som kan dra nytta av parallellisering.
<br><br>
<h2>Använd R-paket för att parallellisera operationer</h2>
<br><br>
Allt eftersom du avancerar kommer du att utforska en uppsättning mogna R-paket (parallel, foreach, future). Du kommer att lära dig att använda dessa paket för att parallellisera operationer med listor, matriser och dataframes. Genom att arbeta med en mängd olika uppgifter kommer du att utveckla färdigheterna för att få kontroll över körtiden för nästlade for-loopar. Du kommer också att lära dig hur du övervakar, felsöker och löser reproducerbarhetsproblem i parallelliserad kod.
<br><br>
<h2>Parallellisera din befintliga kod</h2>
<br><br>
Med dessa verktyg i din verktygslåda kommer du att kunna skriva parallelliserad kod som körs betydligt snabbare. När du är klar kommer du att ha färdigheterna att parallellisera och underhålla befintlig kod på ett metodiskt sätt.

Writing Efficient R Code

Introduction to the Tidyverse

Lås upp kraften i parallell databehandling i R. Förbättra dina analysfärdigheter och snabba upp beräkningar.

Parallell programmering i R

Lås upp kraften i parallell databehandling i R. Förbättra din dataanalys, snabba upp beräkningar och bearbeta stora datamängder utan ansträngning.


R-utvecklare

Kör koden sekventiellt på en liten delmängd av indata för att kontrollera att den fungerar

Felsökningsstegen

Parallell programmering i R

Interaktiv övning med praktiskt arbete