• HPC con R para Investigadores
  • 1 Introducción
  • 2 Código Eficiente de R
    • 2.1 Familia *apply
      • 2.1.1 apply()
      • 2.1.2 lapply() and sapply()
    • 2.2 Programación Funcional
      • 2.2.1 Funciones Personalizadas
      • 2.2.2 Funcionales
      • 2.2.3 Closures
    • 2.3 Librería dplyr
      • 2.3.1 Summarizing data
    • 2.4 Profiling y Benchmarking
      • 2.4.1 microbenchmark
      • 2.4.2 profvis
  • 3 Paralelización con R en el Cluster (parallel)
    • 3.1 Conexión Remota al Clúster (SSH )
      • 3.1.1 Windows
      • 3.1.2 Linux-Mac OS.
    • 3.2 Rstudio Server como interfaz en HPC
    • 3.3 Conexión remota a RStudio (Interfaz gráfica)
      • 3.3.1 Transfrencia de archivos a través de RStudio
      • 3.3.2 Transfrencia de archivos a través de Interfaz Gráfica
    • 3.4 mclapply
      • 3.4.1 mclapply vs. lapply
      • 3.4.2 Usando multicore en mclapply
      • 3.4.3 Comparando parLapply (fork y socket)
      • 3.4.4 Números Aleatorios y Experimentos reproducibles
    • 3.5 Balance de Carga
      • 3.5.1 clusterApplyLB
      • 3.5.2 Cuándo usar balance de carga?
  • 4 Paralelización con R (rslurm)
    • 4.1 SLURM
    • 4.2 Comandos básicos de Slurm
    • 4.3 Librería rslurm
      • 4.3.1 Pasos a seguir
      • 4.3.2 ¿Qué pasa cuando se ejecuta el paso correspondiente a slurm_apply siguiendo los pasos anteriores?
      • 4.3.3 Sobre las funciones de rslurm
    • 4.4 Ejemplos
  • Referencias
  • Published with bookdown

HPC con R para Investigadores

Referencias

  • Advance Programming with R

https://oer.uni-marburg.de/data/mriliasmooc/lm_data/lm_2050/speeding-up-iteration-procedures.html

https://bookdown.org/rdpeng/RProgDA/functions.html

  • Enlace sugerido en Coursera

https://www.youtube.com/watch?v=jWjqLW-u3hc

  • Enlace a Cheatsheet

https://www.rstudio.com/wp-content/uploads/2015/02/data-wrangling-cheatsheet.pdf