تسلط بر برنامه‌نویسی موازی با R ۲۰۱۶
Mastering Parallel Programming with R 2016

**برنامه‌نویسی موازی با R را به تسلط درآورید و محاسبات علم داده خود را سرعت بخشید**

درباره‌ی این کتاب:
برنامه‌های Rای بسازید که از حداکثر توان محاسباتی پلتفرم‌های ابری و کامپیوترهای شما بهره ببرند. در نوشتن کارآمدترین و پربازده‌ترین الگوریتم‌های موازی در R متخصص شوید. با مفهوم موازی‌سازی آشنا شوید تا برنامه‌های R فعلی خود را سرعت بخشید.

این کتاب برای چه کسانی است؟
این کتاب برای برنامه‌نویسان Rای است که می‌خواهند از محدودیت‌های ذاتی تک‌رشته‌ای و محدودیت حافظه‌ی R فراتر روند و یاد بگیرند که چگونه الگوریتم‌های بسیار سریع و مقیاس‌پذیر را پیاده‌سازی کنند، الگوریتم‌هایی که برای پردازش با کارایی بالای داده‌های بزرگ ضروری هستند. هیچ دانش قبلی از موازی‌سازی مورد نیاز نیست. این کتاب همچنین برای برنامه‌نویسان فنی پیشرفته‌تری که به دنبال فراتر رفتن از چارچوب‌های موازی سطح بالا هستند، مناسب است.

آنچه خواهید آموخت:
* ایجاد و ساختاردهی محاسبات موازی با بار متعادل و کارآمد در R، با استفاده از بسته‌ی موازی داخلی R
* استقرار و استفاده از زیرساخت موازی مبتنی بر ابر از R، از جمله راه‌اندازی یک محاسبات توزیع‌شده در Hadoop که روی Amazon Web Services (AWS) اجرا می‌شود.
* به کارایی موازی عادت کنید و تکنیک‌های ساده را برای محک‌زنی، اندازه‌گیری سرعت و هدف‌گذاری بهبود در کد خود اعمال کنید.
* الگوریتم‌های پردازش موازی پیچیده را با استفاده از رابط انتقال پیام استاندارد (MPI) با استفاده از بسته‌های RMPI، pbdMPI و SPRINT توسعه دهید.
* یک بسته‌ی R موازی (SPRINT) را با روتین‌های مبتنی بر MPI خود بسازید و گسترش دهید.
* توابع عددی شتاب‌یافته را در R با استفاده از قابلیت پردازش برداری واحد پردازش گرافیکی (GPU) خود با OpenCL پیاده‌سازی کنید.
* مفاهیم نهفته در برنامه‌نویسی موازی، مانند بن‌بست و ناپایداری عددی، و رویکردهای مدیریت و اجتناب از آنها را درک کنید.
* یک مزرعه وظیفه (task farm) master-worker، شبکه‌ی فضایی و برنامه‌های R موازی ترکیبی بسازید.

به تفصیل:
R یکی از محبوب‌ترین زبان‌های برنامه‌نویسی مورد استفاده در علم داده است. استفاده از R برای داده‌های بزرگ و وظایف تحلیلی پیچیده مستلزم مهار منابع محاسباتی مقیاس‌پذیر است.

کتاب “تسلط بر برنامه‌نویسی موازی با R” یک رساله‌ی جامع و عملی در مورد چگونگی ساخت الگوریتم‌های بسیار مقیاس‌پذیر و کارآمد در R است. این کتاب انواع تکنیک‌های موازی‌سازی را به شما آموزش می‌دهد، از استفاده‌ی ساده از نسخه‌های بسته‌ی موازی داخلی R از `lapply()` گرفته تا چارچوب‌های سطح بالای Hadoop و Apache Spark مبتنی بر ابر AWS. همچنین برنامه‌نویسی موازی مقیاس‌پذیر سطح پایین را با استفاده از RMPI و pbdMPI برای انتقال پیام، قابل استفاده برای خوشه‌ها و ابررایانه‌ها، و نحوه‌ی بهره‌برداری از پردازنده‌های گرافیکی ساده هزار برابر از طریق ROpenCL را به شما آموزش می‌دهد. در پایان کتاب، عواملی که بر کارایی موازی تأثیر می‌گذارند، از جمله ارزیابی عملکرد کد و پیاده‌سازی تعادل بار، مشکلات احتمالی که باید از آنها اجتناب کرد، از جمله بن‌بست و مسائل مربوط به ناپایداری عددی، نحوه‌ی ساختاردهی کد و داده‌های خود برای مناسب‌ترین نوع موازی‌سازی برای دامنه‌ی مسئله‌ی خود، و نحوه‌ی استخراج حداکثر عملکرد از کد R خود که روی انواع سیستم‌های کامپیوتری اجرا می‌شود را درک خواهید کرد.

سبک و رویکرد:
این کتاب فصل به فصل شما را از اشکال آسان به پیچیده‌تر موازی‌سازی هدایت می‌کند. بینش‌های نویسنده از طریق مثال‌های عملی واضح که در طیف وسیعی از مسائل مختلف به کار گرفته شده‌اند، با اطلاعات مرجع جامع برای هر یک از بسته‌های R مورد استفاده، ارائه می‌شود. این کتاب را می‌توان از ابتدا تا انتها خواند یا فصل به فصل وارد آن شد، زیرا هر فصل یک رویکرد و فناوری موازی خاص را توصیف می‌کند، بنابراین می‌توان آن را به صورت مستقل خواند.

Master the robust features of R parallel programming to accelerate your data science computations

About This BookCreate R programs that exploit the computational capability of your cloud platforms and computers to the fullestBecome an expert in writing the most efficient and highest performance parallel algorithms in RGet to grips with the concept of parallelism to accelerate your existing R programsWho This Book Is For

This book is for R programmers who want to step beyond its inherent single-threaded and restricted memory limitations and learn how to implement highly accelerated and scalable algorithms that are a necessity for the performant processing of Big Data. No previous knowledge of parallelism is required. This book also provides for the more advanced technical programmer seeking to go beyond high level parallel frameworks.

What You Will LearnCreate and structure efficient load-balanced parallel computation in R, using R’s built-in parallel packageDeploy and utilize cloud-based parallel infrastructure from R, including launching a distributed computation on Hadoop running on Amazon Web Services (AWS)Get accustomed to parallel efficiency, and apply simple techniques to benchmark, measure speed and target improvement in your own codeDevelop complex parallel processing algorithms with the standard Message Passing Interface (MPI) using RMPI, pbdMPI, and SPRINT packagesBuild and extend a parallel R package (SPRINT) with your own MPI-based routinesImplement accelerated numerical functions in R utilizing the vector processing capability of your Graphics Processing Unit (GPU) with OpenCLUnderstand parallel programming pitfalls, such as deadlock and numerical instability, and the approaches to handle and avoid themBuild a task farm master-worker, spatial grid, and hybrid parallel R programsIn Detail

R is one of the most popular programming languages used in data science. Applying R to big data and complex analytic tasks requires the harnessing of scalable compute resources.

Mastering Parallel Programming with R presents a comprehensive and practical treatise on how to build highly scalable and efficient algorithms in R. It will teach you a variety of parallelization techniques, from simple use of R’s built-in parallel package versions of lapply(), to high-level AWS cloud-based Hadoop and Apache Spark frameworks. It will also teach you low level scalable parallel programming using RMPI and pbdMPI for message passing, applicable to clusters and supercomputers, and how to exploit thousand-fold simple processor GPUs through ROpenCL. By the end of the book, you will understand the factors that influence parallel efficiency, including assessing code performance and implementing load balancing; pitfalls to avoid, including deadlock and numerical instability issues; how to structure your code and data for the most appropriate type of parallelism for your problem domain; and how to extract the maximum performance from your R code running on a variety of computer systems.

Style and approach

This book leads you chapter by chapter from the easy to more complex forms of parallelism. The author’s insights are presented through clear practical examples applied to a range of different problems, with comprehensive reference information for each of the R packages employed. The book can be read from start to finish, or by dipping in chapter by chapter, as each chapter describes a specific parallel approach and technology, so can be read as a standalone.