Met R Bigdata kunnen organisaties grote hoeveelheden sensor-, mobiliteits-, klimaat- of geografische data efficiënt verwerken zonder vast te lopen op traditionele desktopanalyses. In deze blended learning leer je hoe je grote datasets schaalbaar analyseert met R, Spark, Arrow en parallel computing. Daarbij werk je met packages zoals sparklyr, arrow, multidplyr, future, furrr en targets voor snelle dataverwerking,
R Bigdata richt zich op het verwerken, analyseren en automatiseren van grote datasets met behulp van de programmeertaal R. Binnen Geo-ICT is dit belangrijk omdat geografische data steeds vaker bestaat uit grote hoeveelheden sensordata, mobiliteitsdata, remote sensing data, klimaatdata en andere grootschalige ruimtelijke databronnen.
Met R kunnen grote datasets efficiënt worden ingelezen, verdeeld verwerkt en omgezet naar bruikbare inzichten. Denk aan het analyseren van miljoenen meetpunten, het verwerken van grote tabellen, het combineren van databronnen of het bouwen van schaalbare data pipelines. Hierdoor ontstaat een krachtige omgeving voor data science, GIS en moderne Geo-ICT workflows.
Wat R sterk maakt, is de combinatie van programmeerbaarheid, statistiek en een groeiend ecosysteem voor schaalbare dataverwerking. Hierdoor kunnen analyses worden versneld, geautomatiseerd en reproduceerbaar uitgevoerd. Binnen Geo-ICT wordt R steeds vaker ingezet voor grote ruimtelijke analyses, datastromen en complexe verwerkingsprocessen.
In deze blended learning werk je met belangrijke big data packages zoals sparklyr, arrow, multidplyr, future, furrr en targets. Hiermee leer je werken met Spark, efficiënte bestandsformaten, parallel computing en reproduceerbare data pipelines.
Daarnaast biedt R uitgebreide mogelijkheden om big data te combineren met analyse, visualisatie, databases en ruimtelijke workflows. Hierdoor is deze blended learning interessant voor GIS-specialisten, data-analisten, onderzoekers en Geo-ICT professionals die grotere datasets sneller en betrouwbaarder willen verwerken.
In deze blended learning maak je kennis met de belangrijkste mogelijkheden van R voor big data verwerking. Je leert hoe je grote datasets efficiënt inleest, verwerkt en analyseert zonder onnodige handmatige tussenstappen. Daarbij werk je met packages zoals sparklyr, arrow, multidplyr, future en furrr.
Er wordt aandacht besteed aan schaalbare dataverwerking met Spark, het gebruik van efficiënte bestandsformaten en het versnellen van analyses met parallel computing. Je leert hoe je grote tabellen en geografische datasets kunt opdelen, verwerken en combineren binnen reproduceerbare R-workflows.
Daarnaast leer je hoe je data pipelines gestructureerd opzet met targets. Hiermee kun je complexe analyses overzichtelijk organiseren, afhankelijkheden beheren en alleen de onderdelen opnieuw uitvoeren die echt gewijzigd zijn. Dit maakt je workflows sneller, betrouwbaarder en beter onderhoudbaar.
Tijdens de blended learning werk je met praktijkgerichte datasets en leer je hoe je big data workflows toepast binnen Geo-ICT vraagstukken. Na afronding ben je in staat om grotere datasets efficiënter te verwerken en schaalbare analyses op te zetten voor data science, GIS en ruimtelijke projecten.
Heb je al ervaring met R Databases, R Datascience of R Visualisatie? Dan vormt deze blended learning een logische vervolgstap richting schaalbare data-analyse en professionele data engineering binnen Geo-ICT.
Blended learning combineert zelfstandig online leren met praktijkgerichte, interactieve sessies, waardoor je zowel de technische basis als de praktische toepassing van big data in R leert begrijpen. In de online modules leer je hoe je grote datasets verwerkt, parallelle analyses uitvoert en reproduceerbare data pipelines opzet met moderne R-packages.
Je ontdekt hoe je werkt met Spark, Arrow, parallel computing en pipelinebeheer. Daarnaast leer je hoe je grote datasets combineert met analyse, visualisatie en rapportage binnen R. Dankzij onbeperkte toegang tot het lesmateriaal kun je de stof in je eigen tempo herhalen en oefenen.
Tijdens de praktijkgerichte online sessies pas je de theorie direct toe op realistische datasets en herkenbare Geo-ICT vraagstukken. Je krijgt begeleiding van ervaren docenten en leert hoe je schaalbare workflows uitvoert met packages zoals sparklyr, arrow, multidplyr, future, furrr en targets.
De combinatie van online leren en interactieve praktijkervaring zorgt ervoor dat je niet alleen leert hoe je grote datasets verwerkt, maar ook hoe je deze processen efficiënt en reproduceerbaar organiseert. Na de blended learning ben je in staat om big data workflows in R op te zetten voor moderne Geo-ICT, data science en ruimtelijke analyseprojecten.
Je ontvangt persoonlijke begeleiding. Na je aanmelding neemt onze cursuscoördinator contact met je op om je eerste sessie in te plannen.
Heb je vragen over de inhoud van de cursus? Of twijfel je of de cursus aansluit bij jouw leerdoelen of wensen? Liever incompany of een privé cursus? We helpen je graag verder.
Basiskennis van R is handig, maar ervaring met Spark of big data technologieën is niet verplicht. Tijdens de blended learning worden schaalbare data workflows en parallel computing stap voor stap uitgelegd met praktische voorbeelden.
Met R kunnen grote datasets efficiënt worden verwerkt, geanalyseerd en geautomatiseerd zonder alles handmatig op te splitsen. Hierdoor worden analyses sneller, reproduceerbaar en beter schaalbaar voor Geo-ICT en data science projecten.
Tijdens de blended learning wordt gewerkt met grote geografische datasets, sensordata, mobiliteitsdata, klimaatdata, remote sensing data en andere databronnen die veel voorkomen binnen Geo-ICT en spatial data science.
Bij gewone verwerking worden berekeningen meestal achter elkaar uitgevoerd. Parallel computing verdeelt taken over meerdere processoren of cores, waardoor analyses van grote datasets veel sneller kunnen worden uitgevoerd.
Tijdens de blended learning werk je onder andere met sparklyr, arrow, multidplyr, future, furrr en targets voor schaalbare dataverwerking, parallel computing en reproduceerbare data pipelines binnen R.
