Reproduceerbare wetenschappelijke analyse met GitHub en Docker

Wetenschappelijk onderzoek vereist transparantie. Het delen van complexe data-analyse workflows zodat anderen deze zonder fouten kunnen uitvoeren, is een grote uitdaging. Deze tekstgebaseerde cursus leidt u door de fundamentele concepten van reproduceerbaarheid en laat u zien hoe u uw werk effectief kunt documenteren en verpakken. U leert hoe u versiebeheer en containerisatie gebruikt om uw wetenschappelijke code, omgeving en gegevenspijpleidingen volledig reproduceerbaar te maken door iedereen, overal. Wat je leert: - Begrijp de kernprincipes van reproduceerbare wetenschap en waarom milieuconsistentie belangrijk is. - Volg en beheer uw wetenschappelijke codewijzigingen systematisch met GitHub. - Maak geïsoleerde, consistente computeromgevingen met behulp van Docker-containers. - Configureer geautomatiseerde workflows met behulp van basis GitHub-acties om uw analysepijpleidingen te testen. - Documenteer uw data-analyse stappen duidelijk om een naadloze samenwerking en peer review te garanderen. De cursus begint met essentiële definities en de theorie van reproduceerbaarheid voordat u stapsgewijze schriftelijke handleidingen gaat bekijken over het schrijven van Dockerfiles en het beheren van repositories.U bestudeert praktische, tekstgebaseerde voorbeelden van containerized data workflows die u onmiddellijk kunt aanpassen aan uw eigen onderzoek. Dit programma is ontworpen voor beginnende data-analisten, onderzoekers en wetenschappers die hun werk robuuster willen maken, zonder dat er eerdere DevOps- of containerisatie-ervaring vereist is.Start vandaag nog met het bouwen van verifieerbare, reproduceerbare wetenschappelijke workflows.