Повторяемый научный анализ с GitHub и Docker

Научные исследования требуют прозрачности, но обмен сложными рабочими процессами анализа данных, чтобы другие могли запускать их без ошибок, является серьезной проблемой. Этот текстовый курс поможет вам разобраться в основных концепциях воспроизводимости, показывая, как эффективно документировать и упаковывать вашу работу. Вы узнаете, как использовать управление версиями и контейнеризацию, чтобы сделать ваш научный код, среду и конвейеры данных полностью воспроизводимыми кем угодно, где угодно. Что вы узнаете: - Понять основные принципы воспроизводимой науки и почему экологическая последовательность имеет значение. - Отслеживайте и управляйте изменениями в вашем научном коде систематически, используя GitHub. - Создание изолированных, согласованных вычислительных сред с использованием контейнеров Docker. - Настройте автоматизированные рабочие процессы с помощью основных действий GitHub, чтобы протестировать ваши аналитические конвейеры. - четко документировать шаги по анализу данных для обеспечения бесперебойного сотрудничества и коллегиального обзора; Курс начинается с основных определений и теории воспроизводимости, а затем переходит к поэтапным письменным руководствам по написанию Dock-файлов и управлению хранилищами. Вы изучите практические, текстовые примеры рабочих процессов контейнеризированных данных, которые вы сможете сразу же адаптировать к своим собственным исследованиям. Эта программа предназначена для начинающих аналитиков данных, исследователей и ученых, которые хотят сделать свою работу более надежной, без предварительного опыта DevOps или контейнеризации. Начните создавать проверяемые, воспроизводимые научные рабочие процессы сегодня.